Ανάπτυξη συστήματος υποστήριξης διάγνωσης καρωτιδικής αθηρωμάτωσης μέσω ταξινόμησης ασβεστοποιημένων και μη ασβεστοποιημένων πλακών – ολοκληρωμένη διαδικτυακή πλατφόρμα

Ασιμομήτης, Γεώργιος; Asimomitis, Georgios

dc.contributor.author	Ασιμομήτης, Γεώργιος	el
dc.contributor.author	Asimomitis, Georgios	en
dc.date.accessioned	2015-11-20T11:43:47Z
dc.date.available	2015-11-20T11:43:47Z
dc.date.issued	2015-11-20
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/41595
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.10536
dc.rights	Default License
dc.subject	Υποστήριξη διάγνωσης	el
dc.subject	Decision support systems	en
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Καρωτιδική αθηρωμάτωση	el
dc.subject	Ταξινόμηση	el
dc.subject	Ολοκληρωμένη διαδικτυακή πλατφόρμα	el
dc.subject	Neural networks	en
dc.subject	Carotid atherosclerosis	en
dc.subject	Classification	en
dc.subject	Web platform	en
dc.title	Ανάπτυξη συστήματος υποστήριξης διάγνωσης καρωτιδικής αθηρωμάτωσης μέσω ταξινόμησης ασβεστοποιημένων και μη ασβεστοποιημένων πλακών – ολοκληρωμένη διαδικτυακή πλατφόρμα	el
dc.title	Development of a decision support system for carotid atherosclerosis by classifying calcified and noncalcified plaques - integrated web platform	en
heal.type	bachelorThesis
heal.classification	Βιοϊατρική τεχνολογία	el
heal.classification	Bioengineering	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2015-10-12
heal.abstract	Η καρωτιδική αθηρωμάτωση αποτελεί τη συχνότερη αιτία πρόκλησης αγγειακών εγκεφαλικών επεισοδίων, γεγονός που δημιουργεί την ανάγκη έγκαιρης και έγκυρης διάγνωσης της νόσου. Δεδομένου ωστόσο της δυσκολίας αξιολόγησης της σοβαρότητας της νόσου μέσω των κλασσικών ιατρικών πρακτικών, ο σχεδιασμός, η υλοποίηση και η εφαρμογή υπολογιστικών εργαλείων ικανών να συνδράμουν υποστηρικτικά στη διάγνωση και στη λήψη της ιατρικής απόφασης καθίστανται αυτοσκοπός της βιοϊατρικής τεχνολογίας. Στόχος της παρούσας διπλωματικής εργασίας είναι η ανάπτυξη ενός κλινικού συστήματος υποστήριξης της διάγνωσης της καρωτιδικής αθηρωμάτωσης. Το σύστημα δέχεται ως είσοδο ένα video υπερήχου για κάθε αθηρωματική πλάκα και αναλύει online τη σύσταση της πλάκας. Μέσω της εν λόγω ανάλυσης εξάγεται ένα σύνολο δεικτών υφής και κίνησης του καρωτιδικού τοιχώματος για κάθε video υπερήχου. Συγκεκριμένο υποσύνολο των δεικτών είτε υφής είτε κίνησης τροφοδοτούν κατάλληλα εκπαιδευμένα νευρωνικά δίκτυα, το οποία σε ρόλο ταξινομητών χαρακτηρίζουν την αντίστοιχη αθηρωματική πλάκα ως ασβεστοποιημένη ή μη. Η επιλογή του είδους και της αρχιτεκτονικής των δύο νευρωνικών δικτύων για την επεξεργασία χαρακτηριστικών υφής και κίνησης αντίστοιχα, προέκυψε μετά από εκτεταμένη μελέτη, σε συνδυασμό με τις τεχνικές επιλογής χαρακτηριστικών: Fisher Discriminant Ratio (FDR), Wilcoxon Ranksum Test (WRS), Principal Component Analysis (PCA). Τα είδη των νευρωνικών δικτύων τα οποία εξετάστηκαν για την απόδοση τους είναι τα Τεχνητά Νευρωνικά Δίκτυα, τα Στοχαστικά Νευρωνικά Δίκτυα και τα Νευρωνικά Δίκτυα Γενικευμένης Παλινδρόμησης. Σε σύνολο 36 χειρουργημένων περιστατικών που χρησιμοποιήθηκαν για εκπαίδευση και αξιολόγηση, ο ταξινομητής κίνησης παρουσίασε 89% ακρίβεια, 86% ευαισθησία, 93% ειδικότητα ενώ ο αντίστοιχος υφής 89% ακρίβεια, 91% ευαισθησία, 86% ειδικότητα. Εκτός από την ανάπτυξη του κλινικού συστήματος υποστήριξης της διάγνωσης, σχεδιάστηκε και αναπτύχθηκε μια ολοκληρωμένη διαδικτυακή πλατφόρμα που θα ενσωματώνει το εν λόγω σύστημα. Η πλατφόρμα αυτή περιλαμβάνει μια αυτόνομη βάση γνώσης και χρησιμοποιεί το περιβάλλον Matlab Compiler Runtime (MCR) καθώς και βιβλιοθήκες του προγράμματος ImageJ, προκειμένου να προσφέρει περαιτέρω λειτουργικότητες. Η πλατφόρμα δίνει τη δυνατότητα εισαγωγής ιατρικών-κλινικών δεδομένων ασθενών, ιατρικών εικόνων και videos, καθώς και τη δυνατότητα ανάκτησης δεδομένων μέσω απλής ή φιλτραρισμένης αναζήτησης αλλά και τη δυνατότητα προβολής οποιασδήποτε εικόνας από το ξεχωριστό προφίλ του κάθε ασθενούς. Η online λειτουργία της συνεπάγεται αμεσότητα και λειτουργικότητα χωρίς κανένα περιορισμό ταχύτητας, δεδομένου του όγκου των online υπολογισμών και των απαραίτητων απαιτήσεων αξιοπιστίας.	el
heal.abstract	Carotid atherosclerosis is the most common cause of stroke and its early detection is of utmost importance. Taking into consideration the difficulty of evaluating the risk stratification of the disease through the classic medical practice, the development of computerized tools capable of assisting personalized prognosis and treatment is a highly challenging task. The aim of the current diploma thesis is to develop a clinical decision support system (CDSS) for carotid atherosclerosis. The system receives as input an ultrasound video for each atherosclerotic plaque and performs online computational analysis of the composition of the plaque. This analysis results in the extraction of texture and motion indices of the carotid wall for every ultrasound video. Specific subsets of these texture or motion indices feed adequately trained neural networks, which classify the atherosclerotic plaque as calcified or non-calcified. Multilayer Perceptrons (MLPs), Probabilistic Neural Networks (PNNs) and General Regression Neural Networks (GRNNs) were combined with several feature selection methods -Fisher Discriminant Ratio (FDR), Wilcoxon Ranksum Test (WRS) and Principal Component Analysis (PCA)- and their classification performance was comparatively assessed. A total of 36 atherosclerotic plaques -which were surgically removed- were used for both training and testing of the neural network classifiers. Classification based solely on motion indices resulted in an accuracy of 89%, sensitivity of 86% and specificity of 93%, while the corresponding measures for classification based on texture indices were 89%, 91% and 86%. Besides the development of the CDSS, an integrated web platform was designed and developed in order to incorporate the CDSS. This web platform also includes an autonomous medical knowledge base and uses the Matlab Compiler Runtime (MCR) and several ImageJ libraries in order to offer extra functionalities. In particular, besides the online use of the CDSS, it provides the capability of insertion of medical-clinical patients’ data, of medical images and videos as well as the capability of data retrieval through simple or filtered search and the option of displaying any medical image from the patient’s individual profile. The operation of the platform implies immediacy and functionality without any serious performance restrictions considering the amount of online calculations and the necessary reliability requirements.	en
heal.advisorName	Νικήτα, Κωνσταντίνα	el
heal.committeeMemberName	Νικήτα, Κωνσταντίνα	el
heal.committeeMemberName	Κουτσούρης, Διονύσιος-Δημήτριος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	142 σ.
heal.fullTextAvailability	true