Συστήματα ανίχνευσης χαρακτηριστικών των ασθενειών με τεχνικές μηχανικής μάθησης

Περίληψη

Μία από τις πιο γοργά αναπτυσσόμενες περιοχές της επιστήμης των υπολογιστών είναιη ανάπτυξη έξυπνων συστημάτων που υποστηρίζουν τις αποφάσεις των χρηστών και παρέχουν ένα ευρύ πεδίο υπηρεσιών. Η εξυπνάδα τους βασίζεται στην παρακολούθηση και αποκωδικοποίηση των δεδομένων και των αναγκών του χρήστη και επιτυγχάνεται με την εφαρμογή τεχνικών μηχανικής μάθησης. Ειδικά η επεξεργασία εικόνας, η ανίχνευση αντικειμένων και η εξαγωγή χαρακτηριστικών/ιδιοτήτων ασθενειών από κάθε είδους δεδομένα εισόδου αποτελούν τις πιο σημαντικές εφαρμογές τεχνικών μηχανικής μάθησης στην Ιατρική. Παλαιότερα, πριν την εποχή της Μηχανικής Μάθησης, η εξαγωγή χαρακτηριστικών ήταν περιορισμένη. Τα νευρωνικά δίκτυα διαθέτουν μεθόδους για την επίτευξη τόσο της εξαγωγής χαρακτηριστικών όσο και της αξιολόγησης χαρακτηριστικών, φτάνοντας έτσι σε αποφάσεις φιλτράροντας τις άσχετες εξαγόμενες πληροφορίες. Τα δεδομένα επεξεργάζονται και αναπαρίστανται μέσω μαθηματικών διαδικασιών και αυτή η αναπαράσταση οδηγεί στην εξαγωγή ...
περισσότερα

Περίληψη σε άλλη γλώσσα

Systems to detect traits of health diseases using machine learning techniques One of the fastest growing areas of computer science is the development of intelligent systems that support user decisions and provide a wide range of services. Their intelligence is based on monitoring and decoding the user's data and needs and is achieved by applying machine learning techniques. Especially image processing, object detection and the extraction of disease characteristics/properties from all kinds of input data are the most important applications of machine learning techniques in Medicine. Earlier, before the era of Machine Learning, the process of feature extraction was limited. Neural networks constitute the methods to achieve both feature extraction and feature evaluation, thereby reaching decisions by filtering out irrelevant extracted information. The data are processed and represented through mathematical processes and this representation leads to the extraction of innumerable properties ...
περισσότερα

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

DOI
10.12681/eadd/53526
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/53526
ND
53526
Εναλλακτικός τίτλος
Systems to detect traits of health diseases using machine learning techniques
Συγγραφέας
Γιάννου, Ολυμπία (Πατρώνυμο: Δημήτριος)
Ημερομηνία
2022
Ίδρυμα
Πανεπιστήμιο Πατρών. Σχολή Πολυτεχνική. Τμήμα Μηχανικών Ηλεκτρονικών Υπολογιστών και Πληροφορικής. Τομέας Λογικού των Υπολογιστών. Εργαστήριο Πληροφοριακών Συστημάτων Υψηλών Επιδόσεων
Εξεταστική επιτροπή
Παυλίδης Γεώργιος
Λυκοθανάσης Σπυρίδων
Τσώλης Δημήτριος
Μεγαλοοικονόμου Βασίλειος
Σιούτας Σπυρίδων
Γαροφαλάκης Ιωάννης
Μαρούλης Ιωάννης
Επιστημονικό πεδίο
Επιστήμες Μηχανικού και ΤεχνολογίαΕπιστήμη Ηλεκτρολόγου Μηχανικού, Ηλεκτρονικού Μηχανικού, Μηχανικού Η/Υ ➨ Αυτοματισμοί και Συστήματα ελέγχου
Επιστήμες Μηχανικού και ΤεχνολογίαΕπιστήμη Ηλεκτρολόγου Μηχανικού, Ηλεκτρονικού Μηχανικού, Μηχανικού Η/Υ ➨ Τεχνολογία μέσων
Λέξεις-κλειδιά
Μηχανική μάθηση; Ιατρικά συστήματα; Αρχιτεκτονικές λογισμικού; Πρόγνωση; Διάγνωση; Συστήματα; Έξυπνα συστήματα; Ασθένειες; Αυτοματισμός
Χώρα
Ελλάδα
Γλώσσα
Ελληνικά
Άλλα στοιχεία
εικ., πιν., σχημ., γραφ.
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
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.