Μηχανική Μάθηση με συνελικτικά νευρωνικά δίκτυα σε Tensorflow Keras με εφαρμογές στην ταξινόμηση βιοϊατρικών δεδομένων

Machine learning with convolutional neural networks on Tensorflow Keras with applications on biomedical image classification (Αγγλική)

  1. MSc thesis
  2. ΧΡΗΣΤΟΣ ΡΑΠΤΗΣ
  3. Βιοπληροφορική και Νευροπληροφορική (ΒΝΠ)
  4. 17 Φεβρουαρίου 2024
  5. Ελληνικά
  6. 175
  7. ΑΔΑΜΟΠΟΥΛΟΣ, ΑΔΑΜ
  8. ΒΡΑΧΑΤΗΣ, ΑΡΙΣΤΕΙΔΗΣ | ΒΛΑΜΟΣ, ΠΑΝΑΓΙΩΤΗΣ
  9. Μηχανική Μάθηση, συνελικτικά νευρωνικά δίκτυα, tensorflow, keras, ταξινόμηση εικόνων, βιοϊατρικές εικόνες, test pap εικόνες, λευκά αιμοσφαίρια, ακτινογραφία θώρακος, μαγνητική τομογραφία εγκεφάλου.
  10. Βιοπληροφορική και Νευροπληροφορική
  11. 2
  12. 16
  13. περιλαμβάνονται εικόνες και πίνακες
    • Η παρούσα εργασία εξέτασε την χρήση των συνελικτικών νευρωνικών δικτύων στην πλατφόρμα Tensorflow (με το API Keras) για την ανάπτυξη μοντέλων με σκοπό την ταξινόμηση διάφορων ειδών βιοϊατρικών εικόνων. Εξετάστηκαν βιοϊατρικές εικόνες από κυτταρολογικά δεδομένα σε πλακίδια που έχουν μικροσκοπηθεί, ακτινογραφίες θώρακος (ενηλίκων και παιδιών) καθώς και μαγνητικές τομογραφίες εγκεφάλου. Οι βιοϊατρικές εικόνες ελέγχθηκαν σε σετ από διάφορους συνδυασμούς κλάσεων και αναλύσεων. Επίσης ελέγχθηκε επαυξημένο σετ εικόνων. Τα μοντέλα αναπτύχθηκαν αφού έγιναν δοκιμές σε σχέση με το μέγεθος των δικτύων, τις τιμές των παραμέτρων και τις μεθόδους των δικτύων, τις διαφορετικές αναλύσεις των εικόνων, το πλήθος των εικόνων καθώς και τον αριθμό και το είδος των κλάσεων. Τα μοντέλα εμφάνισαν μεγάλη ακρίβεια εκτίμησης της σωστής κλάσης των εικόνων ακόμα και σε περίπτωση που το αρχικό είδος εικόνας (περίπτωση ακτινογραφίας θώρακος) δεν μπορεί να διαχωρήσει σαφώς μια συγκεκριμένη κατηγορία παθολογίας.

    • This MSc thesis examined the use of Convolutional Neural Networks on Tensorflow (with Keras) for model development with the objective of biomedical image classification. Microscope extracted cytological images were examined along with Chest X-rays (adult and pediatrical) and MRI Brainscans. The Biomedical images were examined in various sets, class combinations and resolutions. An augmented image set was also examined. Models were developed after they were tested and tuned in relation to their network size, parameter values and network methods, image resolution, image number, multiple and genre of class. The final models showed high accuracy on validation images and external validation images and moderate to high accuracy on genre of images (chest X-rays case) that cannot clearly give the full pathology of the target.

  14. Hellenic Open University
  15. Αναφορά Δημιουργού-Μη Εμπορική Χρήση 4.0 Διεθνές