Please use this identifier to cite or link to this item: http://hdl.handle.net/10889/10767
Title: An automated graphical probabilistic framework for the detection of lung tumors in thoracic CT scan images
Other Titles: Αυτοματοποιημένη κατάτμηση πνευμονικών όγκων σε ιατρικές εικόνες αξονικής τομογραφίας
Authors: Δαμόπουλος, Δημήτριος
Keywords: Lung nodule
Automatic segmentation
MRF
AdaBoost
Gabor filters
Keywords (translated): Πνευμονικοί όγκοι
Αυτοματοποιημένη κατάτμηση
Φίλτρα Gabor
Abstract: The subject of this thesis is the development of a automated graphical probabilistic framework to segment lung tumors from thoracic CT scan images. The feature space that we use to represent the images consists mostly of the responses of the initial images to convolution kernels of a Gabor lter bank. We are then constructing an AdaBoost strong classi er over a collection of simple decision trees. The output of our strong classi er is used to construct the unary potentials of a Markov Random Field (MRF) model, that improves our results by enforcing structure.
Abstract (translated): Το αντικείμενο αυτής της εργασίας είναι η ανάπτυξη μιας αυτοματοποιημένος τεχνικής για την κατάτμηση πνευμονικών οζιδίων από αξονικές τομογραφίες του θώρακα. Τα χαρακτηριστικά που χρησιμοποιήσαμε για να αναπαραστήσουμε τις εικόνες απαρτίζονται κυρίως από τις αποκρίσεις των αρχικών εικόνων έπειτα την συνέλιξή τους με τους πυρήνες μιας συλλογής φίλτρων τύπου Gabor. Έπειτα, χτίζουμε έναν ταξινομητή τύπου AdaBoost χρησιμοποιόντας απλά δέντρα αποφάσεων ως δομικά στοιχεία. Με βάση την έξοδο του ταξινομητή μας θέτουμε τα μοναδιαία δυναμικά ενός Μαρκοβιανού Τυχαιοκρατικού Πεδίου (Markov Random Field), το οποίο βελτιώνει τα αποτελέσματά μας με το να επιβάλει δομή στην τελικές πιθανοτικές εκτιμήσεις του μοντέλου.
Appears in Collections:Τμήμα Ιατρικής (ΜΔΕ)

Files in This Item:
File Description SizeFormat 
dimitrios-damopoulos-master.pdfΚυρίως κείμενο, περιγραφή τεχνικές, αποτελέσματα2.28 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.