HEAL DSpace

Υποστήριξη της διάγνωσης της καρωτιδικής αθηρωμάτωσης με τη βοήθεια προτύπων κινητικότητας και παραμόρφωσης του αρτηριακού τοιχώματος

DSpace/Manakin Repository

Show simple item record

dc.contributor.author Πρεβένιος, Μαρίνος el
dc.contributor.author Prevenios, Marinos en
dc.date.accessioned 2014-11-19T08:23:38Z
dc.date.available 2014-11-19T08:23:38Z
dc.date.issued 2014-11-19
dc.identifier.uri https://dspace.lib.ntua.gr/xmlui/handle/123456789/39686
dc.identifier.uri http://dx.doi.org/10.26240/heal.ntua.6600
dc.rights Default License
dc.subject Ανάλυση κίνησης el
dc.subject Καρωτιδική αθηρωμάτωση el
dc.subject Yπέρηχος el
dc.subject Κρυφά Μαρκοβιανά Μοντέλα el
dc.subject Μηχανές Διανυσμάτων Υποστήριξης el
dc.subject Motion analysis en
dc.subject Carotid atherosclerosis en
dc.subject Ultrasound en
dc.subject Hidden Markov Models en
dc.subject Support Vector Machines en
dc.title Υποστήριξη της διάγνωσης της καρωτιδικής αθηρωμάτωσης με τη βοήθεια προτύπων κινητικότητας και παραμόρφωσης του αρτηριακού τοιχώματος el
dc.title Aiding diagnosis and risk stratification for carotid atherosclerosis using mobility and strain patterns of the arterial wall en
dc.contributor.department Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών el
heal.type bachelorThesis
heal.classification Carotid artery en
heal.classificationURI http://id.loc.gov/authorities/subjects/sh85020409
heal.access free
heal.recordProvider ntua el
heal.publicationDate 2014-05-15
heal.abstract Σε αυτή την εργασία προσεγγίστηκε μια σπουδαία κλινική πρόκληση, η υποστήριξη της διάγνωσης της καρωτιδικής αθηρωμάτωσης, που ευθύνεται για την πλειονότητα των εγκεφαλικών επεισοδίων. Σε αυτή τη κατεύθυνση εξετάστηκε η δυνατότητα διάκρισης μεταξύ ασταθών και μη, αθηρωματικών πλακών στη καρωτίδα αρτηρία, μέσω της ανάλυσης ακολουθιών εικόνων υπερήχου. Έχοντας στη διάθεση μας έναν εκτιμητή κίνησης, που είχε ήδη υλοποιηθεί, βελτιστοποιηθεί και αξιολογηθεί για την εκτίμηση της κίνησης του αρτηριακού τοιχώματος, εφαρμόστηκε σε ακολουθίες εικόνων υπερήχου Β-σάρωσης για ένα σύνολο 96 ασθενών που πάσχουν από καρωτιδική αθηρωμάτωση. Τα αποτελέσματα από την εκτίμηση κίνησης για τον κάθε ασθενή χρησιμοποιήθηκαν για την παραγωγή 146 κατηγοριών κυματομορφών κίνησης, που αναπαριστούν μοτίβα κινήσεων και παραμορφώσεων σε σχέση με : (α) κινήσεις της αθηρωματικής πλάκας και των υγιών μερών του αρτηριακού τοιχώματος πλησίον της πλάκας, όπως και (β) τοπικές παραμορφώσεις και σχετικές κινήσεις του αρτηριακού τοιχώματος, αντίστοιχα. Αυτές οι κυματομορφές κίνησης τροφοδότησαν τα Κρυφά Μαρκοβιανά Μοντέλα (HMMs), που έχουν χρησιμοποιηθεί με μεγάλη επιτυχία στην αναγνώριση φωνής αλλά και σε πολλές άλλες εφαρμογές μηχανικής μάθησης. Στην περίπτωσή μας, τα HMMs χρησιμοποιήθηκαν για να αναγνωρίσουν περιπτώσεις κυματομορφών συμπτωματικών και ασυμπτωματικών ασθενών, με την αναλογία του ότι ο εκάστοτε ασθενής συνεισφέρει με τη δική του καρωτιδική αρτηριακή "προφορά" στο μοντέλο. Η απόδοση (ακρίβεια κατηγοριοποίησης) στα HMMs κυμάνθηκε μεταξύ 57.05% και 81.44% για τις 146 κατηγορίες κυματομορφών, με μέση απόδοση 69.95%. Τα αποτελέσματα αυτά επαληθεύτηκαν με την χρήση Μηχανών Διανυσμάτων Υποστήριξης (SVMs) στο ίδιο σύνολο δεδομένων, που κατηγοριοποιήθηκαν με μέση απόδοση 59%. Στην περίπτωση που επιλέχθηκαν, μονάχα, αυτές οι κατηγορίες κυματομορφών που παρουσίασαν τα υψηλότερα ποσοστά απόδοσης, τα HMMs μπόρεσαν να διακρίνουν ασυμπτωματικούς και συμπτωματικούς ασθενείς με απόδοση 75.81% και 73.91% αντίστοιχα, ενώ τα SVMs έφεραν αποτελέσματα 78.66% και 69.84% αντίστοιχα. Με δεδομένη την υπεροχή των SVMs, επιλέχθηκαν από αυτό το μοντέλο, οι συγκεκριμένες κατηγορίες κυματομορφών και δημιουργήθηκε ένα σύστημα πλειοψηφίας, για την υποστήριξη της διάγνωσης της ασθένειας. Η πλήρης δυναμική του συστήματος μένει να αποδειχθεί στο πλαίσιο μελλοντικών μελετών, σε μεγάλο πλήθος ασθενών με καρωτιδική αθηρωμάτωση οι οποίοι θα υποβληθούν σε συχνούς επανελέγχους, ενώ το σύστημα μπορεί να εμπλουτιστεί με πρόσθετα χαρακτηριστικά με χρονική εξέλιξη, όπως η αρτηριακή πίεση και ο καρδιακός ρυθμός el
heal.abstract This thesis addressed a major clinical challenge, namely valid risk stratification for carotid atherosclerosis, which constitutes the most common cause of stroke. Toward this direction, we investigated the potential of spatiotemporal ultrasound image analysis in discriminating between stable and vulnerable atherosclerotic plaques of the carotid artery. To this end, a motion estimator, which has previously been designed, optimized and evaluated for arterial wall motion estimation, was applied to B-mode ultrasound image sequences of 96 patients with carotid atherosclerosis. The results of motion estimation for each patient were used to produce 146 types of motion waveforms, which represented mobility and strain patterns that express: (a) the movements of the atherosclerotic lesion (plaque) and the healthy parts of the arterial wall adjacent to the plaque, and (b) local deformations and relative movements in the arterial wall, respectively. These sets of motion waveforms were fed to Hidden Markov Models (HMMs), which have been successfully used in voice recognition and several other tasks of machine learning. In this case, HMMs were used to recognize motion waveforms of symptomatic and asymptomatic cases, intuitively considering that, for each patient, a motion waveform represents the "accent" of the carotid-artery wall. The performance (classification accuracy) of HMMs ranged between 57.05% and 81.44% for the 146 types of motion waveforms, while the average performance was 69.95%. These results were cross-validated using Support Vector Machines (SVMs) on the same dataset, which reached, an average of 59% classification accuracy. In the case that only the motion waveforms with the highest discrimination power were used, the HMMs could identify asymptomatic and symptomatic patients with 75.81% and 73.91% accuracy, respectively; the corresponding results for SVMs were 78.66% and 69.84%, respectively. Given the high performance in the latter case, those motion waveforms and their incorporation in SVMs were used to create a majority voting system for risk stratification for the disease. The full potential of the system will be revealed on future prospective studies with frequent patient follow-ups, while the system could be further enriched with other temporal features, such as the arterial pressure and heart rate. en
heal.advisorName Νικήτα, Κωνσταντίνα el
heal.committeeMemberName Κουτσούρης, Δημήτρης el
heal.committeeMemberName Ματσόπουλος, Γεώργιος el
heal.academicPublisher Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών el
heal.academicPublisherID ntua
heal.numberOfPages 154 σ.
heal.fullTextAvailability true


Files in this item

This item appears in the following Collection(s)

Show simple item record