Ανάλυση ιατρικής εικόνας από μαστογραφίες με χρήση αλγορίθμων μηχανικής μάθησης

Ντιμπ, Αντώνιος; Ntib, Antonios

dc.contributor.author	Ντιμπ, Αντώνιος	el
dc.contributor.author	Ntib, Antonios	en
dc.date.accessioned	2022-06-16T10:49:35Z
dc.date.available	2022-06-16T10:49:35Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/55291
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.22989
dc.rights	Default License
dc.subject	Μαστογραφία	el
dc.subject	Μαγνητική τομογραφία	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Καρκίνος του μαστού	el
dc.subject	Γραμμική παρεμβολή	el
dc.subject	Mammography	en
dc.subject	Linear regression	en
dc.subject	Breast cancer	en
dc.subject	Artificial intelligence	en
dc.subject	MRI	en
dc.subject	MATLAB	en
dc.title	Ανάλυση ιατρικής εικόνας από μαστογραφίες με χρήση αλγορίθμων μηχανικής μάθησης	el
dc.title	Medical image analysis from mammograms using machine learning algorithms	en
heal.type	bachelorThesis
heal.classification	Μηχανική μάθηση	el
heal.classification	Βιοιατρική	el
heal.classification	Προγραμματισμός	el
heal.classification	Τεχνητή νοημοσύνη	el
heal.classification	Machine learning	en
heal.classification	Artificial intelligence	en
heal.classification	Programming	en
heal.classification	Biomedicine	en
heal.language	el
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2022-02-23
heal.abstract	Για την απεικόνιση ύποπτων βλαβών σε ασθενείς με όγκους στο μαστό χρησιμοποιούνται οι μαγνητικές τομογραφίες. Οι θεράποντες ιατροί εξάγουν πληροφορίες από τις απεικονίσεις σχετικά με την βλάβη που παρουσιάζεται στο εκάστοτε ασθενή και αφού κάνουν βιοψία στον όγκο αποφαίνονται για τον τύπο του καρκίνου. Σκοπός της παρούσας διπλωματικής είναι η δημιουργία αλγορίθμων με χρήση μηχανικής μάθησης για την πρόβλεψη ιστολογικών δεικτών για ασθενείς που έχουν καρκίνο του μαστού ώστε με περαιτέρω ανάπτυξη τους να μπορούν οι θεράποντες ιατροί να εξάγουν τα αποτελέσματα αυτών των δεικτών χωρίς να εκτελούν την βιοψία. Λαμβάνοντας μέρη πληροφοριών που εξήχθησαν από τις μαγνητικές τομογραφίες έγιναν διάφορες προσπάθειες με στόχο την πρόβλεψη αυτών των δεικτών αυτών με όσον το δυνατόν μεγαλύτερη ακρίβεια. Έτσι λοιπόν γράφτηκαν πέντε αλγόριθμοι σε ΜATLAB κάνοντας χρήση της γραμμικής παρεμβολής αφού πρώτα τα δεδομένα ταξινομήθηκαν με όσο τον δυνατόν πιο αποδοτικό τρόπο ώστε ο αλγόριθμος να εκπαιδευτεί σε δεδομένα με την μεγαλύτερη δυνατή ποικιλία περιστατικών. Αφού έγιναν διάφορες προσπάθειες τα αποτελέσματα ήταν ικανοποιητικά για τους τέσσερις από τους πέντε δείκτες.	el
heal.abstract	MRI scans are used to show suspicious lesions in patients with breast tumors. The treating physicians extract information from the imaging about the damage that occurs in each patient and after doing a biopsy on the tumor, they decide on the type of cancer. The purpose of this dissertation is to create algorithms using machine learning to predict histological markers for patients with breast cancer so that with their further development the treating physicians can extract the results of these markers without performing the biopsy. Taking parts of the information extracted from the MRI scans, various attempts were made to predict these indicators as accurately as possible. Five algorithms were written in MATLAB using linear interpolation. Before the execution of the linear interpolation the data were sorted in the most efficient way possible so that the algorithm was trained in data with the greatest possible variety of patient cases. After several attempts, the results were satisfactory for four out of five markers.	en
heal.advisorName	Κουτσούρης, Δημήτριος - Διονύσιος	el
heal.advisorName	Πετροπούλου, Ουρανία	el
heal.committeeMemberName	Κουτσούρης, Δημήτριος - Διονύσιος	el
heal.committeeMemberName	Ματσόπουλος, Γιώργος	el
heal.committeeMemberName	Τσανάκας, Παναγιώτης	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	122 σ.	el
heal.fullTextAvailability	false
heal.fullTextAvailability	false