Αναγνώριση ευρημάτων ιατρικής μικροσκοπικής εικόνας με χρήση τεχνικών μηχανικής μάθησης.

Απλή σελίδα τεκμηρίου
dc.contributor.authorΚούτα, Μαγδαλινήel
dc.date.accessioned2020-07-27T09:48:04Z
dc.date.available2020-07-27T09:48:04Z
dc.date.issued2020-07-27
dc.identifier.urihttps://olympias.lib.uoi.gr/jspui/handle/teiep/11486
dc.rightsΑναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/gr/*
dc.subjectΒιοψία Νεφρού, Νεφροκυτταρικό Καρκίνωμα, Ψηφιακή Επεξεργασία Εικόνας, Μηχανική Μάθηση, Υπολογιστική όρασηel
dc.titleΑναγνώριση ευρημάτων ιατρικής μικροσκοπικής εικόνας με χρήση τεχνικών μηχανικής μάθησης.el
heal.abstractΟι 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.el
heal.abstractThe 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.el
heal.academicPublisherΤ.Ε.Ι. Ηπείρου, Σχολή Τεχνολογικών Εφαρμογών, Τμήμα Μηχανικών Πληροφορικής Τ.Ε.el
heal.academicPublisherIDteiep
heal.accessfree
heal.advisorNameΤζάλλας, Αλέξανδροςel
heal.bibliographicCitationΚούτα, 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.el
heal.classificationΙατρική μικροσκοπική εικόναel
heal.committeeMemberNameΓιαννακέας, Νικόλαοςel
heal.committeeMemberNameΓλαβάς, Ευριπίδηςel
heal.dateAvailable2024-01-11T02:08:03Z
heal.fullTextAvailabilitytrue
heal.identifier.secondaryΠτυχιακή Εργασία
heal.languageel
heal.numberOfPages80
heal.publicationDate2020-07-14
heal.recordProviderΤ.Ε.Ι. Ηπείρουel
heal.typebachelorThesis

Αρχεία

Πρωτότυπος φάκελος/πακέτο

Προβολή: 1 - 1 of 1
Μικρογραφία εικόνας
Ονομα:
ΑΝΑΓΝΩΡΙΣΗ ΕΥΡΗΜΑΤΩΝ ΙΑΤΡΙΚΗΣ ΜΙΚΡΟΣΚΟΠΙΚΗΣ ΕΙΚΟΝΑΣ ΜΕ ΧΡΗΣΗ ΤΕΧΝΙΚΩΝ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ.pdf
Μέγεθος:
3.35 MB
Μορφότυπο:
Adobe Portable Document Format
Περιγραφή:
Πτυχιακή Εργασία
Κατεβάστε

Φάκελος/Πακέτο αδειών

Προβολή: 1 - 1 of 1
Μικρογραφία εικόνας
Ονομα:
license.txt
Μέγεθος:
3.54 KB
Μορφότυπο:
Item-specific license agreed upon to submission
Περιγραφή:
Κατεβάστε

Συλλογές

Προπτυχιακές εργασίες Τμ. Μηχανικών Πληροφορικής Τ.Ε.