Κατηγοριοποίηση ιστοπαθολογικών εικόνων καρκίνου του μαστού με τεχνικές μηχανικής μάθησης

Στραϊτούρη, Ελένη; Straitouri, Eleni

dc.contributor.author	Στραϊτούρη, Ελένη	el
dc.contributor.author	Straitouri, Eleni	en
dc.date.accessioned	2020-12-18T07:00:32Z
dc.date.available	2020-12-18T07:00:32Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/52584
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.20282
dc.rights	Default License
dc.subject	Μηχανική μάθηση	el
dc.subject	Μεταφορά μάθησης	el
dc.subject	Επιβλεπόμενη μάθηση	el
dc.subject	Καρκίνος του μαστού	el
dc.subject	Βαθιά συνελικτικά νευρωνικά δίκτυα	el
dc.subject	Machine learning	en
dc.subject	Transfer learning	en
dc.subject	Supervised learning	en
dc.subject	Breast cancer	en
dc.subject	Deep convolutional neural networks	el
dc.title	Κατηγοριοποίηση ιστοπαθολογικών εικόνων καρκίνου του μαστού με τεχνικές μηχανικής μάθησης	el
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-11-24
heal.abstract	Η νευραλγική σημασία της έγκαιρης κι έγκυρης διάγνωσης για την επιτυχή αντιμετώπιση πολύ σοβαρών ασθενειών, όπως ο καρκίνος του μαστού, έχει στρέψει ένα μεγάλο μέρος του ερευνητικού ενδιαφέροντος στην ανάπτυξη ευφυών συστημάτων υποβοήθησης ιατρικής διάγνωσης. Ειδικά για τη διάγνωση καρκίνου του μαστού μέσω της διαδικασίας της βιοψίας, όπου ύποπτα δείγματα ιστών εξετάζονται σε μικροσκόπιο, το πρόβλημα της ανάπτυξης ενός τέτοιου συστήματος υποβοήθησης, ως πρόβλημα μηχανικής μάθησης ανάγεται στο ευρύτερο πρόβλημα της κατηγοριοποίησης εικόνων. Σε αυτό το πλαίσιο, αντικείμενο της παρούσας διπλωματικής εργασίας αποτελεί η μελέτη του προβλήματος αυτού, δηλαδή της κατηγοριοποίησης ιστοπαθολογικών εικόνων μικροσκοπίας καρκίνου του μαστού, με την εφαρμογή τεχνικών μηχανικής μάθησης και συγκεκριμένα με την εφαρμογή μεταφοράς μάθησης, σε πολυεπίπεδες συνελικτικές αρχιτεκτονικές διαφορετικών τεχνοτροπιών. Εξετάζονται διαφορετικές πτυχές του προβλήματος και συγκεκριμένα συγκρίνεται η επίδοση όλων των υπό μελέτη αρχιτεκτονικών για το πρόβλημα της κατηγοριοποίησης τόσο σε δύο όσο και περισσότερες κλάσεις, ενώ ακόμη αξιολογείται η επίδοσή τους σε δεδομένα ίδιας αλλά και διαφορετικής μεγέθυνσης, μελετώντας παράλληλα και την εφαρμογή τεχνικών επαύξησης δεδομένων για τα δεδομένα κοινής μεγέθυνσης. Από τα εξαιρετικά πειραματικά αποτελέσματα για το δυαδικό πρόβλημα, προέκυψε πράγματι ότι η μεταφορά μάθησης μπορεί να εφαρμοστεί επιτυχώς για τη δημιουργία ενός συστήματος υποβοήθησης ιατρικής διάγνωσης με υψηλή αξιοπιστία.	el
heal.advisorName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Κόλλιας, Στέφανος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	70 σ.	el
heal.fullTextAvailability	false