Please use this identifier to cite or link to this item:
https://olympias.lib.uoi.gr/jspui/handle/123456789/39953Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Τσιλιγιάννη, Θεοδώρα | el |
| dc.date.accessioned | 2026-04-16T09:00:38Z | - |
| dc.date.available | 2026-04-16T09:00:38Z | - |
| dc.identifier.uri | https://olympias.lib.uoi.gr/jspui/handle/123456789/39953 | - |
| dc.rights | Attribution-NonCommercial-NoDerivs 3.0 United States | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/us/ | * |
| dc.subject | Βιοψίες | el |
| dc.subject | Δίκτυα | el |
| dc.subject | Ιατρική | el |
| dc.title | Αξιοποίηση αρχιτεκτονικών Συνελικτικών Νευρωνικών Δικτυών για τον εντοπισμό ευρημάτων σε βιοψίες του παχέος εντέρου | el |
| dc.title | Leveraging Convolutional Neural Network architectures for findings detection in colon biopsies | en |
| dc.type | masterThesis | en |
| heal.type | masterThesis | el |
| heal.type.en | Master thesis | en |
| heal.type.el | Μεταπτυχιακή εργασία | el |
| heal.classification | Ιατρική Πληροφορική | el |
| heal.classification | Δίκτυα | el |
| heal.dateAvailable | 2026-04-16T09:01:39Z | - |
| heal.language | el | el |
| heal.access | free | el |
| heal.recordProvider | Πανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής και Τηλεπικοινωνιών | el |
| heal.publicationDate | 2026-04 | - |
| heal.abstract | Η παρούσα διπλωματική εργασία εξετάζει την αξιοποίηση αρχιτεκτονικών Συνελικτικών Νευρωνικών Δικτυών (CNNs) για τον εντοπισμό και την ανάλυση ευρημάτων σε βιοψίες του παχέος εντέρου. Αρχικά, παρουσιάζεται το θεωρητικό υπόβαθρο σχετικά με τον καρκίνο του παχέος εντέρου, την Τεχνητή Νοημοσύνη, τα Τεχνητά Νευρωνικά Δίκτυα και ιδιαίτερα τα Συνελικτικά Νευρωνικά Δίκτυα (CNNs) όπως και τις εφαρμογές τους στην ιατρική απεικόνιση. Βασικός στόχος της εργασίας είναι η διερεύνηση, από υπολογιστικής προσέγγισης, της δυνατότητας αυτόματης τμηματοποίησης ιστολογικών περιοχών και η ποσοτική ανάλυση χαρακτηριστικών του ιστού, όπως είναι το ποσοστό κολλαγόνου. Στο πειραματικό τμήμα χρησιμοποιήθηκε το μοντέλο Mask R-CNNγια την τμηματοποίηση τριών ιστολογικλων περιοχών, mucosa, muscularis και submucosa, σε εικόνες βιοψίας του παχέος εντέρου. Έπειτα, με βάση τις προβλεπόμενες μάσκες που προέκυψαν από την τμηματοποίηση, εφαρμόστηκε ο αλγόριθμος k – means για χρωματική ανάλυση των περιοχών, και ο υπολογισμός του δείκτη CPA, ο οποίος υποδεικνύει ποσοτικό δείκτη ύπαρξης κολλαγόνου. Τα αποτελέσματα έδειξαν υψηλή απόδοση του μοντέλου, με Συνολική Ακρίβεια 0,961 στο επισημασμένο υποσύνολο δεδομένων και καλή αναγνώριση των τριών κλάσεων, ειδικά της κλάσης mucosa. Επιπλέον, η ποσοτική ανάλυση του δείκτη CPA έδειξε διαφοροποίηση στην ύπαρξη κολλαγόνου στις ιστολογικές περιοχές, με τις υψηλότερες τιμές ποσοστών να εμφανίζονται στις κλάσεις muscularis και submucosa. Συνολικά, η προτεινόμενη μεθοδολογία προσφέρει έναν αξιόπιστο τρόπο ποσοτικής αξιολόγησης ιστολογικών εικόνων και θα μπορούσε να συμβάλλει θετικά σε συστήματα υποστήριξης διάγνωσης. | el |
| heal.abstract | The present thesis explores the application of Convolutional neural Network (CNN) architectures for the detection and analysis of findings in colon biopsies. Initially, the theoretical background presents the fundamental concepts related to colorectal cancer, Artificial Intelligence, Artificial Neural Networks and more specifically Convolutional Neural Networks, while also reviewing their contemporary applications in medical imaging and histopathology. The primary aim of this study is to investigate a computational framework capable of supporting the automatic segmentation of histological regions and the quantitative assessment of tissue morphological characteristics, such as the percentage of collagen. In the experimental part, a Mask R-CNN model was used to segment three histological regions, mucosa, muscularis and submucosa, in colon biopsy images. Subsequently, the predicted segmentation masks were utilized in combination with the k-means clustering algorithm to perform color – based analysis and calculate the Collagen Proportionate Area (CPA) which served as a quantitative indicator of collagen distribution within the tissue. The results showed high level of model performance, with an Averall Accuracy of 0.961 on the annotated subset of data and particularly strong performance in the identification of the mucosa class. Furthermore, CPA analysis revealed distinct differences among the histological regions examined, with the higher values observed in the muscularis and submucosa classes. In conclusion, the proposed methodology provides a reliable approach to the quantitative analysis of histopathological images and may serve as a foundation for the development of future computer-based diagnostic systems. | en |
| heal.advisorName | Τζάλλας, Αλέξανδρος | el |
| heal.committeeMemberName | Τζάλλας, Αλέξανδρος | el |
| heal.committeeMemberName | Τσούλος, Ιωάννης | el |
| heal.committeeMemberName | Γιαννακέας, Νικόλαος | el |
| heal.academicPublisher | Πανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής και Τηλεπικοινωνιών. Τμήμα Πληροφορικής και Τηλεπικοινωνιών | el |
| heal.academicPublisherID | uoi | el |
| heal.numberOfPages | 134 σ. | el |
| heal.fullTextAvailability | true | - |
| Appears in Collections: | Διατριβές Μεταπτυχιακής Έρευνας (Masters) - ΤΠΤ | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| Μ.Ε. Τσιλιγιάννη Θεοδώρα (2026).pdf | 1.58 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License
