Βαθιά μάθηση με εφαρμογές στην ιατρική
Κύριος συγγραφέας: | |
---|---|
Μορφή: | Πτυχιακή εργασία |
Γλώσσα: | Greek |
Έκδοση: |
Α.Ε.Ι. Πειραιά Τ.Τ.
2018
|
Θέματα: | |
Διαθέσιμο Online: | http://okeanis.lib2.uniwa.gr/xmlui/handle/123456789/4923 |
_version_ | 1780524267596677120 |
---|---|
abstract | Η βαθιά μάθηση αποτελεί μέρος μιας ευρύτερης οικογένειας της μηχανικής μάθησης και βρίσκεται στην αιχμή της τεχνολογίας. Είναι μία τεχνική μηχανικής μάθησης η οποία διδάσκει στους υπολογιστές να πράττουν αυτό που στους ανθρώπους έρχεται φυσικά: μάθηση μέσω παραδειγμάτων. Η βαθιά μάθηση είναι η βασική τεχνολογία πίσω από τα αυτόνομα οχήματα και αποτελεί το κλειδί του φωνητικού ελέγχου σε καταναλωτικές συσκευές. Η συγκεκριμένη εργασία θα εμβαθύνει στις εφαρμογές της στην Ιατρική, πιο συγκεκριμένα στη δημιουργία ενός μοντέλου εκπαίδευσης το οποίο θα μπορεί να κατηγοριοποιεί αξονικές τομογραφίες θώρακα σύμφωνα με την ύπαρξη ή μη καρκίνου του πνεύμονα στον ασθενή. Στην εργασία χρησιμοποιήθηκε ή υψηλού επιπέδου γλώσσα προγραμματισμού Python,η Tensor Flow, μια βιβλιοθήκη λογισμικού ανοιχτού κώδικα για προγραμματισμό ροής δεδομένων καθώς και μία πληθώρα βιβλιοθηκών που κατέστησαν δυνατή τη χρήση και επεξεργασία των ιατρικών δεδομένων. Τα ιατρικά δεδομένα που χρησιμοποιήθηκαν πάρθηκαν από τον διαγωνισμό Data Science Bowl 2017 του Kaggle. |
abstracttranslated | Deep learning is part of a broader family of machine learning and is at the cutting edge of technology. Deep learning is a machine learning technique that teaches computers to do what comes naturally to humans: learn by example. Deep learning is a key technology behind driverless cars and the key to voice control in consumer devices. This particular work will delve into its applications in Medicine, specifically in the creation of a training model that can classify computed tomography scans of the
thorax according to whether or not the patient has lung cancer. In this dissertation, Python, a high-level programming language, Tensor Flow, an open-source software library for dataflow programming, as well as a plethora of libraries were utilized to make possible the use and process of the medical data. The medical data used was taken from the Kaggle Data Science Bowl 2017 competition. |
advisor | |
author | Αθανασίου, Αντώνιος |
author_facet | Αθανασίου, Αντώνιος |
author_sort | Αθανασίου, Αντώνιος |
collection | Okeanis Institutional Repository |
facultydepartment | Τμήμα Μηχανικών Αυτοματισμού Τ.Ε. |
format | Πτυχιακή εργασία |
id | okeanis-123456789-4923 |
institution | University of West Attica Campus II |
keyword | Βαθιά μάθηση Ιατρικές εφαρμογές Νευρωνικά δίκτυα Συνελικτικά νευρωνικά δίκτυα Deep learning TensorFlow DICOM Μηχανική μάθηση |
language | Greek |
physical | 72 |
publishDate | 2018 |
publisher | Α.Ε.Ι. Πειραιά Τ.Τ. |
record_format | dspace |
spelling | okeanis-123456789-49232019-06-07T06:31:02Z Βαθιά μάθηση με εφαρμογές στην ιατρική Deep learning with applications in medicine Αθανασίου, Αντώνιος Νικολάου, Γρηγόριος Τμήμα Μηχανικών Αυτοματισμού Τ.Ε. TPSH::Επιστήμη Υπολογιστών::Νευρωνικά Δίκτυα (Επιστήμη των Υπολογιστών) Βαθιά μάθηση Ιατρικές εφαρμογές Νευρωνικά δίκτυα Συνελικτικά νευρωνικά δίκτυα Deep learning TensorFlow DICOM Μηχανική μάθηση Η βαθιά μάθηση αποτελεί μέρος μιας ευρύτερης οικογένειας της μηχανικής μάθησης και βρίσκεται στην αιχμή της τεχνολογίας. Είναι μία τεχνική μηχανικής μάθησης η οποία διδάσκει στους υπολογιστές να πράττουν αυτό που στους ανθρώπους έρχεται φυσικά: μάθηση μέσω παραδειγμάτων. Η βαθιά μάθηση είναι η βασική τεχνολογία πίσω από τα αυτόνομα οχήματα και αποτελεί το κλειδί του φωνητικού ελέγχου σε καταναλωτικές συσκευές. Η συγκεκριμένη εργασία θα εμβαθύνει στις εφαρμογές της στην Ιατρική, πιο συγκεκριμένα στη δημιουργία ενός μοντέλου εκπαίδευσης το οποίο θα μπορεί να κατηγοριοποιεί αξονικές τομογραφίες θώρακα σύμφωνα με την ύπαρξη ή μη καρκίνου του πνεύμονα στον ασθενή. Στην εργασία χρησιμοποιήθηκε ή υψηλού επιπέδου γλώσσα προγραμματισμού Python,η Tensor Flow, μια βιβλιοθήκη λογισμικού ανοιχτού κώδικα για προγραμματισμό ροής δεδομένων καθώς και μία πληθώρα βιβλιοθηκών που κατέστησαν δυνατή τη χρήση και επεξεργασία των ιατρικών δεδομένων. Τα ιατρικά δεδομένα που χρησιμοποιήθηκαν πάρθηκαν από τον διαγωνισμό Data Science Bowl 2017 του Kaggle. Deep learning is part of a broader family of machine learning and is at the cutting edge of technology. Deep learning is a machine learning technique that teaches computers to do what comes naturally to humans: learn by example. Deep learning is a key technology behind driverless cars and the key to voice control in consumer devices. This particular work will delve into its applications in Medicine, specifically in the creation of a training model that can classify computed tomography scans of the thorax according to whether or not the patient has lung cancer. In this dissertation, Python, a high-level programming language, Tensor Flow, an open-source software library for dataflow programming, as well as a plethora of libraries were utilized to make possible the use and process of the medical data. The medical data used was taken from the Kaggle Data Science Bowl 2017 competition. 2018-11-08 Πτυχιακή εργασία http://okeanis.lib2.uniwa.gr/xmlui/handle/123456789/4923 el http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα Α.Ε.Ι. Πειραιά Τ.Τ. 72 http://okeanis.lib2.uniwa.gr/xmlui/bitstream/123456789/4923/6/auto_44518.pdf.jpg |
spellingShingle | TPSH::Επιστήμη Υπολογιστών::Νευρωνικά Δίκτυα (Επιστήμη των Υπολογιστών) Αθανασίου, Αντώνιος Βαθιά μάθηση με εφαρμογές στην ιατρική |
title | Βαθιά μάθηση με εφαρμογές στην ιατρική |
title_full | Βαθιά μάθηση με εφαρμογές στην ιατρική |
title_fullStr | Βαθιά μάθηση με εφαρμογές στην ιατρική |
title_full_unstemmed | Βαθιά μάθηση με εφαρμογές στην ιατρική |
title_short | Βαθιά μάθηση με εφαρμογές στην ιατρική |
title_sort | βαθιά μάθηση με εφαρμογές στην ιατρική |
title_translated | Deep learning with applications in medicine |
topic | TPSH::Επιστήμη Υπολογιστών::Νευρωνικά Δίκτυα (Επιστήμη των Υπολογιστών) |
url | http://okeanis.lib2.uniwa.gr/xmlui/handle/123456789/4923 |