Έμβλημα Πολυτεχνείου Κρήτης
Το Πολυτεχνείο Κρήτης στο Facebook  Το Πολυτεχνείο Κρήτης στο Instagram  Το Πολυτεχνείο Κρήτης στο Twitter  Το Πολυτεχνείο Κρήτης στο YouTube   Το Πολυτεχνείο Κρήτης στο Linkedin
Προβολή ημερολογίου Προβολή ημερολογίου
Προβολή λίστας Προβολή λίστας
iCal - Εκδηλώσεις μήνα iCal - Εκδηλώσεις μήνα
iCal - Εκδηλώσεις 6 μηνών iCal - Εκδηλώσεις 6 μηνών
RSS - Εκδηλώσεις μήνα RSS - Εκδηλώσεις μήνα
RSS - Εκδηλώσεις 6 μηνών RSS - Εκδηλώσεις 6 μηνών

12
Φεβ

Παρουσίαση Διπλωματικής Εργασίας κ. Συρίγου Δημητρίου - Σχολή ΗΜΜΥ
Κατηγορία: Παρουσίαση Διπλωματικής Εργασίας  
ΤοποθεσίαΗ παρουσίαση θα γίνει με τηλεδιάσκεψη
Ώρα12/02/2021 12:30 - 13:30

Περιγραφή:

ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
ΣΥΡΙΓΟΣ ΔΗΜΗΤΡΙΟΣ

θέμα
Αναγνώριση Σπίλων Ανθρωπίνου Σώματος σε Εικόνες από το Διαδίκτυο
Recognition of Nevi on Human Body in Internet Images

Εξεταστική Επιτροπή
Καθηγητής Ζερβάκης Μιχαήλ (επιβλέπων)
Καθηγητής Μπάλας Κωνσταντίνος
Καθηγητής Πετράκης Ευριπίδης 

Περίληψη
Ο καρκίνος του δέρματος είναι μία από τις πιο θανατηφόρες μορφές καρκίνου. Αφού μετασταθεί από το σημείο προέλευσής του σε άλλους ιστούς, το ποσοστό απόκρισης στη θεραπεία μειώνεται στο 5%, και το 10ετές ποσοστό επιβίωσής είναι μόνο περίπου 10%. Μετά τη μετάσταση, δεν υπάρχει διαθέσιμη επιλογή θεραπείας με χειρουργική αφαίρεση. Ωστόσο, η έγκαιρη διάγνωση και η αφαίρεση με χειρουργική επέμβαση, αυξάνουν σημαντικά την πιθανότητα επιβίωσης. Η δερματοσκόπηση είναι μια μη επεμβατική τεχνική απεικόνισης υψηλής ανάλυσης που βοηθά τους γιατρούς να κάνουν πιο ακριβείς διαγνώσεις καρκίνων του δέρματος.
Επομένως, αυτή η διατριβή προτείνει εξαιρετικά ακριβείς μεθόδους, από τρεις διαφορετικές προσεγγίσεις, σχετικά με την κατάτμηση της δερματικής βλάβης (δηλαδή, απομόνωση της βλάβης από την υπόλοιπη εικόνα) και ταξινόμηση των σπίλων και των κακοηθών δερματικών βλαβών. Το σκεπτικό είναι να φτιάξουμε ένα σύστημα που θα είναι σε θέση να εντοπίσει δυνητικά επικίνδυνες περιπτώσεις.
Εξερευνήσαμε μέσω σχετικών συνόλων δεδομένων, την αποτελεσματικότητα τόσο των προ-εκπαιδευμένων όσο και του δημιουργημένου εξ αρχής μοντέλων με και χωρίς τμηματοποιημένες εικόνες, όπου η περιοχή της βλάβης του δέρματος έχει απομονωθεί, καθώς και με και χωρίς μεθόδους cross validation.
Στο τέλος, συγκρίνονται επίσης τα αποτελέσματα από όλους τους ταξινομητές και τις διαφορετικές προσεγγίσεις.
Η μελέτη έδειξε ότι η εφαρμογή τεχνικών βαθιάς μάθησης στον τομέα των καρκινικών παθήσεων μπορεί να είναι ο καταλληλότερος τρόπος για την ταξινόμηση και την αναγνώριση των εικόνων για τον καρκίνο του δέρματος, οι οποίες μπορεί να είναι πολύ ωφέλιμες στον τομέα της ιατρικής για έγκαιρη διάγνωση και να βελτιώσουν το ακριβές αποτέλεσμα της διάγνωσης. Η συγκεκριμένη εργασία κατάφερε να φτάσει σε αποτέλεσμα εξόδου 91% ακρίβειας.

Abstract
Skin cancer is one of the deadliest forms of cancer. After it metastasizes from its origin into other tissues, the response rate to treatment declines as low as 5%, and its 10-year survival rate is only about 10%. After metastasis, there is no surgical removal option available for treatment.However, an early diagnosis and a surgery removal, significantly increase the probability of survival. Dermoscopy is a noninvasive high-resolution imaging technique that assists physicians in making more accurate diagnoses of skin cancers. Therefore, this thesis proposes highly accurate methods, from three different approaches, regarding the skin lesion segmentation (i.e., isolating the lesion from the rest of the image) and classification of nevus and malignant skin lesions. The main point is to build a system that will be able to identify potentially dangerous cases. We explored through relevant datasets, the effectiveness of both pre-trained and scratch built models with and without segmented images, where the skin lesion area has been isolated as well as with and without cross validation methods. In the end, the results obtained from all these classifiers and approaches are also compared. The study showed that the implementation of Deep learning within the field of cancer diseases can be the most suitable way to classify and recognize skin cancer images, which can be very beneficial in the field of medicine for early diagnosis and improve the accurate diagnosis result. This current work showed an output result of 91% accuracy.

Meeting ID: 954 649 5567
Password: 956799
 

Προσθήκη στο ημερολόγιό μου
© Πολυτεχνείο Κρήτης 2012