Μια από τις σοβαρότερες ασθένειες που μαστίζουν την ανθρωπότητα είναι ο καρκίνος του εγκεφάλου. Γι’ αυτό το λόγο η επιστήμη επικεντρώνεται στην έρευνα και στην μελέτη αυτών των καρκινικών όγκων τόσο χαμηλής όσο και υψηλής κακοήθειας. Είναι μια διαρκής προσπάθεια προκειμένου να επιτευχθεί η αποτελεσματική αντιμετώπιση του. Μία από τις πιο συχνές περιπτώσεις καρκίνων του εγκεφάλου αποτελούν τα αστροκυτώματα, τα οποία δύνανται να εμφανιστούν σε διάφορα σημεία του ανθρώπινου σώματος ή να ξεκινήσουν από ένα σημείο και να κάνουν μετάσταση αλλού στο σώμα. Η παρούσα διπλωματική εργασία πραγματεύεται την επεξεργασία και ανάλυση εικόνας μικροσκοπίας για την ανάδειξη, ανίχνευση και ταξινόμηση των εικόνων καρκίνου εγκεφάλου ανάλογα με το βαθμό κακοήθειας, δίνοντας έμφαση στην εφαρμογή μεθόδων, για τη διάγνωση όγκων εγκεφάλου τύπου αστροκυτώματος. Σε αρχικό στάδιο, οι ψηφιακές εικόνες μικροσκοπίου τροποποιήθηκαν έτσι ώστε να διορθωθεί η ασάφεια και ο θόρυβος που παρουσίαζαν. Ακολούθως χρησιμοποιήθηκαν ειδικοί αλγόριθμοι για την τμηματοποίηση των πυρήνων, για να εξαχθούν τα μορφολογικά τους χαρακτηριστικά και συγκεκριμένα αναπτύχθηκε αλγόριθμος βασισμένος στο μετασχηματισμό της απόστασης. Στη συνέχεια ταξινομήθηκαν σε δύο κατηγορίες, μία για τις εικόνες χαμηλής κακοήθειας και μία για τις εικόνες υψηλής κακοήθειας. Έπειτα, υπολογίστηκε η μέγιστη ακρίβεια ταξινόμησης μέσω του ClassificationLearnerApp στο περιβάλλον του Matlab. Τελικά, προέκυψε μια σύνοψη χαρακτηριστικών, που είναι απαραίτητα για την εκπαίδευση των ταξινομητών που θέτει ο χρήστης και η επίτευξη του μέγιστου ποσοστού ακρίβειας του ταξινομητή με βάση τα υπάρχοντα δεδομένα. Ακολουθήθηκε η μέθοδος επικύρωσης cross-validation η οποία εφαρμόζει συνδυασμούς των χαρακτηριστικών μέχρι και ανά τέσσερις (k=4), έτσι ώστε να συνδυαστούν όλα τα πιθανά ενδεχόμενα ταξινόμησης. Τα αποτελέσματα έδειξαν ότι η καλύτερη ταξινόμηση επιτυγχάνεται με τον ταξινομητή Gaussian Naive Bayes και με ποσοστό ακρίβειας 57.1%. Φυσικά, υπάρχουν περιθώρια βελτίωσης, προκειμένου να υπάρξει εφαρμογή του αλγορίθμου σε ιστοπαθολογικές εικόνες και άλλων τύπου κακοήθειας καρκίνου. Τέλος, χρειάζεται η εφαρμογή του σε μεγαλύτερο αριθμό εικόνων και ο υπολογισμός περισσότερων χαρακτηριστικών, όπως τα χαρακτηριστικά υφής και αρχιτεκτονικής.
.jpg){kind=logo}
University of West Attica
