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

Πρεβένιος, Μαρίνος; Prevenios, Marinos

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