Institutional Repository
Technical University of Crete
EN  |  EL

Search

Browse

My Space

Neural network architectures for skin cancer detection

Papadopoulos Alexandros

Simple record


URIhttp://purl.tuc.gr/dl/dias/40C664A1-8924-4E26-9A75-C82FAC942697-
Identifierhttps://doi.org/10.26233/heallink.tuc.104992-
Languageen-
Extent73 pagesen
TitleNeural network architectures for skin cancer detectionen
TitleΣύγκριση αρχιτεκτονικών νευρωνικών δικτύων για τη διάγνωση καρκίνου του δέρματοςel
CreatorPapadopoulos Alexandrosen
CreatorΠαπαδοπουλος Αλεξανδροςel
Contributor [Thesis Supervisor]Digalakis Vasilisen
Contributor [Thesis Supervisor]Διγαλακης Βασιληςel
Contributor [Committee Member]Kalogerakis Evangelosen
Contributor [Committee Member]Καλογερακης Ευαγγελοςel
Contributor [Committee Member]Lagoudakis Michailen
Contributor [Committee Member]Λαγουδακης Μιχαηλel
PublisherΠολυτεχνείο Κρήτηςel
PublisherTechnical University of Creteen
Academic UnitTechnical University of Crete::School of Electrical and Computer Engineeringen
Academic UnitΠολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστώνel
Content SummaryDeep 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 SummaryΗ 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 ItemΔιπλωματική Εργασίαel
Type of ItemDiploma Worken
Licensehttp://creativecommons.org/licenses/by/4.0/en
Date of Item2025-10-09-
Date of Publication2025-
SubjectΚαρκίνος του δέρματοςel
SubjectSkin canceren
SubjectΝευρωνικά δίκτυαel
SubjectNeural networksen
Bibliographic CitationAlexandros Papadopoulos, "Neural network architectures for skin cancer detection", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2025en
Bibliographic CitationΑλέξανδρος Παπαδόπουλος, "Σύγκριση αρχιτεκτονικών νευρωνικών δικτύων για τη διάγνωση καρκίνου του δέρματος", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2025el

Available Files

Services

Statistics