| dc.contributor.advisor | Γούδας Ε., Θεοδόσιος | |
| dc.contributor.author | Θεοδούλου Λ., Αλεξάντρα | |
| dc.contributor.other | Theodoulou L., Alexandra | |
| dc.coverage.spatial | Κύπρος | el_GR |
| dc.date.accessioned | 2020-07-24T09:29:25Z | |
| dc.date.available | 2020-07-24T09:29:25Z | |
| dc.date.copyright | 2020-07-24 | |
| dc.date.issued | 2020-05 | |
| dc.identifier.other | ΕΠΤ/2020/00029 | el_GR |
| dc.identifier.uri | http://hdl.handle.net/11128/4570 | |
| dc.description | Περιέχει βιβλιογραφικές παραπομπές. | el_GR |
| dc.description.abstract | Στις μέρες μας, η ιατρική βιομηχανία εξελίσσεται ραγδαία, με αποτέλεσμα την συντριπτική αύξηση του όγκου δεδομένων που παράγονται και αποθηκεύονται καθημερινά στα υποστατικά υγείας. Ο όγκος δεδομένων που παράγεται, απαιτείται να επεξεργάζεται κατάλληλα έτσι ώστε να μην είναι αχρείαστος και η επεξεργασία στην οποία πρέπει να υπόκειται, θα πρέπει να παράγει χρήσιμες πληροφορίες για την μελέτη, πρόγνωση και θεραπεία ασθενειών που αφορούν την βιοϊατρική και τον κλάδο της υγείας. Η επεξεργασία ιατρικών δεδομένων, όπως είναι οι ιατρικές εικόνες, τα αποτελέσματα ιατρικών εξετάσεων και τα χαρακτηριστικά των ασθενών, γίνεται εξαιρετικά δύσκολη, λόγω του τεράστιου όγκου και των σχέσεων αλληλοεξάρτησης μεταξύ των ιατρικών δεδομένων, που είναι πολύ δύσκολο να εντοπιστούν λόγω της μεγάλης πολυπλοκότητας τους. Στόχος είναι η εξεύρεση λύσεων αλλά και βελτίωση των υφιστάμενων λύσεων διαχείρισης δεδομένων για να επιτύχουμε σωστή οργάνωση, αποθήκευση, ανάκτηση και προσθαφαίρεση των ιατρικών δεδομένων που παράγονται καθημερινά.
Αυτή τη δυσκολία στην επεξεργασία, στην αναζήτηση και εύρεση των βιοϊατρικών δεδομένων και των μεταξύ τους σχέσεων, καλείται να λύσει η εξόρυξη βιοϊτρικών δεδομένων (Biomedical Data Mining), που πρόκειται για ένα νέο επιστημονικό/ερευνητικό πεδίο, το οποίο επικεντρώνεται στην μελέτη, ανάλυση δεδομένων και εξαγωγής συμπερασμάτων, μέσω της ανακάλυψης προτύπων, μοντέλων και αλγορίθμων που θα χρησιμοποιηθούν από τους επιστήμονες στον τομέα της υγείας για την καλύτερη διάγνωση, πρόληψη και θεραπεία νόσων καθώς η γνώση που θα παραχθεί θα είναι σημαντική και για την ανάπτυξη φαρμάκων. Στόχος της εξόρυξης δεδομένων είναι η ανακάλυψη προτύπων και αλγορίθμων που θα χρησιμοποιηθούν για την ανακάλυψη και επαλήθευση ιατρικών μεθόδων από τους επαγγελματίες πληροφορικής και υγείας.
Σημαντικό και αναπόσπαστο κομμάτι της Εξόρυξης Βιοϊατρικών Δεδομένων αποτελεί η επεξεργασία Ιατρικών Εικόνων (πχ Μαγνητική Τομογραφία-MRI)και η αποκωδικοποίησή τους. Η εξόρυξη νέας πληροφορίας από τις εικόνες, αποτελεί, μία δύσκολη και παράλληλα σύνθετη διαδικασία, η οποία επιφέρει φυσικά τεράστια αποτελέσματα αφού μπορεί να αποκαλύψει νέα μοτίβα και συμπεριφορές που υπάρχουν στα δεδομένα και η ανακάλυψη αυτή μπορεί να αναβαθμίσει την ποιότητα της έρευνας αλλά και της περίθαλψης των ασθενών, και κατ’ επέκταση φυσικά την αναβάθμιση της ποιότητας της ανθρώπινης ζωής.
Η παρούσα διατριβή αναμένεται να παρουσιάσει, να επεξηγήσει και να αξιολογήσει αλγορίθμους και έρευνες, μεθόδους και προσεγγίσεις εξόρυξης βιοιατρικών δεδομένων και να τονίσει την σημαντικότητα ύπαρξης, ανάπτυξης αλλά και εξέλιξης της ύπαρξης συστημάτων διαχείρισης των δεδομένων αυτών. Η σύγκριση αλγορίθμων που θα ακολουθήσει στο παρόν έγγραφο, θα διασαφηνίσει τον ρόλο, την προσέγγιση, την λειτουργία αλλά και τον σκοπό χρήσης του κάθε αλγορίθμου ξεχωριστά.
Λέξεις Κλειδιά: Εξόρυξη Βιοϊατρικών Δεδομένων (Data Mining), Classification, Classification Αlgorithms, Δέντρα Απόφασης (Decision Trees), KNN Algorithm, Neural Networks, Bayesian Ταξινομητές, Πλατφόρμες Ανοικτού Λογισμικού, Επιλογή Χαρακτηριστικών, Τεχνικές και Μέθοδοι Αξιολόγησης, Accuracy, Κάππα (K) Στατιστικά, Confusion Matrix, F-Measure, Sensitivity, Specificity, Error Rates | el_GR |
| dc.format.extent | x, 124 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 | Εξόρυξη βιοϊατρικών δεδομένων | el_GR |
| dc.subject | Biometrical Data Mining | el_GR |
| dc.subject | Classification algorithms | el_GR |
| dc.subject | Δέντρα απόφασεις | el_GR |
| dc.subject | Decision Trees | el_GR |
| dc.subject | KNN algorithm | el_GR |
| dc.subject | Neural networks | el_GR |
| dc.subject | Beysian Ταξινομητές | el_GR |
| dc.subject | Beysian Classifiers | el_GR |
| dc.subject | Πλατφόρμες ανοικτού λογισμικού -- Τεχνικές και μέθοδοι αξιολόγησης | el_GR |
| dc.subject | Open Software Platforms -- Evaluation Methods and Techniques | el_GR |
| dc.title | Έρευνα αλγορίθμων και προσεγγίσεων εξόρυξης βιοϊατρικών δεδεμένων. | el_GR |
| dc.type | Μεταπτυχιακή Διατριβή | el_GR |
| dc.description.translatedabstract | Nowadays, the medical industry is evolving rapidly, resulting in an overwhelming increase in the volume of data produced and stored daily in medical centers. The volume of data produced needs to be processed appropriately in order the produced information to be useful for the study of prognosis and treatment of diseases related to biomedicine and health sector. Medical data processing, such as medical imaging, medical results, and patient characteristics, becomes extremely difficult due to the enormous volume and independence between medical data, which is very difficult to detect due to their high complexity. The aim is to find solutions but also to improve the existing data management solutions to achieve proper organization, storage, retrieval and add-on of the medical data produced daily.
Biomedical Data Mining, a new scientific research field focused on the study and analysis of data, is called upon to solve this difficulty in processing, searching and finding biomedical data and relationships, through the discovery of standards, models and algorithms that will be used by health scientists to better diagnose, prevent and treat diseases as the knowledge that will be produced, will be important century for drug development. The aim of the data mining is to discover patterns and algorithms that will be used to discover and verify medical methods by IT and Health Professionals.
An important and integral part of Biomedical Data Mining is the processing of Medical Images (for example MRI) and their decoding. The extraction of new information from images is a difficult and at the same time complex process, which of course brings huge results as it can reveal new patterns and behaviors that exist in the data and this discovery can upgrade the quality of research and care of patients, and consequently of course the upgrading of the quality of human life.
This dissertation is expected to present, explain and evaluate algorithms and research, methods and approaches to biomedical data mining and emphasize the importance of the existence, development and evolution of the present of management systems for this data. The comparison of algorithms that will follow in this document, will clarify the role, the approach, the operation and the purpose of using each algorithm separately.
Keywords: Biomedical Data Mining, Classification, Classification Αlgorithms,Decision Trees, KNN Algorithm, Neural Networks, Bayesian Classifiers, Open Software Platforms, Feature Selection, Evaluation Methods and Techniques, Accuracy, Kappa (K) Statistics, Confusion Matrix, F-Measure, Sensitivity, Specificity, Error Rates | el_GR |
| dc.format.type | pdf | el_GR |
