Please use this identifier to cite or link to this item: http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/16842
Full metadata record
DC FieldValueLanguage
dc.contributor.authorΔουκάκης Ευάγγελος Παναγιώτης
dc.date.accessioned2018-07-23T19:12:41Z-
dc.date.available2018-07-23T19:12:41Z-
dc.date.issued2014-3-13
dc.date.submitted2014-1-13
dc.identifier.urihttp://artemis-new.cslab.ece.ntua.gr:8080/jspui/handle/123456789/16842-
dc.description.abstractΤο μελάνωμα είναι η πιο επικίνδυνη μορφή καρκίνου του δέρματος η οποία παρουσιάζει υψηλά ποσοστά θνησιμότητας κυρίως λόγω μεταστατικών όγκων. Η αναγνώριση και κατηγοριοποίηση των μελανωμάτων αποτελεί επίκεντρο μεγάλου αριθμού ερευνών τα τελευταία χρόνια λόγω της σημαντικότητας της έγκαιρης διάγνωσης του.Οι δερματολόγοι σήμερα χρησιμοποιούν εμπειρικούς αλγορίθμους για την αναγνώριση επικίνδυνων δερματοπαθειών ώστε να απλουστεύσουν και να επιταχύνουν την διάγνωση των μελανωμάτων. Αυτοί οι αλγόριθμοι βασίζονται στα μακροσκοπικά χαρακτηριστικά της δερματοπάθειας και ως εκ τούτου είναι άμεσοι και εντελώς μη-επεμβατικοί. Ο πιο διαδεδομένος τέτοιος αλγόριθμος είναι ο ABCD(Ε) που μετράει την ασυμμετρία, τα δαντελωτά όρια, το χρώμα, την διάμετρο και την χώρο-χωρική εξέλιξη της δερματοπάθειας.Το αντικείμενο της παρούσας εργασίας είναι η δημιουργία μιας έξυπνης εφαρμογής ανάλυσης ψηφιακών εικόνων σε περιβάλλον MATLAB η οποία να επεξεργάζεται εικόνες δερματοπαθειών και να τις κατηγοριοποιεί με βαθμό επικινδυνότητας για μελάνωμα ανάλογα με τα μορφολογικά τους χαρακτηριστικά. Η εφαρμογή υλοποιεί αυτόματα την προ-επεξεργασία και την κατάτμηση της εικόνας, καθώς και την μέτρηση των μορφολογικών χαρακτηριστικών της βλάβης. Στη συνέχεια, μετά από κατάλληλη εκπαίδευση του συστήματος, κατηγοριοποιεί την εικόνα σε μελανωματική ή μη μελανωματική. Το σύστημα το οποίο αναπτύχθηκε αναμένεται να υποβοηθήσει το δερματολόγο στη διάγνωση του μελανώματος, να εξοικονομήσει πολύτιμο ιατρικό χρόνο αλλά και να χρησιμοποιηθεί για εκπαιδευτικούς λόγους.Για την κατάτμηση μελετήθηκαν δύο αλγόριθμοι: η στατιστική συγχώνευση περιοχών (Statistical Region Merging) SRM, και ο αλγόριθμος Watershed. Συγκεκριμένα μετρήθηκαν τα ποσοστά ακρίβειας κατάτμησης και ταχύτητας των αλγορίθμων. Για την κατηγοριοποίηση αναπτύχθηκε και εκπαιδεύτηκε σύστημα ασαφή συμπερασμού βασισμένο σε προσαρμοστικό δίκτυο (Adaptive-Network-Based Fuzzy Inference System - ANFIS).Αποδείχτηκε πως σε ένα αρκετά μεγάλο εύρος διαφορετικών εικόνων δερμοσκοπίου και φωτογραφικής μηχανής, οι επιτυχείς κατατμήσεις του αλγορίθμου SRM έφτασαν το 74% ενώ του Watershed το 84%. Ακόμα, για το αυτόματο σύστημα κατηγοριοποίησης επιτεύχθηκε συνολική ακρίβεια κατηγοριοποίησης accuracy = 87%, sensitivity = 94% και specificity = 91%, χρησιμοποιώντας ανεξάρτητα δεδομένα εκπαίδευσης και δεδομένα αξιολόγησης.
dc.languageGreek
dc.subjectμελάνωμα
dc.subjectκαρκίνος του δέρματος
dc.subjectabcd
dc.subjectabcde
dc.subjectεπεξεργασία ει- κόνας
dc.subjectκατάτμηση εικόνας
dc.subjectέξυπνο σύστημα κατηγοριοποίησης επικιν- δυνότητας
dc.subjectstatistical region merging
dc.subjectwatershed
dc.subjectmatlab
dc.titleΑυτοματοποιημένο Σύστημα Ψηφιακής Ανάλυσης Μακροσκοπικών Εικόνων Μελανωμάτων
dc.typeDiploma Thesis
dc.description.pages116
dc.contributor.supervisorΓιόβα Διδώ
dc.departmentΤομέας Ηλεκτρομαγνητικών Εφαρμογών Ηλεκτροοπτικής & Ηλεκτρονικών Υλικών
dc.organizationΕΜΠ, Τμήμα Ηλεκτρολόγων Μηχανικών & Μηχανικών Υπολογιστών
Appears in Collections:Διπλωματικές Εργασίες - Theses

Files in This Item:
File SizeFormat 
DT2014-0078.pdf4.26 MBAdobe PDFView/Open


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