Αναγνώριση ευρημάτων ιατρικής μικροσκοπικής εικόνας με χρήση τεχνικών μηχανικής μάθησης.
Φόρτωση...
Ημερομηνία
Συγγραφείς
Κούτα, Μαγδαλινή
Τίτλος Εφημερίδας
Περιοδικό ISSN
Τίτλος τόμου
Εκδότης
Τ.Ε.Ι. Ηπείρου, Σχολή Τεχνολογικών Εφαρμογών, Τμήμα Μηχανικών Πληροφορικής Τ.Ε.
Περίληψη
Τύπος
Είδος δημοσίευσης σε συνέδριο
Είδος περιοδικού
Είδος εκπαιδευτικού υλικού
Όνομα συνεδρίου
Όνομα περιοδικού
Όνομα βιβλίου
Σειρά βιβλίου
Έκδοση βιβλίου
Συμπληρωματικός/δευτερεύων τίτλος
Περιγραφή
Οι νεφροί αποτελούν ζωτικά όργανα τα οποία εκτελούν μια ποικιλία μεταβολικών λειτουργιών, με κύριο χαρακτηριστικό την απομάκρυνση της περίσσειας υγρού και απορριμμάτων μέσω της έκκρισης ούρων. Ο καρκίνος του νεφρού ή αλλιώς το νεφροκυτταρικό καρκίνωμα είναι μία από τις συχνότερες κακοήθειες του ουροποιητικού συστήματος, με παράγοντες κινδύνου να αποτελούν την παχυσαρκία, την υψηλή αρτηριακή πίεση, το οικογενειακό ιστορικό κ.α. Τα τελευταία χρόνια έχουν προταθεί πολλά συστήματα βαθμολόγησης, εστιάζοντας περισσότερο στην πυρηνική μορφολογία μέσω δειγμάτων βελόνας βιοψίας. Παρόλο που η συγκεκριμένη μέθοδος είναι επεμβατική προς τον ασθενή, έχει καθιερωθεί ως το χρυσό πρότυπο στις σύγχρονες κλινικές διαγνώσεις. Επιπλέον, σε συνδυασμό με σύγχρονα υπολογιστικά συστήματα ανίχνευσης, καθίσταται δυνατή η ακριβής σταδιοποίηση ιστολογικών ανωμαλιών μέσω των εικόνων μικροσκοπίας. Η παρούσα πτυχιακή εργασία στοχεύει στην υλοποίηση ενός σταδίου beta μεθοδολογίας για τον εντοπισμό κυτταρικών ανωμαλιών που συμβάλλουν στην ανάπτυξη καρκίνου. Αρχικά, αλγόριθμος βαθιάς μάθησης εκπαιδεύεται από υπάρχον επισημειωμένο σύνολο εικόνων, λαμβάνοντας υπόψιν τυπικά χαρακτηριστικά που σηματοδοτούν την ανάπτυξη κύτταρων καρκίνου σε δείγματα βιοψίας. Στη συνέχεια αναλύονται πειραματικά ποιοτικά αποτελέσματα, εξαγόμενα από ασθενείς που πάσχουν από διαφορετικά στάδια εξάπλωση καρκίνου σύμφωνα με το σύστημα βαθμολόγησης κατά Fuhrman.
The kidneys are vital organs that perform a variety of metabolic functions, with the main feature being the removal of excess fluid and waste products through urine. Kidney cancer, or renal cell carcinoma, is one of the most common malignancies of the urinary system-tract, with risk factors including obesity, high blood pressure, family health history and more. In recent years, many grading systems have been proposed, focusing more on nuclear morphology through biopsy needle samples. Although this method is an invasive for the patient procedure, it is regarded as the gold standard in modern clinical diagnoses. In addition, in combination with modern computer detection systems, it is possible to accurately stage histological abnormalities through microscopic images. The present thesis aims to implement a beta methodology stage for the identification of cellular abnormalities that contribute to the development of kidney cancer. Initially, a deep learning algorithm is trained by an existing set of annotated images, taking into account typical features that signal the growth of cancer cells in biopsy samples. Then, experimental qualitative results are analyzed, extracted from patients suffering from different stages of cancer metastasis according to the Fuhrman scoring system.
The kidneys are vital organs that perform a variety of metabolic functions, with the main feature being the removal of excess fluid and waste products through urine. Kidney cancer, or renal cell carcinoma, is one of the most common malignancies of the urinary system-tract, with risk factors including obesity, high blood pressure, family health history and more. In recent years, many grading systems have been proposed, focusing more on nuclear morphology through biopsy needle samples. Although this method is an invasive for the patient procedure, it is regarded as the gold standard in modern clinical diagnoses. In addition, in combination with modern computer detection systems, it is possible to accurately stage histological abnormalities through microscopic images. The present thesis aims to implement a beta methodology stage for the identification of cellular abnormalities that contribute to the development of kidney cancer. Initially, a deep learning algorithm is trained by an existing set of annotated images, taking into account typical features that signal the growth of cancer cells in biopsy samples. Then, experimental qualitative results are analyzed, extracted from patients suffering from different stages of cancer metastasis according to the Fuhrman scoring system.
Περιγραφή
Λέξεις-κλειδιά
Βιοψία Νεφρού, Νεφροκυτταρικό Καρκίνωμα, Ψηφιακή Επεξεργασία Εικόνας, Μηχανική Μάθηση, Υπολογιστική όραση
Θεματική κατηγορία
Ιατρική μικροσκοπική εικόνα
Παραπομπή
Σύνδεσμος
Πτυχιακή Εργασία
Γλώσσα
el
Εκδίδον τμήμα/τομέας
Τ.Ε.Ι. Ηπείρου, Σχολή Τεχνολογικών Εφαρμογών, Τμήμα Μηχανικών Πληροφορικής Τ.Ε.
Όνομα επιβλέποντος
Τζάλλας, Αλέξανδρος
Εξεταστική επιτροπή
Γιαννακέας, Νικόλαος
Γλαβάς, Ευριπίδης
Γλαβάς, Ευριπίδης
Γενική Περιγραφή / Σχόλια
Ίδρυμα και Σχολή/Τμήμα του υποβάλλοντος
Τ.Ε.Ι. Ηπείρου
Πίνακας περιεχομένων
Χορηγός
Βιβλιογραφική αναφορά
Κούτα, Μ., 2020. Αναγνώριση ευρημάτων ιατρικής μικροσκοπικής εικόνας με χρήση τεχνικών μηχανικής μάθησης. Πτυχιακή εργασία. Άρτα: Τ.Ε.Ι. Ηπείρου. Σχολή Τεχνολογικών Εφαρμογών. Τμήμα Μηχανικών Πληροφορικής Τ.Ε.
Ονόματα συντελεστών
Αριθμός σελίδων
80
Λεπτομέρειες μαθήματος
item.page.endorsement
item.page.review
item.page.supplemented
item.page.referenced
Άδεια Creative Commons
Άδεια χρήσης της εγγραφής: Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα