BEGIN:VCALENDAR VERSION:2.0 PRODID:-//TUC//Events//EN CALSCALE:GREGORIAN BEGIN:VTIMEZONE TZID:Europe/Athens TZNAME:EEST DTSTART:19700329T030000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3 BEGIN:STANDARD TZOFFSETFROM:+0200 TZOFFSETTO:+0300 TZNAME:EET DTSTART:19701025T040000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10 END:STANDARD END:VTIMEZONE BEGIN:VEVENT CREATED:20220912T133958Z LAST-MODIFIED:20220912T133958Z DTSTAMP:20260720T043402Z UID:1784511242@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κας Αθανασίου Σοφίας - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=5781&cHash=e578f86e9278eb7 5fccef781d58e8221\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n ΑΘΑΝΑΣΙΟΥ ΣΟΦΙΑ \n με θέμα\n Χωρική Πληροφορία Εξαγώ γιμη από Ενδοσκοπική Κάψουλα, με Επε ξεργασία Εικόνας και Εφαρμογή Μηχανι κής Μάθησης\n Endoscopic Capsule Spa tial Awareness by using Image Featur e Extraction and Machine Learning\n Εξεταστική Επιτροπή: \n Ζερβάκης Μιχ αήλ, \n Σταυρακάκης Γεώργιος\n Σεργά κη Ελευθερία\n Abstract: \n Wireless Endoscopy Capsule becomes more and more famous since it is the only way for the physicians to have a non-in vasive view of the small intestine a nd identify bleeding, polyps, Crohn’ s disease and other abnormalities of the small intestine. Wireless Capsu le Endoscopy is happening with the p atient swallowing an electronic caps ule, the capsule includes a camera, that way is taking photographs of th e Gastrointestinal Track as it moves from one organ to another. Those pi ctures are transferred to a recorder and from there a software is produc ing a video stream using those frame s. The journey of the capsule in gas trointestinal track might last 8 or more hours based on the movement of the track, during that time it will collect more than 50,000 to 100,000 pictures producing a long video. Exa mining that amount of frames, it is a very time-consuming procedure and a tiring task for gastroenterologist s. There are many researches that tr y to reduce that time using extra pr ocessing of the videos. Nowadays, wi th the evolution of Machine Learning and Artificial Intelligence for ima ge classification, they are a great supporting tool for physicians. \n T his thesis studies the spatial infor mation extraction problem for Wirele ss Endoscopy Capsule using Machine L earning techniques. Being able to lo cate the endoscopy capsule can provi de doctors with the opportunity to e xamine only the part of the gastroin testinal track that is of their most interest. Moreover, producers of en doscopy capsules can use such techni ques in order to save battery, by re ducing the pictures tracked in areas that are not of the most importance . \n In order to resolve that proble m, we developed three different Conv olution Neural Net-works models, whi ch achieve the automatic classificat ion of the pictures they receive to the corresponding organ of the diges tive system (esophagus, stomach, sma ll intestine and large intestine). T he data we used to train and verify our models are from the same col- le ction as in the Thesis of Mr. A. Pol ydorou, at the Electrical and Comput er Engineering Department of Technic al University of Crete in 2018. For the feature extraction part of the m odel, Convolutional two-dimensional (Conv2D) and Maxpooling two-dimensio nal (Max2D) were used with ReLU acti vation function. For the classificat ion were used Flat- ten and Dense la yers with activation function softma x function. In one model, there was also use of Dropout in order to rand omly disconnect nodes and their edge s. \n For the validation of the perf ormance of our models, we used metri cs such as Accuracy(Acc), Sensitivit y(Sens), Specificity(Spe), Error Rat e(Err) and Precision(Pre). Since it is a multi-class classification, tho se values are calculated for each or gan (or class) individually. The bes t performance among our models holis tically comes from Model 2 where is providing for esophagus: Accuracy of 95.16%, Error Rate of 4.83%, Precis ion of 84.84%, Specificity of 94.73% and Sensitivity of 96.55%. For stom ach provides, Accuracy of 91.93%, Er ror Rate of 8.06%, Precision of 90.9 %, Specificity of 96.55% and Sensiti vity of 81.08%. For small intestine, is performing with Accuracy of 95.9 6%, Error Rate of 4.03%, Precision o f 92.85%, Specificity of 97.89% and Sensitivity of 89.65%. Finally, for large intestine, Accuracy of 99.19%, Error Rate of 0.8%, Precision of 96 .66%, Specificity of 98.94% and Sens itivity of 100%. \n Περίληψη: \n Η ε νδοσκοπική κάψουλα γίνεται όλο κ αι πιο διάσημη καθώς αποτελεί τον μόνο μη-επεμβατικό τρόπο ώστε ν α υπάρχει μια εικόνα του λεπτού ε ντέρου, ώστε να αναγνωριστούν αιμ ορρα- γίες, πολύποδες, ασθένεια τ ου Crohn και άλλες δυσμορφίες του βλενογόννου του λεπτού εντέρου. Γ ια την εξέταση ο ασθενής καταπίνε ι την ηλεκτρονική κάψουλα, η οποί α περιέχει και κάμερα, έτσι μπορε ί να λαμβάνει φωτογραφίες του γασ τρεντερολογικού συστήματος κα- θώ ς κινείται από το ένα όργανο στο άλλο. Αυτές οι φωτογραφίες μεταφ έρονται σε έναν υπολογιστή και με την βοήθεια λογισμικού παράγεται ένα βίντεο το οποίο περιέχει αυ τές τις εικόνες. Το ταξίδι της εν δοσκοπικής κάψουλας μέσα στο γαστ ρεντερολογικό σύστημα του ασθενού ς μπορεί να διαρκέσει από 8 εώς και περισσότερες ώρες ανάλογα με την κίνηση του. Μέσα σε αυτή την ώρα η κάψουλα λαμβάνει 50.000 με 100.000 φωτογραφίες παράγοντας έν α αρκετά μεγάλο σε διάρκεια βίντ εο. ́Ετσι η διεξοδική εξέταση αυτο ύ του βίντεο αποτελεί μια εξαιρετ ικά χρονοβόρα διαδικασία για τους γιατρούς. Υπάρχουν πολλές έρευν ες οι οποίες προσπαθούν μέσω προε πεξεργασίας του βίντεο να μειώσου ν αυτό τον χρόνο. Σήμερα, με την εξέλιξη της Μηχανικής Μάθησης και της Τεχνητής Νοημοσύνης, ειδικά στον τομέα της ταξινόμησης φωτογρα φίων, αποτελούν σπουδαία εργαλεί α για τους ειδικούς υγείας. \n Αυτ ή η διπλωματική, μελετάει την εξα γωγή χωρικών πληροφοριών της Ενδο σκοπικής κάψου- λας με την χρήση τεχνικών Μηχανικής Μάθησης. Το να είμαστε σε θέση να εντοπίζουμε τ ην ενδοσκοπική κάψουλα κατά την π ορεία της στο γαστρεντερολογικό συ ́στημα δίνει την δυνα- τότητα στου ς γιατρούς να εναποθέσουν ενέργει α στην εξέταση μέρους του βίντεο που αφορά μονάχα το σημείο ενδιαφ έροντος. Επιπλέον, οι κατασκευαστε ́ς της ενδοσκοπικής κάψουλας θα μπ ορούσαν να χρησιμοποιήσουν τα προτ εινόμενα μοντέλα ώστε να κάνουν εξοικονόμι- ση μπαταρίας όπου δεν χρειαζόμαστε πολλές φωτογραφίες και να λαμβάνουν περισσότερες λήψ εις, όταν αυτό είναι απαραίτητο.  \n Για την επίτευξη αυτού, δημιου ργήθηκαν 3 διαφορετικά μοντέλα Νε υρωνικών Δικτύων, τα οποία επιτυγ χάνουν την ταξινόμηση των φωτογραφ ιών στο αντίστοιχο όργανο που ανη ́κουν. Τα δεδομένα που χρησιμοποιή σαμε έρχονται από την διπλωματική του κ. Α. Πολυδώρου για την σχολή ΗΜΜΥ, του Π.Κ. το 2018. Για την εξα γωγή των χαρακτηριστικών χρησιμοπο ι- ήθηκαν Convolutional επίπεδα κα ι Maxpooling επίπεδα και ReLU activ ation function. Για την πρόβλεψη χρ ησιμοποιήθηκαν Flatten και Dense επ ίπεδα με την χρήση Softmax activa- tion function. Σε ένα από τα μοντε ́λα χρησιμοποιήθηκε και Dropout το οποίο αποσυνδέει τυχαία του κόμβ ους και όλες τις ακμές τους από τ ο νευρωνικό δίκτυο.\n Για την αξιο λόγηση των μοντέλων χρησιμοποιήθη καν μετρήσεις όπως Accuracy(Acc), Sensitivity(Sens), Specificity(Spe), Error Rate(Err) και Precision(Pre). Καθώς είναι ένα πρόβλη- μα με π ολλαπλές τάξεις, οι τιμές αυτές υπολογίζονται για κάθε όργανο ξεχ ωριστά. Η κα- λύτερη ολιστικά απο ́δοση έρχεται από το Μοντέλο 2 το οποίο προσφέρει όσον αφορά τις τιμές αυτές και για κάθε ξεχωριστ ό όργανο του πεπτικού συστήμα. Γ ια τον οισοφάγο: Accuracy 95.16%, E rror Rate 4.83%, Precision 84.84%, S pecificity 94.73% και Sensitivity 96 .55%. Για το στομάχι: Accuracy 91.9 3%, Error Rate 8.06%, Precision 90.9 %, Specificity 96.55% και Sensitivit y 81.08%. Για το λεπτό έντερο: Acc uracy 95.96%, Error Rate 4.03%, Prec ision 92.85%, Specificity 97.89% και Sensitivity 89.65%. Τέλος, για το παχύ έντερο: Accuracy 99.19%, Erro r Rate 0.8%, Precision 96.66%, Speci ficity 98.94% και Sensitivity 100%.  \n Meeting ID: 934 400 1013\n Passwo rd: 123456\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20220914T163000 DTEND:20220914T173000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT END:VCALENDAR