Please use this identifier to cite or link to this item:
https://olympias.lib.uoi.gr/jspui/handle/teiep/11717Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Τσακάϊ, Οντισέ | el |
| dc.date.accessioned | 2020-10-09T07:20:27Z | - |
| dc.date.available | 2020-10-09T07:20:27Z | - |
| dc.date.issued | 2020-10-09 | - |
| dc.identifier.uri | https://olympias.lib.uoi.gr/jspui/handle/teiep/11717 | - |
| dc.rights | Default License | - |
| dc.subject | Cloud-based Platform | en |
| dc.subject | Histopathological images | en |
| dc.subject | Convolutional Neural Networks | en |
| dc.subject | Πλατφόρμα νέφους | el |
| dc.subject | Συνελικτικά Νευρωνικά Δίκτυα | el |
| dc.subject | Υπολογιστικό νέφος | el |
| dc.subject | ιστοπαθολογικές εικόνες | el |
| dc.title | Πλατφόρμα υπολογιστικού νέφους για την επεξεργασία ιστοπαθολογικών εικόνων | el |
| heal.type | masterThesis | - |
| heal.classification | Μηχανική όραση | el |
| heal.dateAvailable | 2024-01-06T08:24:24Z | - |
| heal.language | el | - |
| heal.access | free | - |
| heal.recordProvider | Τ.Ε.Ι. Ηπείρου | el |
| heal.publicationDate | 2020-09-28 | - |
| heal.bibliographicCitation | Τσακάϊ, Ο.,2020. Πλατφόρμα υπολογιστικού νέφους για την επεξεργασία ιστοπαθολογικών εικόνων. Μεταπτυχιακή εργασία.Άρτα: Τ.Ε.Ι. Ηπείρου. Σχολή Τεχνολογικών Εφαρμογών. Τμήμα Μηχανικών Πληροφορικής Τ.Ε. | el |
| heal.abstract | Στο πλαίσιο της παρούσας εργασίας αναπτύχθηκε μια καινοτόμος πλατφόρμα διαδικτυακού νέφους για την κατάτμηση εικόνων. Η ιδέα ξεκίνησε από την ενασχόληση της ερευνητικής ομάδας με την επεξεργασία ιστοπαθολογικών εικόνων βιοψιών ήπατος, με σκοπό την εύρεση παθολογικών ευρημάτων και την ποσοτικοποίηση τους ως ποσοστό του φυσιολογικού ιστού. Ωστόσο, κατά την ανάπτυξη κατέστη εμφανές το γεγονός ότι η υποδομή που δημιουργήθηκε, δύναται να αξιοποιηθεί σε ποικίλα προβλήματα κατάτμησης, αρκεί ο εξειδικευμένος χρήστης κάθε φορά να παρέχει την γνώση στην πλατφόρμα, επισημειώνοντας τα αντικείμενα ενδιαφέροντος. Τα πλεονεκτήματα της πλατφόρμα συνοψίζονται στα εξής: Έχει υλοποιηθεί με τεχνολογίες ανάπτυξης στο υπολογιστικό νέφος και επομένως αξιοποιεί τους πόρους του. Πρακτικά, δίνει την δυνατότητα στον χρήστη να εργάζεται στην πλατφόρμα κάνοντας χρήση μόνο του φυλλομετρητή του. Έχει δυνατότητα φιλοξενίας πολλαπλών πιστοποιημένων χρηστών Περιέχει εύχρηστο επισημειωτή με σκοπό να καταχωρούνται αντικείμενα ενδιαφέροντος για την εκπαίδευση συστήματος Τεχνητής Νοημοσύνης Το σύστημα τεχνητής νοημοσύνης είναι βασισμένο στην Βαθιά Μάθηση, και συγκεκριμένα στην τεχνολογία των Συνεκτικών Νευρωνικών Δικτύων με μάσκα. Δέχεται πολλαπλές εκπαιδεύσεις από τους διαφορετικούς χρήστες αλλά μπορεί να ενημερώνει και να ενισχύει τις εκπαιδεύσεις με βάση νέα επισημειωμένα ευρήματα. Η εκπαίδευση των Συνεκτικών Νευρωνικών Δικτύων αξιοποιεί την υπολογιστική ισχύ από κάρτες γραφικών με τεχνολογία CUDA. Είναι επεκτάσιμη σε πληθώρα ερευνητικών πεδίων κατάτμησης εικόνων, πέραν της κατάτμησης βιοψιών ήπατος, όπου δοκιμάστηκε πιλοτικά στο πλαίσιο της μεταπτυχιακής εργασίας Το κείμενο της εργασίας επιχειρεί να αποσαφηνίσει της τεχνικές λεπτομέρειες της υλοποίησης της πλατφόρμας, από την διαδικασία της καταγραφής των απαιτήσεων, την αρχιτεκτονική του συστήματος και τις τεχνολογίες που χρησιμοποιήθηκαν, έως και τις διεπαφές με τον χρήστη. | el |
| heal.abstract | In this work, an innovative cloud platform for image segmentation has been developed. According to the concept of the study image processing of histopathological images is utilized, to detect pathological findings as a percentage of normal tissue in liver biopsies. The developed infrastructure can be employed in a variety of different segmentation problems, as long as the specialized user provides knowledge to the platform, annotating the objects of interest. The advantages of the platform could be summarized as follows: It has been implemented based on cloud computing technologies and therefore utilizes cloud resources. As a result, the user is able to work on the platform using only browser It is a multiuser platform where different users can be authenticated. It contains a user-friendly annotator, for finding input to feed the Artificial Intelligence System The Artificial intelligent system is based on Deep Learning and more specifically on Convolutional Neural Networks CNN The training of CNN utilizes resources from Graphic Processor Unit (GPU) using CUDA technology. It is expandable in many segmentation problems, apart from the histopathological image segmentation. The manuscript attempts to describe and clarify technical details of the implementation of the platform, starting with the process of user requirements, the system architecture and the technologies used, and ending with the description of user interfaces. | en |
| heal.advisorName | Γιαννακέας, Νικόλαος | el |
| heal.committeeMemberName | Γκόγκος, Χρήστος | el |
| heal.committeeMemberName | Γιαννακέας, Νικόλαος | el |
| heal.committeeMemberName | Τζάλλας, Αλέξανδρος | el |
| heal.academicPublisher | ΠΜΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΔΙΚΤΥΩΝ | el |
| heal.academicPublisherID | uoi | - |
| heal.numberOfPages | 86 | - |
| heal.fullTextAvailability | true | - |
| Appears in Collections: | Μεταπτυχιακές εργασίες Τμ. Μηχανικών Πληροφορικής Τ.Ε | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| Οδυσσέας_Τσακάι.pdf | 3.08 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.
