| dc.contributor.advisor | Γούδας, Θεοδόσιος | |
| dc.contributor.author | Τοδούλου, Αναστασία | |
| dc.contributor.other | Todoulou, Anastasia | |
| dc.coverage.spatial | Κύπρος | el_GR |
| dc.date.accessioned | 2020-02-25T07:43:54Z | |
| dc.date.available | 2020-02-25T07:43:54Z | |
| dc.date.copyright | 2020-02-25 | |
| dc.date.issued | 2019-11 | |
| dc.identifier.other | ΕΠΤ/2019/00024 | el_GR |
| dc.identifier.uri | http://hdl.handle.net/11128/4453 | |
| dc.description | Περιέχει βιβλιογραφικές παραπομπές. | el_GR |
| dc.description.abstract | Η παρούσα μεταπτυχιακή διατριβή εστιάζει στην έρευνα, την ανάλυση και την αξιολόγηση των αλγορίθμων και τεχνικών μηχανικής μάθησης οι οποίες προορίζονται για την αναγνώριση παθογενειών σε διάφορα είδη βιοϊατρικών εικόνων (X-ray, CT, MRI, ενδοσκοπήσεις κ.α). Με σκοπό να αναδειχθούν οι καταλληλότερες τεχνικές και αλγόριθμοι ανίχνευσης παθογενειών, το πρώτο βήμα ήταν η διεξαγωγή μιας βιβλιογραφικής ανασκόπησης για την καταγραφή της υπάρχουσας κατάστασης, τις προκλήσεις και τις προοπτικές που αφορούν στο συγκεκριμένο πεδίο. Στη συνέχεια, λαμβάνοντας υπόψιν τη γνώση που προκύπτει καθώς και ορισμένες πτυχές που δεν απαντώνται ακόμα στην βιβλιογραφία, πραγματοποιείται μια διεξοδική μελέτη περιπτώσεων ορισμένων επιλεγμένων συστημάτων ανίχνευσης για παθογένειες όπως οι πολύποδες, πνευμονικοί όζοι, όγκοι μαστού και καρκινικά κύτταρα προστάτη, δίνοντας ιδιαίτερη βαρύτητα στην τεχνική προσέγγιση που ακολουθήθηκε. Από τη βαθύτερη μελέτη της κάθε περίπτωσης προκύπτουν συγκεντρωμένες πληροφορίες για τη μέθοδο, τα χαρακτηριστικά, τα υλικά και τα μέτρα απόδοσης ενώ παρουσιάζεται και μια SWOT analysis προκειμένου να αναδειχθούν τα δυνατά και τα αδύναμα σημεία τους. Στο τέλος, υποβάλλονται σε αξιολόγηση και σύγκριση με συγκεκριμένα κριτήρια που τέθηκαν υπολογίζοντας τόσο αριθμητικά όσο και ποιοτικά δεδομένα. | el_GR |
| dc.format.extent | 143 σ. 30 εκ. | el_GR |
| dc.language | gr | el_GR |
| dc.language.iso | gr | el_GR |
| dc.publisher | Ανοικτό Πανεπιστήμιο Κύπρου | el_GR |
| dc.rights | info:eu-repo/semantics/closedAccess | el_GR |
| dc.subject | Μηχανική μάθηση | el_GR |
| dc.subject | Machine learning | el_GR |
| dc.subject | Βιοϊατρικές εικόνες | el_GR |
| dc.subject | Biomedical images | el_GR |
| dc.title | Έρευνα αλγορίθμων και τεχνικών μηχανικής μάθησης που υποστηρίζουν αναγνωρισμένες προσεγγίσεις αναγνώρισης παθογένειας σε βιοϊατρικές εικόνες | el_GR |
| dc.type | Μεταπτυχιακή Διατριβή | el_GR |
| dc.description.translatedabstract | The current dissertation focuses in the research, analysis and assessment of the algorithms and machine learning techniques which are used to recognize diseases in various types of biomedical images such as X-ray, CT, MRI, endoscopy etc. In order to identify the most suitable disease detection techniques and algorithms, a literature review was carried out as a first step to record the current situation, the challenges and prospects related to this field. Subsequently, considering the extracted knowledge as well as aspects not being covered from the literature so far, a detailed case study of some selected detection systems for polyps, pulmonary nodules, breast tumors and prostate cancer cells has been presented with particular emphasis to the technical approach that has been followed. Through the in-depth study of each case, important information collected about the method, characteristics, materials and performance metrics as well as a SWOT analysis presentation to highlight their strengths and weaknesses. Finally, the above methods are evaluated and compared under specific criteria set by taking into account both numerical and qualitative data. | el_GR |
| dc.format.type | pdf | el_GR |
