Skin lesion classification using deep learning neural networks.
| dc.creator | Katrini, Chrysanthi | en |
| dc.creator | Κατρίνη, Χρυσάνθη | el |
| dc.date.accessioned | 2017-08-25T08:30:11Z | |
| dc.date.available | 2017-08-25T08:30:11Z | |
| dc.date.issued | 2017-08-25 | |
| dc.description.abstract | Melanoma is a type of skin cancer and it is characterized from the experts as the most aggressive. An early diagnosis and a surgery removal can give to the patient almost 99% survival rate. Several Computer-Aided Diagno- sis (CAD) systems have been proposed to assist dermatologists in an early diagnosis. This thesis, it is dealing with the processing of color images that depict images of patients with possible melanoma. The main point is to build a system to identify cases that could be potentially dangerous. The system performs feature extraction using the SIFT and SURF algorithm and these features fed into several classi ers such as Support Vector Machines (SVM), K-Nearest Neighbor (K-NN) and Convolutional Neural Network (CNN) and achieve 94; 51% accuracy. | en |
| dc.description.abstract | Το μελάνωμα είναι ο τύπος καρκίνου του δέρματος που χαρακτηρίζεται από τους ειδικούς ως ο πιο επιθετικός. Η έγκαιρη διάγνωση και η αφαίρεση μέσω χειρουργικής επέμβασης δίνει μέχρι και 99% πιθανότητα επιβίωσης. Πολλά συστήματα έχουν προταθεί με σκοπό να βοηθήσουν τους δερματολόγους ώστε να γίνεται η διάγνωση έγκαιρα. Η διπλωματική αυτή πραγματεύεται εικόνες από ασθενείς με πιθανότητα μελανώματος. Ο κύριος σκοπός είναι να κατασκευαστεί ένα σύστημα το οποίο να μπορεί να αναγνωρίσει τις επικίνδυνες περιπτώσεις. Το σύστημα πραγματοποιεί εξαγωγή χαρακτηριστικών με SIFT και SURF και στην συνέχεια τα χαρακτηριστικά ταξινομούνται χρησιμοποιώντας SVM, KNN και CNN με ποσοστό επιτυχίας 94,51%. | el |
| dc.identifier.uri | http://hdl.handle.net/20.500.12688/8352 | |
| dc.language | Αγγλικά | el |
| dc.language | English | en |
| dc.publisher | Τ.Ε.Ι. Κρήτης, Σχολή Τεχνολογικών Εφαρμογών (Σ.Τ.Εφ), ΠΜΣ Πληροφορική και Πολυμέσα | el |
| dc.publisher | T.E.I. of Crete, School of Engineering (STEF), PPS in Informatics and Multimedia | en |
| dc.rights | Attribution-NonCommercial-NoDerivs 3.0 United States | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/us/ | * |
| dc.title | Skin lesion classification using deep learning neural networks. | en |
| dc.title | Αναγνώριση καρκίνου του δέρματος με την χρήση deep learning. | el |
| heal.academicPublisherID | Τ.Ε.Ι. Κρήτης | el |
| heal.academicPublisherID | T.E.I. of Crete | en |
| heal.access | free | el |
| heal.advisorID.email | npapadak@ie.teicrete.gr | |
| heal.advisorName | Papadakis, Nikolaos | en |
| heal.advisorName | Παπαδάκης, Νικόλαος | el |
| heal.fullTextAvailability | true | el |
| heal.keyword | skin cancer, melanoma, convolutional neural networks (CNNs), deep learnig | en |
| heal.keyword | καρκίνος δέρματος, μελάνωμα, συνελικτικά νευρωνικά δίκτυα, deep learnig | el |
| heal.type | Μεταπτυχιακή Διατριβή | el |
| heal.type | Master thesis | en |
| nm.hasExtra | false | |
| tcd.distinguished | false | el |
| tcd.survey | false | el |
Αρχεία
Πρωτότυπος φάκελος/πακέτο
1 - 1 of 1
Φόρτωση...
- Ονομα:
- KatriniChrysanthi2017.pdf
- Μέγεθος:
- 911.56 KB
- Μορφότυπο:
- Adobe Portable Document Format
Φάκελος/Πακέτο αδειών
1 - 1 of 1
Δεν υπάρχει διαθέσιμη μικρογραφία
- Ονομα:
- license.txt
- Μέγεθος:
- 0 B
- Μορφότυπο:
- Item-specific license agreed upon to submission
- Περιγραφή: