Η εξόρυξη γνώσης από βιοϊατρικές εικόνες είναι μια πολύπλοκη και χρονοβόρα διαδικασία, γιατί απαιτούνται πολλά βήματα, όπως η ρύθμιση του χρώματος, το φιλτράρισμα της εικόνας, η τμηματοποίησή της, η εξαγωγή χαρακτηριστικών γνωρισμάτων, ο χαρακτηρισμός της, κ.λπ. Κάθε ένα από αυτά τα βήματα απαιτεί κατάλληλη βαθμονόμηση, ώστε συνολικά να πετύχουν το βέλτιστο αποτέλεσμα. Αυτή η διδακτορική διατριβή, εστιάζει στην ανάπτυξη ενός πλαισίου, το οποίο περιέχει τις απαραίτητες τεχνικές εξόρυξης και ανάλυσης εικόνας, οργανωμένες σε οντότητες, για την επίλυση των σύνθετων βιοϊατρικών προβλημάτων ανάλυσης εικόνας. Το προτεινόμενο πλαίσιο επιτρέπει το σχεδιασμό διαγραμμάτων ροών εργασίας, για να επιλύσει αυτά τα προβλήματα. Επιπλέον, παρέχει τη λειτουργία της αυτόματης δημιουργίας παράλληλων πολλαπλών εκδόσεων (multiple parallel instances) του διαγράμματος ροής εργασίας που σχεδιάστηκε, πραγματοποιώντας όλους τους πιθανούς συνδυασμούς των τελεστών που προστέθηκαν στο διάγραμμα, για να επιλεγεί αυτόματα ο βέλτιστος συνδυασμός ροής εργασίας. Για την υλοποίηση αυτού του πλαισίου αξιοποιήθηκε η τεχνολογία υπηρεσιών δικτύου (web services technology), σε συνδυασμό με τη μοντελοποίηση τεχνικών ανάλυσης και εξόρυξης εικόνας (image mining and analysis techniques), σε ανεξάρτητες οντότητες. Η επιλογή της βέλτιστης ροής εργασίας πραγματοποιείται, είτε συγκρίνοντας τα αποτελέσματα της τμηματοποίησης με την πραγματικότητα (Ground Truth), είτε με τη χρήση του μέτρου της απόστασης log-likelihood των ομαδοποιημένων εντοπισμένων αντικειμένων (clustered salient objects). Για τη χρήση αυτού του πλαισίου απαιτούνται βασικές - και ίσως σε κάποιες περιπτώσεις προχωρημένες - γνώσεις ανάλυσης εικόνας, αλλά δεν απαιτούνται προγραμματιστικές γνώσεις. Αυτό το πλαίσιο μπορεί να ενσωματωθεί στο πρόγραμμα διαχείρισης ροών εργασίας TAVERNA ή σε οποιαδήποτε άλλη παρόμοια πλατφόρμα. Επιπλέον, σε αυτήν τη διδακτορική διατριβή, παρουσιάζονται όλα τα βιοϊατρικά προβλήματα ανάλυσης εικόνας που εξετάσθηκαν κατά τη διάρκεια της εκπόνησής της. Καθεμιά από τις προτεινόμενες προσεγγίσεις εξόρυξης εικόνας, χρησιμοποιεί το προτεινόμενο πλαίσιο. Όλες οι προσεγγίσεις εξήγαγαν ικανοποιητικά αποτελέσματα, χρησιμοποιώντας τις δυνατότητες του προτεινόμενου πλαισίου. Επιπλέον, ορισμένα πρόσθετα σενάρια εξόρυξης εικόνας μοντελοποιήθηκαν στο προτεινόμενο πλαίσιο, αποδεικνύοντας την αποδοτική λειτουργία της εύρεσης της βέλτιστης ροής εργασίας.
Data mining of biomedical images is a complex task, because it requires several steps, like color adjustment, image filtering, segmentation, feature extraction, characterization, etc. and appropriate calibration on each of them, so as to achieve a satisfying result. This Ph.D. thesis focuses on the development of a framework, containing the necessary data mining and image analysis techniques, organized into entities-operators, capable to deal with the complex biomedical data mining tasks. The proposed framework enables the building of workflow schemes, capable of dealing with these mining tasks. Furthermore, it enables the generation of multiple workflow versions of the core workflow scheme by combining all the operators with each possible way and auto- selecting the optimal one. In this thesis, a number of applications, exploiting web services and applying ontological modelling are presented, allowing the intelligent creation of image mining workflows and the optimal workflow scheme selection for each of them. The choice of the optimal workflow is based either to the comparison with the ground truth, or via the log-likelihood distance metric of the clustered salient objects. This biomedical image analysis framework may require advanced knowledge of data mining and image analysis theory, but it requires only fundamental programming skills for the development of an intermediate level workflow scheme. It can be directly integrated to TAVERNA or similar workflow management platforms. Additionally, the biomedical problems examined during this thesis and their corresponding solutions are also presented. Each of the proposed image mining methodologies utilizes the developed framework. All the proposed methodologies achieve satisfying performance through the proposed framework. Furthermore, some additional image mining scenarios are applied through the framework, demonstrating the optimal workflow proposal mechanism.
