Η διπλωματική αυτή εργασία έχει σκοπό την υλοποίηση ενός συστήματος αυτόματης
διάγνωσης όζων του πνεύμονα, ώστε να παραχθεί ένα μοντέλο το οποίο θα
λειτουργεί συμπληρωματικά στην ιατρική γνωμάτευση, παρέχοντας όσο το δυνατό
ακριβέστερη διάγνωση για την ανίχνευση του καρκίνου του πνεύμονα. Η μέθοδος που
εφαρμόζεται στηρίζεται στην επεξεργασία και την ανάλυση των εικόνων της
αξονικής τομογραφίας πνεύμονα, επιδιώκοντας την ταξινόμησή τους. Συγκεκριμένα,
έγιναν διάφορες διαδικασίες, όπως κατάτμηση των πνευμόνων, επιλογή των περιοχών
ενδιαφέροντος (ROIs), εξαγωγή χαρακτηριστικών υφής, μείωση και επιλογή
χαρακτηριστικών, ταξινόμηση. Όσον αφορά την ταξινόμηση των δεδομένων σε
καρκινικά και υγιή, υλοποιήσαμε ένα σύστημα αναγνώρισης προτύπων με 7
διαφορετικούς αλγόριθμους ταξινόμησης (MDC, KNN, KNN weighted, PNN Gaussian,
PNN exponential, PNN reciprocal, SVM). Αφού συγκρίναμε τα αποτελέσματα των
ταξινομητών, καταλήξαμε σε μία ομάδα 5 ταξινομητών (MDC, KNN, KNN weighted, PNN
exponential, SVM), ο συνδυασμός των οποίων ενισχύει την απόδοση του συστήματος.
Τελικά, ταξινομήσαμε κάθε σημείο της εικόνας της αξονικής τομογραφίας κάνοντας
χρήση του κανόνα της πλειοψηφίας για τους 5 καλύτερους ταξινομητές.
(EL)
Τhis thesis aims to implement a computerized system for the detection of lung
nodules, in order to provide an accurate diagnosis support model for lung
cancer screening. This method is based on processing and analyzing images of
computed tomography (CT) of the lungs, so as to classify these images.
Specifically, we followed various procedures, such as lung segmentation,
selection of regions of interest (ROIs), extraction of textural features,
reduction and selection of features, classification. With regard to the
classification of the data as cancer or healthy, we created a pattern
recognition system where 7 different classifiers were tested (MDC, KNN, KNN
weighted, PNN Gaussian, PNN exponential, PNN reciprocal, SVM). Having compared
the results of accuracy for the classifiers, we ended up with a group of 5
classifiers (MDC, KNN, KNN weighted, PNN exponential, SVM), a combination that
enhanced system’s performance. Finally, we classified every pixel of the CT of
lungs, using the majority rule for the best 5 classifiers.
(EN)
Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών
