Εξαγωγή χαρακτηριστικών μαστογραφικών μαζών και σύγκριση της
διακριτικής τους ικανότητας κατά την ταξινόμηση με χρήση τεχνικών
μηχανικής μάθησης

Τζαβέλλα, Κωνσταντίνα; Tzavella, Konstantina

dc.contributor.author	Τζαβέλλα, Κωνσταντίνα	el
dc.contributor.author	Tzavella, Konstantina	en
dc.date.accessioned	2015-09-30T10:33:12Z
dc.date.available	2015-09-30T10:33:12Z
dc.date.issued	2015-09-30
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/41355
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.9933
dc.rights	Default License
dc.subject	Σύστημα υποβοηθούμενης διάγνωσης	el
dc.subject	Μαστογραφία	el
dc.subject	Μηχανές υποστήριξης διανυσμάτων	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Ταξινομητής k-κoντινότερων γειτόνων	el
dc.subject	Computer aided diagnosis system	en
dc.subject	Mammography	el
dc.subject	Support vector machines	en
dc.subject	Neural networks	en
dc.subject	k-nearest neighbors algorithm	en
dc.title	Εξαγωγή χαρακτηριστικών μαστογραφικών μαζών και σύγκριση της διακριτικής τους ικανότητας κατά την ταξινόμηση με χρήση τεχνικών μηχανικής μάθησης	el
heal.type	bachelorThesis
heal.classification	Επεξεργασία ιατρικής εικόνας	el
heal.classification	Μηχανική μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2015-07-24
heal.abstract	Τα τελευταία χρόνια ο καρκίνος του μαστού εξελίσσεται στην κυριότερη αιτία θανάτου για τις γυναίκες παγκοσμίως. Είναι ήδη ο πιο κοινός τύπος καρκίνου για τις γυναίκες. Παρόλα αυτά η έγκαιρη και έγκυρη διάγνωσή του μπορεί να οδηγήσει στην αποτελεσματική του θεραπεία. Η πιο σημαντική ως τώρα μέθοδος διάγνωσης είναι η Μαστογραφία λόγω της αποτελεσματικότητας και αξιοπιστίας της. Ωστόσο, ο εντοπισμός της βλάβης, ο υπολογισμός της πιθανότητας κακοήθειας και η κατηγοριοποίησή της σε καλοήθεια ή κακοήθεια είναι ένα πολύ δύσκολο εγχείρημα ακόμα και για έμπειρους ακτινολόγους. Για τον λόγο αυτό, τα τελευταία χρόνια πολλά συστήματα υποβοηθούμενης διάγνωσης (CADx) αναπτύχθηκαν με σκοπό να βοηθήσουν τους ακτινολόγους στην διάγνωση της ασθένειας. Ο σκοπός της παρούσας διπλωματικής εργασίας είναι η ανάπτυξη μεθοδολογιών που μπορούν να χρησιμοποιηθούν σε ένα αυτόματο σύστημα υποβοηθούμενης διάγνωσης (CADx) για μάζες που εντοπίζονται σε μαστογραφικές εικόνες. Οι μεθοδολογίες ελέγχονται σε μεγάλο πλήθος μαστογραφιών από τη βάση μαστογραφιών DDSM ώστε να έχουμε όσο το δυνατόν πιο αξιόπιστα αποτελέσματα. Συγκεκριμένα, συγκρίναμε τρεις ομάδες χαρακτηριστικών μαστογραφικών μαζών ως προς τη διακριτική τους ικανότητα στην ταξινόμηση μαζών διαφορετικής πυκνότητας και διακριτικότητας. Παράλληλα, συγκρίναμε τις επιδόσεις τριών από τους πιο δημοφιλείς ταξινομητές, SVM, Νευρωνικό Δίκτυο και ταξινομητή k-NN. Τα αποτελέσματα ήταν ενθαρρυντικά αφού το συνολικό ποσοστό ακρίβειας για τις 1214 Περιοχές Ενδιαφέροντος έφτασε το 72.82% ενώ σε κάποια υποσύνολα το 87.57%.	el
heal.advisorName	Νικήτα, Κωνσταντίνα	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας	el
heal.committeeMemberName	Κουτσούρης, Δημήτριος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	83 σ.
heal.fullTextAvailability	true