Please use this identifier to cite or link to this item:
https://olympias.lib.uoi.gr/jspui/handle/123456789/39174Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Πλακούτση, Φωτεινή | el |
| dc.date.accessioned | 2025-07-08T06:56:17Z | - |
| dc.date.available | 2025-07-08T06:56:17Z | - |
| dc.identifier.uri | https://olympias.lib.uoi.gr/jspui/handle/123456789/39174 | - |
| dc.rights | Default License | - |
| dc.subject | Splinedist | en |
| dc.subject | τεστ ΠΑΠ | el |
| dc.title | Κατάτμηση κυτταρολογικών εικόνων από τεστ ΠΑΠ με το μοντέλο Splinedist | el |
| dc.type | masterThesis | en |
| heal.type | masterThesis | el |
| heal.type.en | Master thesis | en |
| heal.type.el | Μεταπτυχιακή εργασία | el |
| heal.dateAvailable | 2025-07-08T06:57:18Z | - |
| heal.language | el | el |
| heal.access | free | el |
| heal.recordProvider | Πανεπιστήμιο Ιωαννίνων. Πολυτεχνική Σχολή | el |
| heal.publicationDate | 2025-06-23 | - |
| heal.abstract | Η ακριβής αναγνώριση και κατάτμηση κυττάρων σε εικόνες μικροσκοπίου είναι απαραίτητη για την αξιόπιστη ποσοτική ανάλυση σε επίπεδο μεμονωμένων κυττάρων. Αυτή η διαδικασία επιτρέπει τη μελέτη των μορφολογικών χαρακτηριστικών των κυττάρων και οδηγεί στον εντοπισμό μη φυσιολογικών και παθολογικών κυττάρων. Οι τεχνικές βαθιάς μάθησης έχουν συνεισφέρει σημαντικά στην επεξεργασία κυτταρολογικών εικόνων, οι οποίες παρουσιάζουν πολλές προκλήσεις , όπως χαμηλή αντίθεση, μεταβαλλόμενες κυτταρικές μορφές, επικάλυψη κυττάρων. Μια από τις πρόσφατες τεχνικές είναι το μοντέλο StarDist, που βασίζεται σε κυρτά αστεροειδή πολύγωνα (star-convex polygons), και έχει σημειώσει αξιόλογα αποτελέσματα. Ωστόσο, παρουσιάζει περιορισμούς στην κατάτμηση μη κυρτών αντικειμένων. Στην παρούσα εργασία, μελετάται το μοντέλο SplineDist, που είναι μια επέκταση του StarDist για την αντιμετώπιση αυτών των προκλήσεων. Το SplineDist είναι ένα νέο πλαίσιο κατάτμησης που αντικαθιστά τα άκαμπτα πολύγωνα με εύκαμπτες παραμετρικές καμπύλες τύπου spline. Βασίζεται σε αρχιτεκτονική U-Net και προβλέπει ένα σταθερό σύνολο spline σημείων ελέγχου, το καθένα ορισμένο μέσω γωνίας και ακτίνας ως προς το κέντρο του κυττάρου. Αυτό επιτρέπει μεγαλύτερη ευελιξία στην περιγραφή των ορίων, ακόμη και σε πολύπλοκες μορφές. Για την αξιολόγηση του μοντέλου πραγματοποιήθηκαν πειράματα στο σύνολο δεδομένων SIPaKMeD, το οποίο περιλαμβάνει 4049 εικόνες κυττάρων. Τα αποτελέσματα δείχνουν ότι το μοντέλο SplineDist επιτυγχάνει υψηλή ακρίβεια στην κατάτμηση, με ταυτόχρονα χαμηλό αριθμό παραμέτρων. Τα παραγόμενα περιγράμματα είναι πιο ομαλά και ακριβή, ακόμη και με μικρό αριθμό σημείων ελέγχου. Συνολικά, το μοντέλο SplineDist συνδυάζει κλασικές γεωμετρικές μεθόδους με σύγχρονες τεχνικές βαθιάς μάθησης, προσφέροντας ένα αποδοτικό και ευέλικτο εργαλείο για την αυτόματη κατάτμηση βιολογικών αντικειμένων σε εικόνες μικροσκοπίου. | el |
| heal.abstract | Accurate cell detection and segmentation in microscopy images is essential for reliable quantitative analysis at the single-cell level. This process enables the study of cellular morphological characteristics and facilitates the identification of abnormal and pathological cells. Deep learning techniques have significantly contributed to cytological image processing, which presents numerous challenges such as low contrast, variable cellular shapes, and cell overlap. One of the recent techniques is the StarDist model, which is based on star-convex polygons and has achieved notable results. However, it has limitations when it comes to segmenting non-convex objects. In this study, we examine the SplineDist model, which is an extension of StarDist designed to address these challenges. SplineDist is a novel segmentation framework that replaces rigid polygons with flexible spline-type parametric curves. It is based on a U-Net architecture and predicts a fixed set of spline control points, each defined by an angle and a radius relative to the cell center. This allows for greater flexibility in boundary representation, even in complex shapes. To evaluate the model, experiments were conducted on the SIPaKMeD dataset, which includes 4,049 cell images. The results show that SplineDist achieves high segmentation accuracy while maintaining a low parameter count. The generated contours are smoother and more precise, even with a small number of control points. Overall, the SplineDist model combines classical geometric methods with modern deep learning techniques, offering an efficient and flexible tool for automatic segmentation of biological objects in microscopy images. | en |
| heal.advisorName | Νίκου, Χριστόφορος | el |
| heal.committeeMemberName | Νίκου, Χριστόφορος | el |
| heal.committeeMemberName | Κόντης, Λυσίμαχος-Παύλος | el |
| heal.committeeMemberName | Μανής, Γεώργιος | el |
| heal.academicPublisher | Πανεπιστήμιο Ιωαννίνων. Πολυτεχνική Σχολή. Τμήμα Μηχανικών Ηλεκτρονικών Υπολογιστών και Πληροφορικής | el |
| heal.academicPublisherID | uoi | el |
| heal.numberOfPages | 71 | el |
| heal.fullTextAvailability | true | - |
| Appears in Collections: | Διατριβές Μεταπτυχιακής Έρευνας (Masters) - ΜΗΥΠ | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ-ΠΛΑΚΟΥΤΣΗ ΦΩΤΕΙΝΗ.pdf | ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ-ΠΛΑΚΟΥΤΣΗ ΦΩΤΕΙΝΗ | 5.3 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.
