Please use this identifier to cite or link to this item:
https://olympias.lib.uoi.gr/jspui/handle/123456789/30736Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Μαυρόκοτας, Κωνσταντίνος | el |
| dc.date.accessioned | 2021-04-02T07:32:08Z | - |
| dc.date.available | 2021-04-02T07:32:08Z | - |
| dc.identifier.uri | https://olympias.lib.uoi.gr/jspui/handle/123456789/30736 | - |
| dc.identifier.uri | http://dx.doi.org/10.26268/heal.uoi.10576 | - |
| dc.rights | Attribution-NonCommercial-NoDerivs 3.0 United States | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/us/ | * |
| dc.subject | Εντοπισμός κυττάρου | el |
| dc.subject | Επεξεργασία εικόνας | el |
| dc.subject | Cell petection | en |
| dc.subject | Image processing | en |
| dc.subject | Thin prep PAP test | en |
| dc.title | Διαχωρισμός πληθυσμών, εντοπισμός πυρήνα και καθορισμός ορίων σε εικόνες κυττάρων από thin prep PAP test | el |
| dc.title | Cell seperation , nuclei detection and edge detection for thin PREP cervical smears | en |
| heal.type | masterThesis | - |
| heal.type.en | Master thesis | en |
| heal.type.el | Μεταπτυχιακή εργασία | el |
| heal.classification | Κύτταρα | - |
| heal.dateAvailable | 2021-04-02T07:33:08Z | - |
| heal.language | el | - |
| heal.access | free | - |
| heal.recordProvider | Πανεπιστήμιο Ιωαννίνων. Πολυτεχνική Σχολή. Τμήμα Μηχανικών Επιστήμης Υλικών | el |
| heal.publicationDate | 2020 | - |
| heal.bibliographicCitation | Βιβλιογραφία: σ. 107-110 | el |
| heal.abstract | Στη παρούσα διπλωματική επιχειρήθηκε η δημιουργία αποτελεσματικού αλγορίθμου για τον εντοπισμό των πυρήνων των κυττάρων σε εικόνες που πάρθηκανς με τη χρήση CCD κάμερας ενσωματωμένης σε κοινό σύνθετο οπτικό μικροσκόπιο φωτεινού πεδίου για thin prep PAP test δείγματα. Επίσης, επιχειρήθηκε ο αποτελεσματικός καθορισμός των ορίων των κυττάρων και ο διαχωρισμός των κυτταρικών πληθυσμών με βάση το χρώμα. Τα αποτελέσματα του αλγορίθμου όσο αφορά τον εντοπισμό των πυρήνων και τον καθορισμό των ορίων των κυττάρων συγκρίθηκαν με εκείνα γιατρού κυτταρολόγου και έτσι προέκυψαν τα δεδομένα για την αποτελεσματικότητα του προγράμματος. Συνολικά εξετάστικαν 17 εικόνες που απεικονίζουν 1371 κύτταρα με το εύρος των εικονιζόμενων κυττάρων να είναι από 51 ως και 106 ενώ ο μέσος όρος κυττάρων ανά εικόνα είναι 80. Οι εικόνες είναι τυχαίες ώστε να προσομοιώσουν όσο το δυνατόν καλύτερα ένα ρεαλιστικό πρόβλημα καθώς σε πολλά σημεία παρουσιάζεται το φαινόμενο της επικάληψης όπου το ένα κύτταρο είναι πάνω στο άλλο καθιστόντας δυσκολότερο τον αποτελεσματικό εντοπισμό των πυρήνων και των καθορισμό των ορίων τους. Στην αρχή παρουσιάζονται σε ένα εισαγωγικό κεφάλαιο συνοπτικά βασικές έννοιες όπως τι είναι το κύτταρο, το thin prep PAP test και το οπτικό μικροσκόπιο. Στη συνέχεια ακολουθεί το πολύ βασικό κεφάλαιο της ανασκόπησης της βιβλιγραφίας όπου παρουσιάζεται συγκεντρωμένη όλη η σχετική δουλεία που έχει γίνει και έχει δημοσιευθεί στο παρελθόν. Ακολουθεί ένα κεφάλαιο με βασικές αρχές της επεξεργασίας εικόνας που συγκεκριμένα μιλάει για διάφορες τεχνικές που μπορούμε να χρησιμοποιήσουμε ώστε να αναδείξουμε η να απομονώσουμε συγκεκριμένα σημεία σε μια ιατρική ή και άλλου τύπου εικόνα. Μέτα υπάρχει ένα κεφάλαιο για τα οπτικά μικροσκόπια σαν αυτό που εμείς χρησιμοποιήσαμε για τη λήψη των εικόνων και ένα κεφάλαιο για το PAP test και τη γενικότερη διαδικασία πρόληψης του καρκίνου του τράχηλου της μήτρας. Τέλος ακολουθεί η προτεινόμενη μεθοδολογία συνοδευόμενη από αποτελέσματα και συμπεράσματα. Ο αλγόριθμος έτρεξε για κάθε μια από τις εικόνες και συνολικά εντόπισε 1295 αληθινούς πυρήνες κυττάρων (true positives) από το σύνολο των 1371, γεγονός που καθιστά το sensitivity στο 94%. Ο αριθμός των πυρήνων που ο αλγόριθμος δεν εντόπισε, ανέρχεται στους 96, ενώ ο αριθμός των αντικειμένων που ο αλγόριθμος λανθασμένα εντόπισε ανέρχεται σε 244 (false positives), επίσης υπολογίστηκε το positive predictive value (PPV) που ήταν στο 86% και μας δίχνει πόσοι απ το σύνολο των εντοπισμένων πυρήνων πραγματικά ήταν πυρήνες. Τέλος υπολογίστηκε και η συνολική επίδωση του αλγορίθμου, γνωστή ως F1 score και ανέρχεται στο 90% και είναι το αρμονικό μέσο του sensitivity και του positive predictive value. | el |
| heal.abstract | In the present study we attempted to create an effective algorithm for cell nuclei detection in images taken using a CCD camera integrated in a common composite light field optical microscope for thin prep PAP test samples. Attempts were also made to effectively define cell boundaries and to separate cell populations based on color. The results of the algorithm in terms of locating the nuclei and determining the boundaries of the cells were compared with those of a cytologist doctor and thus the data for the effectiveness of the program were obtained. A total of 17 images depicting 1371 cells were examined with the range of cells shown being from 51 to 106 while the average number of cells per image is 80. The images are random to simulate a realistic problem as in many places the phenomenon of overlaping occurs where one cell is on top of the other making it more difficult to effectively locate the nuclei and define their boundaries. In the beginning, an introductory chapter summarizes basic concepts such as what a cell is, the thin prep PAP test, and the optical. Then follows the very basic chapter of the literature review which presents all the relevant work that has been done and has been published in the past. Then follows a chapter with basic principles of image processing that specifically talks about various techniques that we can use to highlight or isolate specific points in a medical or other type of image. Then there is a chapter on optical microscopes like the one we used and a chapter on the PAP test and the general procedure for preventing cervical cancer. Finally follows the proposed methodology accompanied by results and conclusions. The algorithm was performed for each image and identified a total of 1295 true positives (true positives) from a total of 1371, making the sensitivity at 94%. The number of nucleus that the algorithm did not detect is 96, while the number of objects that the algorithm incorrectly identified as nucleus is 244 (false positives), also the positive predictive value (PPV) was calculated to be 86% and shows us how many of all the identified objects were actually nuclei. Finally, the total performance of the algorithm, known as F1 score was calculated at 90% and is the harmonious means of sensitivity and positive predictive value. | en |
| heal.advisorName | Φωτιάδης, Δημήτριος | el |
| heal.committeeMemberName | Φωτιάδης, Δημήτριος | el |
| heal.committeeMemberName | Γεργίδης, Λεωνίδας | el |
| heal.committeeMemberName | Παπαλουκάς, Κωνσταντίνος | el |
| heal.committeeMemberName | Τριπολίτη, Ευανθία | el |
| heal.committeeMemberName | Χαρχαντή, Αντωνία | el |
| heal.academicPublisher | Πανεπιστήμιο Ιωαννίνων. Πολυτεχνική Σχολή. Τμήμα Μηχανικών Επιστήμης Υλικών | el |
| heal.academicPublisherID | uoi | - |
| heal.numberOfPages | 110 σ. | - |
| heal.fullTextAvailability | true | - |
| Appears in Collections: | Διατριβές Μεταπτυχιακής Έρευνας (Masters) - ΜΕΥ | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| Μ.Ε. ΜΑΥΡΟΚΟΤΑΣ ΚΩΝΣΤΑΝΤΙΝΟΣ 2020.pdf | 5.04 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License
