Αναγνώριση καρκινώματος.

Συνάπαλος, Δημήτριος; Synapalos, Dimitrios

Αναγνώριση καρκινώματος.

dc.creator	Συνάπαλος, Δημήτριος	el
dc.creator	Synapalos, Dimitrios	en
dc.date.accessioned	2019-02-15T11:10:58Z
dc.date.available	2019-02-15T11:10:58Z
dc.date.issued	2019-02-15
dc.description.abstract	Στην παρούσα εργασία ασχολείται με το ζήτημα του υπολογιστικά υποβοηθούμενου εντοπισμού και κατηγοριοποίησης καρκινικών όγκων σε μαστογραφίες. Με αφετηρία τις δημοσιεύσεις της βιβλιογραφίας εντοπίζονται οι τεχνικές και τεχνολογίες αιχμής οι οποίες θα χρησιμοποιήθούν στην συνέχεια για την υλοποίηση του συστήματος εντοπισμού. Χρησιμοποιώντας τη σουίτα εφαρμογών MathWorks MATLAB αξιοποιούνται τεχνικές ψηφιακής επεξεργασίας εικόνας ώστε η βάση δεδομένων που επιλέχθηκε να μετασχηματιστεί ανάλογα με τις απαιτήσεις της εργασίας και να ενισχυθεί η ποιότητα των δεδομένων. Στην συνέχεια γίνεται εκτενής αναφορά στα χαρακτηριστικά που διαθέτουν δημοφιλείς δομές βαθιών νευρωνικών δικτύων, χρησιμοποιούνται τεχνικές μεταφοράς γνώσης και επιχειρείτε η κατάλληλη παραμετροποίηση τους ώστε να αξιοποιηθούν στην υλοποίηση ανιχνευτών με χρήση της τεχνολογίας Faster R-CNN. Αφού γίνει παράθεση αποτελεσμάτων και επιλογή των κατάλληλων τιμών παραμέτρων εκπαίδευσης, τα δίκτυα που εμφάνισαν τα ικανότερα αποτελέσματα υφίστανται περαιτέρω επεξεργασία και δομικό επανασχεδιασμό με σκοπό την επίτευξη της μέγιστης δυνατής απόδοσης. Ολοκληρώνοντας την εργασία, γίνεται ανάλυση της επιρροής που επιφέρει η επανεκπαίδευση των δικτύων στην απόδοσή τους και παρατίθενται τα σχετικά αποτελέσματα.	el
dc.description.abstract	The presented project, engages the topic of computer assisted detection and categorization of cancerous masses in mammograms. Starting on the cited papers, the cutting-edge techniques and technologies are mentioned and summarily applied in the construction of the detector. Use of the MathWorks MATLAB suite and digital image processing technics allows the transformation of the selected database into a suitable and helpful form, as well as, enhancing data quality. Following is extensive mention of the characteristics embodied in popular Deep Neural Network structures, the application of Transfer Learning techniques and the necessary parameterization in order to apply said structures in producing Faster R-CNN based detectors. After presenting and selecting the appropriate training parameters, the networks offering prime results undergo further elaboration and structural redesign in order to achieve the best returns. Finalizing the project, an analysis of the influence of detector retraining on performance and associated results.	en
dc.identifier.uri	http://hdl.handle.net/20.500.12688/9013
dc.language	Ελληνικά	el
dc.language	Greek	en
dc.publisher	Τ.Ε.Ι. Κρήτης, Τεχνολογικών Εφαρμογών (Σ.Τ.Εφ), Τμήμα Μηχανικών Πληροφορικής Τ.Ε.	el
dc.publisher	T.E.I. of Crete, School of Engineering (STEF), Department of Informatics Engineering	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	Αναγνώριση καρκινώματος.	el
dc.title	Τumor recognition.	en
heal.academicPublisherID	Τ.Ε.Ι. Κρήτης	el
heal.academicPublisherID	T.E.I. of Crete	en
heal.access	free	el
heal.advisorID.email	npapadak@cs.teicrete.gr
heal.advisorName	Παπαδάκης, Νικόλαος	el
heal.advisorName	Papadakis, Nikolaos	en
heal.fullTextAvailability	true	el
heal.keyword	νευρωνικό δίκτυο, μηχανική μάθηση, ψηφιακή επεξεργασία εικόνας, καρκινικοί όγκοι	el
heal.keyword	neural network, machine learning, digital image processing, tumors	en
heal.type	Πτυχιακή Εργασία	el
heal.type	Bachelor thesis	en
nm.hasExtra	false
tcd.distinguished	false	el
tcd.survey	false	el

Αρχεία

Πρωτότυπος φάκελος/πακέτο

Τώρα δείχνει 1 - 1 of 1

Ονομα:: SynapalosDimitrios2019.pdf
Μέγεθος:: 5.54 MB
Μορφότυπο:: Adobe Portable Document Format

Λήψη

Φάκελος/Πακέτο αδειών

Τώρα δείχνει 1 - 1 of 1

Ονομα:: license.txt
Μέγεθος:: 0 B
Μορφότυπο:: Item-specific license agreed upon to submission
Περιγραφή:

Λήψη

Συλλογές

Πτυχιακές εργασίες / Bachelor Theses