Institutional Repository [SANDBOX]
Technical University of Crete
EN  |  EL

Search

Browse

My Space

Bio-optical modeling of epithelial neoplasia

Papadogiannis Sevastianos

Simple record


URIhttp://purl.tuc.gr/dl/dias/A33F79FD-4001-4821-9718-D61E8509336A-
Identifierhttps://doi.org/10.26233/heallink.tuc.83622-
Languageen-
Extent52 pagesen
Extent1,17 pagesen
TitleBio-optical modeling of epithelial neoplasiaen
TitleΒιο-οπτική μοντελοποίηση της επιθηλιακής νεοπλασίαςel
CreatorPapadogiannis Sevastianosen
CreatorΠαπαδογιαννης Σεβαστιανοςel
Contributor [Thesis Supervisor]Balas Costasen
Contributor [Thesis Supervisor]Μπαλας Κωσταςel
Contributor [Committee Member]Garofalakis Minosen
Contributor [Committee Member]Γαροφαλακης Μινωςel
Contributor [Committee Member]Samoladas Vasilisen
Contributor [Committee Member]Σαμολαδας Βασιληςel
PublisherΠολυτεχνείο Κρήτηςel
PublisherTechnical University of Creteen
Academic UnitTechnical University of Crete::School of Electrical and Computer Engineeringen
Academic UnitΠολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστώνel
DescriptionΔιπλωματική εργασία για λήψη διπλώματος προπτυχιακών σπουδών ΗΜΜΥel
Content SummaryOver the last years, a radical change regarding diagnosis of cervical neoplasia has been prepared. Classic procedure involving biopsy may be replaced by in vivo non invasive optical biopsy. In this thesis, we are studying a model that estimates for each combination of 4 biological parameters, the spatiotemporal curves of diffused reflectance versus time, that are produced during the acetowhitening phenomenon. We aim to solve the reverse problem, estimating the bio-parameters given the curve, efficiently in terms of both accuracy and speed. Initially, we used several curve matching algorithms to decide which is optimal for the problem. Then, we used k-means clustering on the model dataset to reduce comparisons and lower procedure duration. Finally, we correlated curve features to bio-parameters and created a decision rule for instant bio-parameter estimation through optimization with decision regions. Judging from the estimation accuracy and the calculations on execution times, we have strong confidence in the future of the method.en
Content SummaryΤα τελευταία χρόνια έχει προετοιμαστεί μία δραστική αλλαγή σχετικά με τη διάγνωση της νεοπλασίας του τραχήλου της μήτρας. Η κλασική διαδικασία που εμπλέκει βιοψία ίσως αντικατασταθεί από μία in vivo μη επεμβατική οπτική βιοψία. Στην παρούσα εργασία μελετάμε ένα μοντέλο που εκτιμά, για κάθε συνδυασμό τεσσάρων βιολογικών παραμέτρων, τις χωροχρονικές καμπύλες διάχυτης ανάκλασης ως προς το χρόνο, οι οποίες παράγονται κατά τη διάρκεια του οξυ-λευκαντικού φαινομένου. Στοχεύουμε να λύσουμε το αντίστροφο πρόβλημα, να εκτιμήσουμε τις βιοπαραμέτρους δεδομένης της καμπύλης, αποτελεσματικά ως προς την ακρίβεια και την ταχύτητα. Αρχικά χρησιμοποιήσαμε διάφορους αλγορίθμους σύγκρισης καμπυλών για να αποφασίσουμε τον βέλτιστο για το πρόβλημα. Έπειτα χρησιμοποιήσαμε ομαδοποίηση με k-means στη συλλογή δεδομένων του μοντέλου για να μειώσουμε το συγκρινόμενο σύνολο καμπυλών μειώνοντας και τη διάρκεια της διαδικασίας. Τελικά συσχετίσαμε χαρακτηριστικά των καμπυλών με βιοπαραμέτρους και δημιουργήσαμε κανόνες απόφασης για άμεση εκτίμηση βιοπαραμέτρων μέσω βελτιστοποίησης με περιοχές απόφασης. Κρίνοντας από την ακρίβεια εκτίμησης βιοπαραμέτρων και τους χρόνους εκτέλεσης, έχουμε ισχυρή εμπιστοσύνη στο μέλλον της μεθόδου.el
Type of ItemΔιπλωματική Εργασίαel
Type of ItemDiploma Worken
Licensehttp://creativecommons.org/licenses/by/4.0/en
Date of Item2019-10-10-
Date of Publication2019-
SubjectCervical canceren
Bibliographic CitationSevastianos Papadogiannis, "Bio-optical modeling of epithelial neoplasia", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2019en
Bibliographic CitationΣεβαστιανός Παπαδογιάννης, "Βιο-οπτική μοντελοποίηση της επιθηλιακής νεοπλασίας", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2019el

Available Files

Services

Statistics