HEAL DSpace

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

DSpace/Manakin Repository

Show simple item record

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


Files in this item

This item appears in the following Collection(s)

Show simple item record