Please use this identifier to cite or link to this item:
https://olympias.lib.uoi.gr/jspui/handle/123456789/39832Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Τσιπούρα, Κωνσταντίνα | el |
| dc.contributor.author | Tsipoura, Konstantina | en |
| dc.date.accessioned | 2026-03-05T08:59:27Z | - |
| dc.date.available | 2026-03-05T08:59:27Z | - |
| dc.identifier.uri | https://olympias.lib.uoi.gr/jspui/handle/123456789/39832 | - |
| dc.rights | Attribution-NonCommercial-NoDerivs 3.0 United States | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/us/ | * |
| dc.subject | Επιστήμη Δεδομένων | el |
| dc.subject | StarDist | en |
| dc.title | Αυτόματη κατάτμηση κυτταρολογικών εικόνων βασισμένη σε κυρτά αστεροειδή πολύγωνα | el |
| dc.title | Automatic segmentation of cytological images based on star-convex polygons | en |
| dc.type | masterThesis | en |
| heal.type | masterThesis | el |
| heal.type.en | Master thesis | en |
| heal.type.el | Μεταπτυχιακή εργασία | el |
| heal.dateAvailable | 2026-03-05T09:00:28Z | - |
| heal.language | el | el |
| heal.access | free | el |
| heal.recordProvider | Πανεπιστήμιο Ιωαννίνων. Πολυτεχνική Σχολή | el |
| heal.publicationDate | 2026-02 | - |
| heal.abstract | Η κατάτμηση κυτταρικών πυρήνων σε εικόνες μικροσκοπίου αποτελεί θεμελιώδες στάδιο για την αξιόπιστη ποσοτική ανάλυση και την υποστήριξη της έγκαιρης διάγνωσης. Οι κυτταρολογικές εικόνες χαρακτηρίζονται από αυξημένη πολυπλοκότητα, καθώς οι πυρήνες συχνά εμφανίζονται επικαλυπτόμενοι, προσκολλημένοι ή με έντονα ακανόνιστη μορφολογία, γεγονός που καθιστά την αυτόματη τμηματοποίηση ιδιαίτερα απαιτητική. Οι σύγχρονες τεχνικές βαθιάς μάθησης έχουν συμβάλει σημαντικά στην αντιμετώπιση αυτών των προκλήσεων, εισάγοντας μοντέλα που συνδυάζουν ισχυρή αναπαραστατική ικανότητα με γεωμετρική ερμηνευσιμότητα. Στην παρούσα εργασία μελετάται η μέθοδος StarDist, η οποία προσεγγίζει την τμηματοποίηση ως πρόβλημα πρόβλεψης πιθανοτήτων παρουσίας αντικειμένων σε επίπεδο pixel και ακτινικών αποστάσεων προς τα όρια κάθε πυρήνα σε προκαθορισμένες κατευθύνσεις. Μέσω των ακτινικών αποστάσεων ανακατασκευάζονται star-convex πολύγωνα, τα οποία αποτυπώνουν με ακρίβεια τη γεωμετρική δομή των πυρήνων, ακόμη και σε περιπτώσεις έντονης επικάλυψης. Η πειραματική αξιολόγηση πραγματοποιήθηκε σε τέσσερα σύνολα δεδομένων κυτταρολογικών εικόνων. Εξετάστηκαν πολλαπλές παραλλαγές του μοντέλου με διαφορετικό αριθμό ακτίνων (16, 32, 64 και 128), προκειμένου να διερευνηθεί η επίδραση της γεωμετρικής ανάλυσης στην απόδοση. Τα αποτελέσματα έδειξαν ότι η αύξηση του αριθμού ακτίνων βελτιώνει την ακρίβεια ανακατασκευής έως ένα ορισμένο σημείο, πέρα από το οποίο το όφελος καθίσταται περιορισμένο, ενώ η βέλτιστη ρύθμιση εξαρτάται από τα μορφολογικά χαρακτηριστικά κάθε συνόλου δεδομένων. Συνολικά, η εργασία αναδεικνύει ότι η ενσωμάτωση ρητής γεωμετρικής αναπαράστασης σε μοντέλα βαθιάς μάθησης μπορεί να επιτύχει υψηλή ακρίβεια στην τμηματοποίηση κυτταρικών πυρήνων, προσφέροντας ένα σταθερό και προσαρμόσιμο πλαίσιο για εφαρμογές ιατρικής απεικόνισης. | el |
| heal.abstract | Nuclei segmentation in microscopy images constitutes a fundamental step for reliable quantitative analysis and the support of early diagnosis. Cytological images are characterized by increased complexity, as nuclei often appear overlapping, attached, or with highly irregular morphology, making automatic segmentation particularly challenging. Modern deep learning techniques have significantly contributed to addressing these challenges by introducing models that combine strong representational capacity with geometric interpretability. In this work, the StarDist method is studied, which approaches segmentation as a problem of predicting object presence probabilities at the pixel level along with radial distances to the boundaries of each nucleus in predefined directions. Through these radial distances, star-convex polygons are reconstructed, accurately capturing the geometric structure of nuclei even in cases of significant overlap. The experimental evaluation was conducted on four cytological image datasets. Multiple variants of the model with different numbers of rays (16, 32, 64, and 128) were examined in order to investigate the effect of geometric resolution on performance. The results demonstrated that increasing the number of rays improves shape reconstruction accuracy up to a certain point, beyond which the performance gain becomes marginal, while the optimal configuration depends on the morphological characteristics of each dataset. Overall, this study highlights that integrating explicit geometric representation into deep learning models can achieve high accuracy in nuclei segmentation, providing a robust and adaptable framework for medical imaging applications. | en |
| heal.advisorName | Νίκου, Χριστόφορος | el |
| heal.committeeMemberName | Μανής, Γεώργιος | el |
| heal.committeeMemberName | Κόντης, Λυσίμαχος-Παύλος | el |
| heal.academicPublisher | Πανεπιστήμιο Ιωαννίνων. Πολυτεχνική Σχολή. Τμήμα Μηχανικών Ηλεκτρονικών Υπολογιστών και Πληροφορικής | el |
| heal.academicPublisherID | uoi | el |
| heal.numberOfPages | 123 | el |
| heal.fullTextAvailability | true | - |
| Appears in Collections: | Διατριβές Μεταπτυχιακής Έρευνας (Masters) - ΜΗΥΠ | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| Τσιπούρα_Κωνσταντίνα.pdf | 4.54 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License
