Please use this identifier to cite or link to this item:
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorΝΙΚΟΥ, ΧΡΙΣΤΟΦΟΡΟΣ-
dc.contributor.authorΛΕΝΤΗ, ΕΥΓΕΝΙΑ-
dc.description.abstractΟ στόχος της παρούσας πτυχιακής εργασίας είναι η βιβλιογραφική επισκόπηση και η περαιτέρω έρευνα της εφαρμογής συνελικτικών νευρωνικών δικτύων (CNNs) για τον εντοπισμό πυρήνων κυττάρων σε ιατρικές εικόνες Test Pap. Ο καρκίνος του τραχήλου της μήτρας αποτελεί την τέταρτη πιο θανατηφόρα μορφή καρκίνου στις γυναίκες. Ωστόσο, μπορεί να διαγνωστεί στα πρώτα στάδια της ανάπτυξής του, με μικροσκοπική αξιολόγηση επιχρίσματος συλλεγμένου από το εξωτερικό τμήμα του τραχήλου από εξειδικευμένους ιατρούς. Επειδή η διαδικασία αυτή είναι ιδιαιτέρως επίπονη και χρονοβόρα, τα τελευταία χρόνια γίνεται προσπάθεια αυτοματοποίησης της διαδικασίας. Ο αυτόματος εντοπισμός των πυρήνων είναι ένα δύσκολο πρόβλημα καθώς εξαρτάται, μεταξύ άλλων, από την τεχνική χρωματισμού, τις συνθήκες προετοιμασίας του ιστού, την ύπαρξη επικαλυπτόμενων κυττάρων καθώς και κυττάρων σε συστάδες. Η ραγδαία ανάπτυξη της βαθιάς μάθησης οδήγησε στην εφαρμογή μεθόδων βασισμένες σε συνελικτικά νευρωνικά δίκτυα. Η ικανότητα της υψηλής αφαιρετικότητας των βαθέων νευρωνικών δικτύων σε συνδυασμό με τη σωστή παραμετροποίησή τους, μπορεί να επιφέρει αξιοσημείωτα αποτελέσματα στην επίλυση αυτού του δύσκολου προβλήματος. Στο πλαίσιο της εργασίας αυτής, μελετήθηκε η σχετική βιβλιογραφία, υλοποιήθηκε μία τεχνική εντοπισμού πυρήνων και έγινε διερεύνηση για τη δυνατότητα βελτίωσής της. Η υλοποίηση της τεχνικής έγινε με τη γλώσσα προγραμματισμού Python και χρησιμοποιήθηκε το framework Keras με TensorFlow backend.el_GR
dc.format.mediumΗλεκτρονικό Αρχείο - Digital Fileel_GR
dc.publisherΕλληνικό Ανοικτό Πανεπιστήμιο / Hellenic Open Universityel_GR
dc.relationΤεχνητά Νευρωνικά Δίκτυα – Εφαρμογές / Α. Λύκαςel_GR
dc.subjectμηχανική μάθησηel_GR
dc.subjectβαθειά μάθησηel_GR
dc.subjectεντοπισμός πυρήνωνel_GR
dc.subjectσυνελικτικά νευρωνικά δίκτυαel_GR
dc.subjectανάλυση εικόναςel_GR
dc.titleΕντοπισμός πυρήνων κυττάρων σε εικόνες Test Pap με Συνελικτικά Νευρωνικά Δίκτυαel_GR
dc.typeΠτυχιακή Εργασία / Undergraduate Dissertationel_GR
dc.title.titlelatinCell nuclei detection in Pap Smear images with Convolutional Neural Networksel_GR
dc.description.abstractlatinThe main purpose of the present BSc Thesis is to review the literature and further research on the application of convolutional neural networks (CNNs) for the detection of cell nuclei in medical Pap Test images. Cervical cancer is the fourth deadliest form of cancer in women. However, it can be diagnosed in early stage of development by microscopic evaluation of smear collected from the outside of the cervix by specialized physicians. Due to the fact that this process is rather laborious and time consuming, there have been made efforts in order to automate the process. Automatic nuclei detection is a difficult task as it depends, among others, on the coloring technique, the tissue preparation conditions, the presence of overlapping cells and cells in clusters. The rapid development of deep learning has led to the application of methods based on convolutional neural networks. The ability of high abstraction of deep neural networks combined with proper configuration, can deliver remarkable results in solving this difficult task. As part of this work, the relevant literature was studied, a nuclei detection technique was implemented and its potential for improvement was investigated. The specific technique was implemented with the Python programming language and the Keras framework (with TensorFlow backend).el_GR
dc.audienceΠΛΗΡΟΦΟΡΙΚΗ / ΠΛΗ40el_GR
dc.description.otherΠεριέχει: εικόνες/σχήματα, πίνακες/διαγράμματα, συντομογραφίες, ακρωνύμιαel_GR
dc.contributor.advisor1ΧΑΤΖΗΛΥΓΕΡΟΥΔΗΣ, ΙΩΑΝΝΗΣ-
dc.contributor.advisor2ΑΝΑΓΝΩΣΤΟΠΟΥΛΟΣ, ΧΡΗΣΤΟΣ-
Appears in Collections:ΠΛΗ40 Πτυχιακές Εργασίες

Files in This Item:
File Description SizeFormat 
95024_ΛΕΝΤΗ_ΕΥΓΕΝΙΑ.zipΚυρίως σώμα πτυχιακής εργασίας, παρουσίαση πτυχιακής εργασίας2.83 MBCompressed (zipped) folderView/Open

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