Please use this identifier to cite or link to this item:
Title: Ανίχνευση νεοπλασιών σε ψηφιακή μαστογραφία με τεχνικές βαθείας μάθησης
Other Titles: Detection of tumors in digital mammography with deep learning techniques
Authors: Εμμανουηλίδης, Νεκτάριος
Keywords: Μηχανική μάθηση
Νευρωνικά δίκτυα
Συνελικτικά νευρωνικά δίκτυα
Καρκίνος μαστού
Keywords (translated): Machine learning
Neural networks
Convolutional neural networks
Breast cancer
Abstract: Σκοπός της παρούσας διπλωματικής εργασίας είναι η εύρεση ποιοτικής ερμηνείας των χαρακτηριστικών επιπέδων ενός νευρωνικού δικτύου που θα μπορεί να αναδείξει ότι τα νευρωνικά δίκτυα που είναι εκπαιδευμένα για την εύρεση του καρκίνου του μαστού σε μαστογραφίες είναι σε θέση να παράγουν επεξηγηματικές περιγραφές που μπορούν υποστηρίξουν τις τελικές αποφάσεις της ταξινόμησης. Αυτό το βλέπουμε ως ένα σημαντικό πρώτο βήμα προς την ερμηνεία των εσωτερικών αναπαραστάσεων ενός νευρωνικού δικτύου και την δικαιολόγηση των προβλέψεων του. Η υλοποίηση του συστήματος έγινε σε περιβάλλον Python χρησιμοποιώντας τη βιβλιοθήκη PyTorch. Το παρών σύστημα εκπαιδεύτηκε και αξιολογήθηκε χρησιμοποιώντας μία βάση δεδομένων που αποτελείται από ψηφιοποιημένες μαστογραφίες οι οποίες αρχικά καταγράφηκαν από αναλογικό μαστογράφο. Στο πρώτο κεφάλαιο παρατίθενται γενικά στοιχεία για την ανατομία και τη φυσιολογία του μαστού, την έκταση και τα είδη του καρκίνου του μαστού, τις αιτίες εμφάνισης, τις διαγνωστικές μεθόδους καθώς και κάποια σχετικά επιδημιολογικά στοιχεία. Στο δεύτερο κεφάλαιο παρουσιάζονται τα νευρωνικά δίκτυα και η λειτουργία τους, δίνοντας ιδιαίτερη έμφαση στα επίπεδα που απαρτίζουν τα συνελικτικά νευρωνικά δίκτυα και την διαδικασία εκπαίδευσης τους. Στο τρίτο κεφάλαιο παρουσιάζονται τα στάδια της πειραματικής διαδικασίας που ακολουθήθηκαν και γίνεται ανάλυση της αρχιτεκτονικής και της λειτουργίας του νευρωνικού δικτύου CNN, καθώς και της μεθόδου εξαγωγής των εσωτερικών αναπαραστάσεων. Στο τέταρτο και τελευταίο κεφάλαιο παρατίθενται τα αποτελέσματα των πειραμάτων που πραγματοποιήθηκαν, παρουσιάζονται τα συμπεράσματα που εξάγονται με βάση αυτά και γίνεται αναφορά σε δυνητικές βελτιώσεις.
Abstract (translated): The aim of this dissertation is to find a qualitative interpretation of the characteristic levels of a neural network that can show that neural networks trained to detect breast cancer on mammograms are able to produce explanatory descriptions that can support the final decisions of classification. We see this as an important first step towards interpreting the internal representations of a neural network and justifying its predictions. The system was implemented in a Python environment using the PyTorch library. The present system was trained and evaluated using a database consisting of digitized mammograms which were originally recorded by an analog mammogram. The first chapter provides general information on the anatomy and physiology of the breast, the extent and types of breast cancer, the causes, the diagnostic methods and some relevant epidemiological data. The second chapter presents the neural networks and their function, with particular emphasis on the levels of the cohesive neural networks and their training process. The third chapter presents the stages of the experimental process followed and analyzes the architecture and operation of the CNN neural network, as well as the method of extracting the internal representations. The fourth and last chapter presents the results of the experiments performed, presents the conclusions drawn based on them and mentions potential improvements.
Appears in Collections:Τμήμα Ηλεκτρολ. Μηχαν. και Τεχνολ. Υπολογ. (ΔΕ)

Files in This Item:
File Description SizeFormat 
Διπλωματική_1019300.pdf2.89 MBAdobe PDFView/Open

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