Διερεύνηση αλλοιώσεων του στομάχου με τεχνική τεχνητής νοημοσύνης τύπου ακτινικής βάσης σε κυτταρολογικό υλικό
Περίληψη
Εισαγωγή Με τη βοήθεια ενός ειδικά διασκευασμένου συστήματος ανάλυσης εικόνων μετρήθηκαν 25 παράμετροι που χαρακτηρίζουν το σχήμα το μέγεθος και την υφή της χρωματίνης των πυρήνων καλοήθων και κακοήθων κυττάρων. Υλικό και μέθοδος Μελετήθηκαν περιστατικά καλοήθων και κακοήθων αλλοιώσεων από επιχρίσματα αλλοιώσεων του στομάχου. Για το σύνολο των περιστατικών πλην της κυτταρολογικής διάγνωσης υπήρχε ιστολογική και κλινική επιβεβαίωση. Επιχειρήθηκε διαχωρισμός της καλοήθειας από την κακοήθεια με τη βοήθεια δύο διαφορετικών μεθόδων τεχνητής νοημοσύνης, συγκεκριμένα του νευρωνικού δικτύου οπισθοδρομικής διάδοσης του σφάλματος και νευρωνικών δικτύων με ακτινικές συναρτήσεις βάσης. Αποτελέσματα Τα αποτελέσματα διαχωρισμού της καλοήθειας από την κακοήθεια,, έδειξαν πως είναι δυνατόν να επιτευχθούν υψηλά ποσοστά διαγνωστικής ακρίβειας. Γεγονός που επιβεβαιώνει πως η μεθοδολογία που ακολουθήσαμε, τόσο όσον αφορά στα χαρακτηριστικά που μετρήθηκαν όσο και στις επιλεγμένες αρχιτεκτονικές τεχνητής νο ...
περισσότερα
Περίληψη σε άλλη γλώσσα
Introduction A customized image analysis system has been developed and used to measure 25 parameters characterizing the shape, the size and the chromatine texture of nuclei from benign or malignant cells. Matterial and Methods In this study there have been studied benign and malignant cases of the stomachThe cytological examination of all the cases has been confirmed by the histological examination and by the clinical confirmation. For each organ we have attempted to discriminate between benign and malignant. There have been used τςο different types of neural networks, specifically the back propagation of the error (BP) neural network and the Radial Basis Functions (RBF) type neural network. Results The results indicate that it is possible to achieve excellent diagnostic accuracy. This fact confirms the proposed methodology, introduced in this study, in relation to the selected measurement characteristics and the selected artificial intelligence algorithms. These results are encouragin ...
περισσότερα
Κατεβάστε τη διατριβή σε μορφή PDF (12.53 MB)
(Η υπηρεσία είναι διαθέσιμη μετά από δωρεάν εγγραφή)
|
Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.
|
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στους συνδεδεμένους στο σύστημα χρήστες οι οποίοι έχουν αλληλεπιδράσει με τη διδακτορική διατριβή. Ως επί το πλείστον, αφορά τις μεταφορτώσεις.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.