HEAL DSpace

Εξαγωγή και Χαρακτηρισμός Μικροαποτιτανώσεων από Μαστογραφικές Εικόνες, μέσω Ανάπτυξης Ασαφούς Βάσης Γνώσης σε Περιβάλλον Αντικειμενοστρεφούς Ανάλυσης, για την Αναγνώριση του Πορογενούς Καρκινώματος In Situ

Αποθετήριο DSpace/Manakin

Εμφάνιση απλής εγγραφής

dc.contributor.author Σιούκα, Φωτεινή el
dc.date.accessioned 2017-09-13T09:26:57Z
dc.date.available 2017-09-13T09:26:57Z
dc.date.issued 2017-09-13
dc.identifier.uri http://dspace.lib.ntua.gr/handle/123456789/45602
dc.rights Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα *
dc.rights.uri http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ *
dc.subject Μικροαποτιτανώσεις el
dc.subject Ασαφής Λογική el
dc.subject Αντικειμενοστρεφής Ανάλυση el
dc.subject Μαστογραφική Εικόνα el
dc.subject Προεπεξεργασία ιατρικής εικόνας el
dc.subject Microcalcifications en
dc.subject Fuzzy Logic en
dc.subject Preprocessing medical image en
dc.subject Object Oriented Analysis (OBIA) en
dc.subject Mammography en
dc.title Εξαγωγή και Χαρακτηρισμός Μικροαποτιτανώσεων από Μαστογραφικές Εικόνες, μέσω Ανάπτυξης Ασαφούς Βάσης Γνώσης σε Περιβάλλον Αντικειμενοστρεφούς Ανάλυσης, για την Αναγνώριση του Πορογενούς Καρκινώματος In Situ el
heal.type bachelorThesis
heal.classification ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ el
heal.language el
heal.access free
heal.recordProvider ntua el
heal.publicationDate 2017-07-12
heal.abstract Το πορογενές καρκίνωμα in situ ( Ductal Carcinoma In Situ - DCIS ), είναι μία προκαρκινική ή μη διηθητική αλλοίωση του μαστού, η οποία πλήττει το 30-40% των γυναικών και αν δεν αντιμετωπιστεί εγκαίρως, περίπου το 50% των περιπτώσεων, θα καταλήξει σε διηθητικό καρκίνο του μαστού. Η αποτελεσματικότερη μέθοδος για την ανίχνευση και διάγνωση αυτής της αλλοίωσης είναι η παρουσία μικροαποτιτανώσεων στην προληπτική μαστογραφία. Οι μικροαποτιτανώσεις είναι εναποθέσεις αλάτων ασβεστίου, που εμφανίζονται στην μαστογραφία σαν μικροσκοπικά λευκά στίγματα. Σε περιπτώσεις πορογενούς καρκινώματος in situ εντοπίζονται ως προς την μορφολογία μικροαποτιτανώσεις άμορφες, με ποικιλία στο σχήμα και το μέγεθος, ενώ ως προς την κατανομή μπορεί να είναι ομαδοποιημένες, γραμμικές ή τμηματικές. Ωστόσο, η ερμηνεία των μαστογραφικών εικόνων είναι πολλές φορές ένα πολύ δύσκολο εγχείρημα για τους ακτινολόγους και για τον λόγο αυτό, τα τελευταία χρόνια έχουν αναπτυχθεί πολλά συστήματα υποβοηθούμενης διάγνωσης (CAD) με σκοπό να βοηθήσουν τους ακτινολόγους στην διάγνωση της ασθένειας. Η ανάπτυξη των συστημάτων υποβοηθούμενης διάγνωσης έχει αυξήσει τα ποσοστά διάγνωσης του πορογενούς καρκινώματος in situ και της έγκαιρης διάγνωσης του διηθητικού καρκίνου στα πρώτα του στάδια. Επιπλέον χάρη στα συστήματα υποβοηθούμενης διάγνωσης έχουν μειωθεί οι λάθος θετικές διαγνώσεις (false- positive), δηλαδή οι περιπτώσεις όπου μία μαστογραφία χωρίς κακοήθεις ενδείξεις διαγιγνώσκεται ως καρκίνος.Αυτό έχει ως αποτέλεσμα πολλές ασθενείς να έχουν γλιτώσει από περαιτέρω εξετάσεις ή περιττές χειρουργικές επεμβάσεις (βιοψίες), που έχουν αρνητικές ψυχολογικές συνέπειες. Αντικείμενο της παρούσας μελέτης είναι να αναπτυχθεί μία μεθοδολογία που θα ακολουθεί τα βασικά στάδια ενός συστήματος υποβοηθούμενης διάγνωσης και θα βασίζεται στην αντικειμενοστρεφή ανάλυση με στόχο την αναγνώριση του πορογενούς καρκινώματος in situ. Τα δεδομένα που χρησιμοποιήθηκαν για την μελέτη ήταν ένα δείγμα μαστογραφικών εικόνων από την διαδικτυακή βάση δεδομένων Digital Database for Screening Mammography (DDSM) του Πανεπιστημίου της Βόρειας Φλόριντα. Στο πρώτο στάδιο της μεθοδολογίας έγινε εφαρμογή τριών φίλτρων ομαλοποίησης (gauss, μεσαίας τιμής και ανισοτροπικής διάχυσης) στα δεδομένα ώστε να επιλεχθεί τελικά εκείνο που είχε τα καλύτερα αποτελέσματα ως προς την μείωση του θορύβου και την βελτίωση της ποιότητας της εικόνας. Στη συνέχεια, έγινε προσπάθεια ενίσχυσης των μικροαποτιτανώσεων, που αποτελούν το βασικό χαρακτηριστικό του πορογενούς καρκινώματος in situ, μέσω του φίλτρου ενίσχυσης των γκαουσιανών διαφορών (Difference of Gaussian), του μορφομετρικού δείκτη τοπογραφικής θέσης (Topographic Position Index) και κάποιων μορφολογικών επεξεργασιών όπως το opening top -hat και την ανακατασκευή (inferior reconstruction). Τελικό στάδιο της μεθοδολογίας ήταν η αντικειμενοστρεφής ανάλυση η οποία υλοποιήθηκε στο λογισμικό eCognition. Στο συγκεκριμένο στάδιο εισάχθηκαν στο λογισμικό ως θεματικά επίπεδα όλα τα αποτελέσματα των επεξεργασιών που αναφέρθηκαν και δημιουργήθηκε ένα επίπεδο κατάτμησης και οχτώ επίπεδα ταξινόμησης. Στόχος ήταν μέσω των διαφορετικών επιπέδων ταξινόμησης να δημιουργηθούν κατηγορίες για τα διάφορα χαρακτηριστικά των μικροαποτιτανώσεων και στο τελικό επίπεδο ταξινόμησης να γίνει αναγνώριση του πορογενούς καρκινώματος in situ. Θέλοντας να δημιουργήσουμε μία γενική μεθοδολογία στις διαδικασίες που ακολουθήθηκαν για την ταξινόμηση των χαρακτηριστικών των εικόνων, χρησιμοποιήθηκαν οι ίδιες ιδιότητες και τα ίδια όρια στα πεδία τιμών των ιδιοτήτων των κατηγοριών. Απαραίτητο εργαλείο ορισμού των κλάσεων σε όλα τα επίπεδα, ήταν οι ασαφείς συναρτήσεις συμμετοχής. Τα διαστήματα ασάφειας για τον κάθε κανόνα επιλέχθηκαν ύστερα από αρκετή διερεύνηση και κατέδειξαν τη μεγάλη χρησιμότητα της ασαφούς λογικής έναντι των αυστηρώς καθορισμένων ορίων. Τέλος τα αποτελέσματα της μεθόδου αξιολογήθηκαν τόσο με τη σύγκριση των αποτελεσμάτων με τις πληροφορίες που δίνει η βάση δεδομένων για την μορφολογία, την κατανομή και την παθολογία των αποτιτανώσεων όσο και με τη χρήση αλγορίθμων του λογισμικού που αφορούν την ευστάθεια της ταξινόμησης (best classification result, classification stability) αλλά και με την χρήση δειγμάτων( TTA mask). el
heal.abstract The Ductal Carcinoma in Situ (DCIS), is a precancerous or non- invasive breast lesion, which affects 30-40% of women and if not treated in time, about 50% of cases will result in invasive breast cancer. The most effective method for detecting and diagnosing this lesion is the presence of microcalcification in preventive mammography. Microcalcifications are deposits of calcium salts, which appear in mammography as tiny white spots. In cases of ductal carcinoma in situ, amorphous microcalcifications are identified based on the morphology, varying in shape and size, and may be grouped, linear or segmental in terms of distribution. However, the interpretation of mammography images is often a very difficult task for radiologists, and so, in recent years, many Computer Assisted Diagnosis (CAD) systems have been developed to help radiologists diagnose the disease. The development of assisted diagnosis systems has increased rates of diagnosis of ductal carcinoma in situ and the early diagnosis of invasive cancer in its early stages. In addition, assisted diagnosis systems have reduced false-positive errors, which are cases where a mammogram without malignant evidence is diagnosed as cancer. This results in many female patients being spared from further tests or unnecessary surgeries (biopsies) that have negative psychological consequences. The aim of the present study is to develop a methodology that follows the basic stages of an assisted diagnosis system and will be based on object-oriented analysis in order to identify ductal carcinoma in situ. The data that were used for the study were a sample of mammography images for the Digital Database for Screening Mammography (DDSM) from the University of North Florida. In the first stage of the methodology, three smoothing filters (gauss, median value and anisotropic diffusion) were applied to the data to finally select the one that had the best results in reducing noise and improving image quality. Subsequently, an attempt was made to strengthen the microcalcifications, which are the main feature of ductal carcinoma in situ, by utilizing the Difference of Gaussian enhancement filter, the Topographic Position Index and some morphological filters such as the opening top-hat and inferior reconstruction. The final stage of the methodology was the object based image analysis (OBIA) which was implemented in the eCognition software. At this stage, all the results of the above processing were introduced into the software as thematic layers, and so one level of segmentation and eight levels of classification were created. The aim was to categorize the different characteristics of microcalcifications by means of the different classification levels and to identify ductal carcinoma in situ at the final classification level. The exact same procedures are followed in all the examined mammography images, as well as the same features and the same limits in the values ranges of the properties of the classes created at the classification stage in order to create a generalized methodology. Fuzzy membership functions were an essential tool for defining classes at all levels.The fuzzy intervals for each rule were chosen after a lot of investigation and demonstrated the great merit of fuzzy logic over strictly defined boundaries. Finally, the results of the method were evaluated both by comparing the results with the information provided by the database about the morphology, the distribution and the pathology of the calcifications, as well as by utilizing algorithms from the software which concern the stability of the classification (best classification result, classification stability) but also by using samples (TTA mask) and confusion matrices en
heal.advisorName Αργιαλάς, Δημήτριος el
heal.committeeMemberName Αργιαλάς, Δημητριος el
heal.committeeMemberName Κολοκούσης, Πολυχρόνης el
heal.committeeMemberName Πανουργιά, Ευαγγελία el
heal.academicPublisher Σχολή Αγρονόμων και Τοπογράφων Μηχανικών el
heal.academicPublisherID ntua
heal.fullTextAvailability true


Αρχεία σε αυτό το τεκμήριο

Οι παρακάτω άδειες σχετίζονται με αυτό το τεκμήριο:

Αυτό το τεκμήριο εμφανίζεται στην ακόλουθη συλλογή(ές)

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα Εκτός από όπου ορίζεται κάτι διαφορετικό, αυτή η άδεια περιγράφετε ωςΑναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα