![Ιδρυματικό Αποθετήριο [SANDBOX]](images/dias.logo.png "Ιδρυματικό Αποθετήριο [SANDBOX]"){kind=logo}
Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
Πολυτεχνείο Κρήτης
EN
|
EL
| URI | http://purl.tuc.gr/dl/dias/1C6ED1F4-7A8D-4C3C-8F0A-5BA2AB8D9BAF | - |
| Αναγνωριστικό | https://doi.org/10.26233/heallink.tuc.88433 | - |
| Γλώσσα | en | - |
| Μέγεθος | 103 pages | en |
| Μέγεθος | 4.3 megabytes | en |
| Τίτλος | Recognition of nevi on human body in internet images | el |
| Τίτλος | Αναγνώριση σπίλων ανθρωπίνου σώματος σε εικόνες από το διαδίκτυο | el |
| Δημιουργός | Syrigos Dimitrios | en |
| Δημιουργός | Συριγος Δημητριος | el |
| Συντελεστής [Επιβλέπων Καθηγητής] | Zervakis Michail | en |
| Συντελεστής [Επιβλέπων Καθηγητής] | Ζερβακης Μιχαηλ | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Balas Costas | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Μπαλας Κωστας | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Petrakis Evripidis | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Πετρακης Ευριπιδης | el |
| Εκδότης | Πολυτεχνείο Κρήτης | el |
| Εκδότης | Technical University of Crete | en |
| Ακαδημαϊκή Μονάδα | Technical University of Crete::School of Electrical and Computer Engineering | en |
| Ακαδημαϊκή Μονάδα | Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών | el |
| Περίληψη | 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. | en |
| 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. | el |
| Τύπος | Διπλωματική Εργασία | el |
| Τύπος | Diploma Work | en |
| Άδεια Χρήσης | http://creativecommons.org/licenses/by-sa/4.0/ | en |
| Ημερομηνία | 2021-02-16 | - |
| Ημερομηνία Δημοσίευσης | 2021 | - |
| Θεματική Κατηγορία | Αναγνώριση σπίλων | el |
| Θεματική Κατηγορία | Recognition of nevi | en |
| Βιβλιογραφική Αναφορά | Dimitrios Syrigos, "Recognition of nevi on human body in internet images", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2021 | en |
| Βιβλιογραφική Αναφορά | Δημήτριος Συρίγος, "Αναγνώριση σπίλων ανθρωπίνου σώματος σε εικόνες από το διαδίκτυο", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2021 | el |
Copyright © DIAS 2013
