Ταξινόµηση μελαγχρωµατικών βλαβών με
μεθόδους μηχανικής μάθησης

Λαδάκης, Γεώργιος

dc.contributor.author	Λαδάκης, Γεώργιος	el
dc.date.accessioned	2020-12-21T09:15:49Z
dc.date.available	2020-12-21T09:15:49Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/52631
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.20329
dc.rights	Default License
dc.subject	Τεχνητή νοηµοσύνη	el
dc.subject	Βαθιά μάθηση	el
dc.subject	Ταξινόµηση	el
dc.subject	Συνελικτικά νευϱωνικά δίκτυα	el
dc.subject	Μελάνωµα	el
dc.subject	VGG	en
dc.subject	Resnet	en
dc.subject	Efficientnet	en
dc.subject	Transfer learning	en
dc.subject	Melanoma	en
dc.title	Ταξινόµηση μελαγχρωµατικών βλαβών με μεθόδους μηχανικής μάθησης	el
dc.contributor.department	Εργαστήριο Τεχνητής Νοηµοσύνης και Συστηµάτων Μάθησης	el
heal.type	bachelorThesis
heal.classification	Πληροφορική	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-09-10
heal.abstract	Την τελευταία δεκαετία οι εξελίξεις στον κλάδο της Τεχνητής Νοηµοσύνης (Artificial Intelligence) παρουσιάζουν εκθετική αύξηση. Η διεύρυνση του όγκου δεδοµένων σε συνδυασµό µε την σηµαντική ανάπτυξη των υπολογιστικών πόρων δηµιούργησαν γόνιµο έδαφος για την άνθηση της Βαθιάς Μάθησης (Deep Learning) και εν συνεχεία της ΄Ορασης Υπολογιστών (Computer Vision). ΄Ενα πολλά υποσχόµενο παρακλάδι της ΄Ορασης Υπολογιστών αφορά την υποβοηθούµενη διάγνωση (computer-aided diagnosis) µε την χρήση ιατρικών εικόνων. Σε συνέχεια των παραπάνω, αποφασίσαµε να ασχοληθούµε µε την ταξινόµηση µελαγχρωµατικών ϐλαβών ως καλοήθεις ή κακοήθεις µε την χρήση Συνελικτικών Νευρωνικών ∆ικτύων (Convolutional Neural Networks - CNNs). Σκοπός της παρούσας διπλωµατικής εργασίας είναι η µελέτη των δοµικών στοιχείων των CNNs, η ανάλυση των µεθόδων εκπαίδευσης και αξιολόγησης τους, καθώς και η παρουσίαση των σηµαντικότερων CNN αρχιτεκτονικών. Στη συνέχεια, ακολουθεί η υλοποίηση και ϐελτιστοποίηση µοντέλων µε στόχο την επίτευξη της καλύτερης δυνατής απόδοσης για το συγκεκριµένο πρόβληµα. Τα δεδοµένα για την υλοποίηση των εν λόγω µοντέλων λήφθηκαν από τον διαγωνισµό “ISIC Challenge 2016 - Task 3: Lesion Classification”. Με τη χρήση state-of-the-art αρχιτεκτονικών και µεθόδων Βαθιάς Μάθησης καταφέραµε να ξεπεράσουµε τις επιδόσεις των νικητών του διαγωνισµού. Τέλος, καταλήγουµε σε ορισµένα συµπεράσµατα ενώ προτείνουµε κατευθύνσεις για την περαιτέρω ϐελτίωση της επίδοσης των µοντέλων.	el
heal.advisorName	Σταφυλοπάτης, Ανδρέας - Γεώργιος	el
heal.committeeMemberName	Νικήτα, Κωνσταντίνα	el
heal.committeeMemberName	Στάµου, Γεώργιος	el
heal.committeeMemberName	Ανδρέας - Γεώργιος, Σταφυλοπάτης	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών. Εργαστήριο Συστημάτων Τεχνητής Νοημοσύνης και Μάθησης	el
heal.academicPublisherID	ntua
heal.fullTextAvailability	false