Αναγνώριση καρκινώματος.
Τumor recognition.
![Thumbnail](/bitstream/handle/20.500.12688/9013/SynapalosDimitrios2019.pdf.jpg?sequence=5&isAllowed=y)
View/ Open
Date
2019-02-15Author
Συνάπαλος, Δημήτριος
Synapalos, Dimitrios
Metadata
Show full item recordAbstract
Στην παρούσα εργασία ασχολείται με το ζήτημα του υπολογιστικά υποβοηθούμενου εντοπισμού και κατηγοριοποίησης καρκινικών όγκων σε μαστογραφίες. Με αφετηρία τις δημοσιεύσεις της βιβλιογραφίας εντοπίζονται οι τεχνικές και τεχνολογίες αιχμής οι οποίες θα χρησιμοποιήθούν στην συνέχεια για την υλοποίηση του συστήματος εντοπισμού. Χρησιμοποιώντας τη σουίτα εφαρμογών MathWorks MATLAB αξιοποιούνται τεχνικές ψηφιακής επεξεργασίας εικόνας ώστε η βάση δεδομένων που επιλέχθηκε να μετασχηματιστεί ανάλογα με τις απαιτήσεις της εργασίας και να ενισχυθεί η ποιότητα των δεδομένων. Στην συνέχεια γίνεται εκτενής αναφορά στα χαρακτηριστικά που διαθέτουν δημοφιλείς δομές βαθιών νευρωνικών δικτύων, χρησιμοποιούνται τεχνικές μεταφοράς γνώσης και επιχειρείτε η κατάλληλη παραμετροποίηση τους ώστε να αξιοποιηθούν στην υλοποίηση ανιχνευτών με χρήση της τεχνολογίας Faster R-CNN. Αφού γίνει παράθεση αποτελεσμάτων και επιλογή των κατάλληλων τιμών παραμέτρων εκπαίδευσης, τα δίκτυα που εμφάνισαν τα ικανότερα αποτελέσματα υφίστανται περαιτέρω επεξεργασία και δομικό επανασχεδιασμό με σκοπό την επίτευξη της μέγιστης δυνατής απόδοσης. Ολοκληρώνοντας την εργασία, γίνεται ανάλυση της επιρροής που επιφέρει η επανεκπαίδευση των δικτύων στην απόδοσή τους και παρατίθενται τα σχετικά αποτελέσματα. The presented project, engages the topic of computer assisted detection and categorization of cancerous masses in mammograms. Starting on the cited papers, the cutting-edge techniques and technologies are mentioned and summarily applied in the construction of the detector.
Use of the MathWorks MATLAB suite and digital image processing technics allows the transformation of the selected database into a suitable and helpful form, as well as, enhancing data quality.
Following is extensive mention of the characteristics embodied in popular Deep Neural Network structures, the application of Transfer Learning techniques and the necessary parameterization in order to apply said structures in producing Faster R-CNN based detectors.
After presenting and selecting the appropriate training parameters, the networks offering prime results undergo further elaboration and structural redesign in order to achieve the best returns.
Finalizing the project, an analysis of the influence of detector retraining on performance and associated results.
Collections
The following license files are associated with this item:
This website uses cookies to ensure you get the best browsing experience.
Continue
More info