Please use this identifier to cite or link to this item: http://hdl.handle.net/10889/14176
Full metadata record
DC FieldValueLanguage
dc.contributor.authorΜαρκουλής, Κωνσταντίνος-
dc.contributor.otherMarkoulis, Konstantinos-
dc.date.accessioned2020-11-18T20:45:46Z-
dc.date.available2020-11-18T20:45:46Z-
dc.date.copyright2020-11-09-
dc.identifier.urihttp://hdl.handle.net/10889/14176-
dc.description.abstractΟ καρκίνος του μαστού αποτελεί σοβαρή απειλή και μία από τις μεγαλύτερες αιτίες θανάτου γυναικών σε όλο τον κόσμο. Η διάγνωσή του εξαρτάται σε μεγάλο βαθμό από την ανάλυση των ψηφιακών βιοϊατρικών εικόνων, όπως οι ιστοπαθολογικές, από γιατρούς, η διερεύνηση των οποίων απαιτεί εξειδικευμένη γνώση. Προς αυτή την κατεύθυνση, οι τεχνικές Computer Aided Diagnosis (CAD) μπορούν να βοηθήσουν τον γιατρό να λάβει πιο αξιόπιστες αποφάσεις. Αντικείμενο της παρούσας διπλωματικής εργασίας, λοιπόν, αποτελεί η σχεδίαση, η ανάπτυξη και η αξιολόγηση συνελικτικών νευρωνικών δικτύων με σκοπό την ταξινόμηση ιστοπαθολογικών εικόνων καρκίνου του μαστού σε καλοήθη ή κακοήθη όγκο. Το σύνολο δεδομένων που τροφοδοτεί τα δίκτυα πρόκειται για το BreakHis, το οποίο αποτελείται από 4 υποσύνολα, ανάλογα με τον παράγοντα μεγέθυνσης των εικόνων (40x, 100x, 200x και 400x). Πιο συγκεκριμένα, ύστερα από μία σειρά πειραμάτων, προτείνονται 4 συνελικτικά νευρωνικά δίκτυα, τα οποία παρουσιάζουν τη βέλτιστη απόδοση για τον κάθε μεγεθυντικό παράγοντα, καθώς και ποιο από αυτά εφαρμόζει καλύτερα και στα 4 υποσύνολα. Επιπλέον, εφαρμόστηκε η αρχιτεκτονική ResNet-50, η οποία πρόκειται για ένα συνελικτικό νευρωνικό δίκτυο εκπαιδευμένο στο σύνολο δεδομένων ImageNet, στον εκάστοτε παράγοντα μεγέθυνσης. Για την αξιολόγηση της απόδοσης των προτεινόμενων δικτύων χρησιμοποιήθηκαν ορισμένες μετρικές παράμετροι, έτσι ώστε να εξεταστεί εκτενώς η ικανότητα των δικτύων να ταξινομούν με όσο το δυνατόν μεγαλύτερη ακρίβεια τις εικόνες στη σωστή κλάση.el
dc.description.abstractBreast cancer is a serious threat and one of the largest causes of death of women throughout the world. The identification of cancer largely depends on digital biomedical photography analysis, such as histopathological images, by doctors, the investigation of which requires specialised knowledge. Towards this direction, Computer Aided Diagnosis (CAD) techniques can help the doctor make more reliable decisions. The scope of the present thesis, therefore, is the design, development and evaluation of convolutional neural networks, so as to classify histopathological breast cancer images into benign or malignant tumor. The networks are fed with BreakHis dataset, which consists of 4 subsets, depending on the image magnifying factor (40x, 100x, 200x and 400x). Particularly, after many experiments, 4 convolutional neural networks with the best performance achieved for each magnifying factor are proposed, as well as which of them best fits for the 4 image subsets. In addition, ResNet-50, a convolutional neural network trained on ImageNet dataset, was applied to each magnification. In order to evaluate the proposed networks’ performance, a number of metrics were used. Within the framework of several experiments, the networks have been tested against their ability to classify images into the correct class as accurately as possible.-
dc.language.isogrel
dc.subjectΚαρκίνος μαστούel
dc.subjectΜηχανική μάθησηel
dc.subjectΒαθιά μάθησηel
dc.subjectΤεχνητά νευρωνικά δίκτυαel
dc.subjectΣυνελικτικά νευρωνικά δίκτυαel
dc.titleΤαξινόμηση ιστοπαθολογικών εικόνων καρκίνου του μαστού με χρήση συνελικτικών νευρωνικών δικτύωνel
dc.title.alternativeClassification of histopathological breast cancer images using convolutional neural networksel
dc.subject.alternativeBreast cancerel
dc.subject.alternativeMachine learningel
dc.subject.alternativeDeep learningel
dc.subject.alternativeArtificial neural networksel
dc.subject.alternativeConvolutional neural networks (CNNs)el
dc.subject.alternativeResNet-50el
dc.subject.alternativeBreakHisel
dc.degreegraduateThesisel
datacite.rightshttp://purl.org/coar/access_right/c_abf2el
oaire.licenseConditionnullel
datacite.contributor.SupervisorΘωμάς Παπαστεργίου-
Appears in Collections:Τμήμα Μηχανικών Η/Υ και Πληροφορικής (ΔΕ)

Files in This Item:
File Description SizeFormat 
Διπλωματική Εργασία - Μαρκουλής Κωνσταντίνος.pdf3.43 MBAdobe PDFView/Open


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