URI | http://purl.tuc.gr/dl/dias/40C664A1-8924-4E26-9A75-C82FAC942697 | - |
Identifier | https://doi.org/10.26233/heallink.tuc.104992 | - |
Language | en | - |
Extent | 73 pages | en |
Title | Neural network architectures for skin cancer detection | en |
Title | Σύγκριση αρχιτεκτονικών νευρωνικών δικτύων για τη διάγνωση καρκίνου του δέρματος | el |
Creator | Papadopoulos Alexandros | en |
Creator | Παπαδοπουλος Αλεξανδρος | el |
Contributor [Thesis Supervisor] | Digalakis Vasilis | en |
Contributor [Thesis Supervisor] | Διγαλακης Βασιλης | el |
Contributor [Committee Member] | Kalogerakis Evangelos | en |
Contributor [Committee Member] | Καλογερακης Ευαγγελος | el |
Contributor [Committee Member] | Lagoudakis Michail | en |
Contributor [Committee Member] | Λαγουδακης Μιχαηλ | el |
Publisher | Πολυτεχνείο Κρήτης | el |
Publisher | Technical University of Crete | en |
Academic Unit | Technical University of Crete::School of Electrical and Computer Engineering | en |
Academic Unit | Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών | el |
Content Summary | Deep learning has transformed medical imaging, particularly for automated disease diagnosis, with Convolutional Neural Networks (CNNs) traditionally
dominating image analysis. The recent rise of Transformer architectures, including Vision Transformers (ViTs), offers a powerful new paradigm for
image recognition. This thesis provides a systematic comparison of custom designed CNN and ViT architectures built from scratch for
dermatological image classification. It explores the impact of fundamental design choices, such as network depth and regularization techniques, to
maximize predictive accuracy, while considering computational constraints. These models are benchmarked on the HAM10000 dataset, a
collection of over 10,000 dermatoscopic images across seven skin lesion categories, using a comprehensive suite of metrics including validation
accuracy, loss, Macro F1-score, and parameter count. This study offers critical, evidence-based insights into the architectural trade-offs inherent
to each approach, serving as a methodical guide for developing effective, specialized models for challenging medical imaging tasks. | en |
Content Summary | Η βαθιά μάθηση έχει μεταμορφώσει την ιατρική απεικόνιση, ιδίως στον τομέα της αυτοματοποιημένης διάγνωσης ασθενειών, με τα Συνελικτικά Νευρωνικά Δίκτυα (CNNs) να κυριαρχούν παραδοσιακά στην ανάλυση εικόνας. Η πρόσφατη άνοδος των αρχιτεκτονικών τύπου Μετασχηματιστή, συμπεριλαμβανομένων των Vision Transformers (ViTs), εισάγει ένα ισχυρό νέο παράδειγμα για την αναγνώριση εικόνων. Η παρούσα διατριβή παρουσιάζει μια συστηματική σύγκριση προσαρμοσμένων αρχιτεκτονικών CNN και ViT, οι οποίες έχουν αναπτυχθεί εξ ολοκλήρου από την αρχή για την ταξινόμηση δερματολογικών εικόνων. Εξετάζεται ο αντίκτυπος βασικών επιλογών σχεδιασμού, όπως το βάθος του δικτύου και οι τεχνικές κανονικοποίησης, με στόχο τη μεγιστοποίηση της προγνωστικής ακρίβειας, λαμβάνοντας παράλληλα υπόψη τους υπολογιστικούς περιορισμούς. Τα μοντέλα αξιολογούνται στο σύνολο δεδομένων HAM10000, μια συλλογή από περισσότερες από 10.000 δερματοσκοπικές εικόνες επτά κατηγοριών δερματικών βλαβών, χρησιμοποιώντας ένα ολοκληρωμένο σύνολο μετρικών που περιλαμβάνει την ακρίβεια επικύρωσης, την απώλεια, τη βαθμολογία Macro F1 και τον αριθμό παραμέτρων. Η μελέτη παρέχει κρίσιμες, τεκμηριωμένες γνώσεις σχετικά με τους αρχιτεκτονικούς συμβιβασμούς που είναι εγγενείς σε κάθε προσέγγιση, λειτουργώντας ως μεθοδικός οδηγός για την ανάπτυξη αποτελεσματικών και εξειδικευμένων μοντέλων για απαιτητικές εφαρμογές ιατρικής απεικόνισης. | el |
Type of Item | Διπλωματική Εργασία | el |
Type of Item | Diploma Work | en |
License | http://creativecommons.org/licenses/by/4.0/ | en |
Date of Item | 2025-10-09 | - |
Date of Publication | 2025 | - |
Subject | Καρκίνος του δέρματος | el |
Subject | Skin cancer | en |
Subject | Νευρωνικά δίκτυα | el |
Subject | Neural networks | en |
Bibliographic Citation | Alexandros Papadopoulos, "Neural network architectures for skin cancer detection", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2025 | en |
Bibliographic Citation | Αλέξανδρος Παπαδόπουλος, "Σύγκριση αρχιτεκτονικών νευρωνικών δικτύων για τη διάγνωση καρκίνου του δέρματος", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2025 | el |