dc.contributor.author |
Μαυράκης, Γεώργιος-Χρήστος
|
el |
dc.contributor.author |
Mavrakis, Georgios-Christos
|
en |
dc.date.accessioned |
2017-05-15T10:51:01Z |
|
dc.date.available |
2017-05-15T10:51:01Z |
|
dc.date.issued |
2017-05-15 |
|
dc.identifier.uri |
https://dspace.lib.ntua.gr/xmlui/handle/123456789/44877 |
|
dc.identifier.uri |
http://dx.doi.org/10.26240/heal.ntua.14181 |
|
dc.rights |
Default License |
|
dc.subject |
Καρωτιδική αθηρωμάτωση |
el |
dc.subject |
Αλγόριθμος αυτόματης κατάτμησης |
el |
dc.subject |
Αλγόριθμος αυτόματης κατάτμησης |
el |
dc.subject |
Μέθοδος επιπεδοσυνόλων |
el |
dc.subject |
LSWR |
en |
dc.subject |
DRLSE |
en |
dc.subject |
Carotid atherosclerosis |
en |
dc.subject |
Automatic segmentation algorithm |
en |
dc.subject |
Level set method |
en |
dc.title |
Αυτόματη ανίχνευση αθηρωματικής πλάκας σε εικόνες B- mode υπερήχων μέσω ανάλυσης υφής |
el |
heal.type |
bachelorThesis |
|
heal.classification |
Εικόνες |
el |
heal.classification |
Επεξεργασία σήματος |
el |
heal.classificationURI |
http://data.seab.gr/concepts/282939316da55ae4483098d6d3a8027b30ccc264 |
|
heal.classificationURI |
http://data.seab.gr/concepts/d4a2bbb7e49dc1c3b397d27e9041df8118db670b |
|
heal.language |
el |
|
heal.access |
free |
|
heal.recordProvider |
ntua |
el |
heal.publicationDate |
2017-03-01 |
|
heal.abstract |
Η καρωτιδική αθηρωμάτωση αποτελεί τη συχνότερη αιτία αγγειακών εγκεφαλικών επεισοδίων, γεγονός που δημιουργεί την ανάγκη έγκαιρης και έγκυρης διάγνωσης της νόσου. Ωστόσο, το μεγάλο πλήθος των περιστατικών καθιστά απαραίτητη την υποβοηθούμενη διάγνωση, η οποία διευκολύνει τους ιατρούς στο έργο τους και υποστηρίζεται από τη δημιουργία και εφαρμογή αλγορίθμων αυτόματης κατάτμησης της αθηρωματικής πλάκας.
Η δημιουργία ενός αλγορίθμου αυτόματης κατάτμησης της αθηρωματικής πλάκας αποτελεί τον σκοπό της παρούσας διπλωματικής εργασίας. Ο συγκεκριμένος αλγόριθμος δέχεται ως είσοδο μία εικόνα υπερήχων B- mode της καρωτιδικής αρτηρίας και ανιχνεύει τα όρια της αθηρωματικής πλάκας μέσω μίας μεθόδου αυτόματης κατάτμησης. Τα πλεονεκτήματα και οι αδυναμίες των μεθόδων κατάτμησης κατωφλίου, περιοχών, ακμών, συσταδοποίησης, Watershed, γράφου, Μαρκοβιανών Τυχαίων Πεδίων, ενεργών καμπυλών, επιπεδοσυνόλων και άλλων αξιολογήθηκαν για το υπό μελέτη πρόβλημα κατάτμησης μέσω μίας εκτενούς βιβλιογραφικής ανασκόπησης. Το συμπέρασμα που εξάχθηκε είναι ότι η μέθοδος των επιπεδοσυνόλων είναι η πιο κατάλληλη για την κατάτμηση της αθηρωματικής πλάκας και επελέγη για την υλοποίηση του αλγορίθμου αυτόματης κατάτμησης. Αρχικά, ο αλγόριθμος αυτόματης κατάτμησης κανονικοποιεί την εικόνα εισόδου στο επιθυμητό διάστημα φωτεινοτήτων και απομονώνει την περιοχή στην οποία βρίσκεται ο αυλός. Στη συνέχεια, εντοπίζει το τμήμα της διεπιφάνειας μεταξύ του αυλού και του οπίσθιου τοιχώματος της αρτηρίας και σχηματίζει τα άνω και κάτω όρια του αυλού- τοιχωμάτων. Επιπλέον, πραγματοποιείται απομόνωση της περιοχής στην οποία βρίσκεται η αθηρωματική πλάκα. Η περιοχή αυτή χρησιμοποιείται για την αρχικοποίηση της συνάρτησης επιπεδοσυνόλου. Τέλος, ο αλγόριθμος φιλτράρει την εικόνα του αυλού μέσω ενός υβριδικού φίλτρου μέσου, προκειμένου να μειωθεί ο θόρυβος και εξάγει τα τελικά όρια της αθηρωματικής πλάκας, χρησιμοποιώντας, ξεχωριστά, δύο τεχνικές επιπεδοσυνόλων, τη μέθοδο εξέλιξης επιπεδοσυνόλου χωρίς επαναρχικοποίηση (LSWR) και τη μέθοδο εξέλιξης επιπεδοσυνόλου κανονικοποιημένης απόστασης (DRLSE).
Οι δύο τεχνικές επιπεδοσυνόλων εφαρμόστηκαν σε ένα σύνολο συνθετικών εικόνων με άριστη απόδοση. Επιπλέον, ο συνολικός αλγόριθμος αυτόματης κατάτμησης εφαρμόστηκε σε δύο σύνολα ασθενών, τα οποία συμπεριλαμβάνουν 24 εικόνες και 96 βίντεο υπερήχων B- mode αντίστοιχα. Στο πρώτο σύνολο, ο αλγόριθμος παρουσίασε υψηλά ποσοστά στους δείκτες ακρίβειας και ειδικότητας και επέδειξε ικανοποιητική απόδοση στην ανίχνευση των πλακών. Στο δεύτερο σύνολο, η ακρίβεια και η ειδικότητα παρέμειναν σε υψηλά επίπεδα, αλλά η απόδοση του αλγορίθμου μειώθηκε σε σχέση με το πρώτο σύνολο κυρίως λόγω της χαμηλότερης ποιότητας των αρχικών εικόνων. |
el |
heal.abstract |
Carotid atherosclerosis is the most common cause of stroke, which highlights the need for reliable and early detection of the disease. However, the vast amount of patient cases makes
the use of assisted diagnosis urgent. Assisted diagnosis can ease the doctors’ work and is supported by the creation and
implementation of carotid atherosclerotic plaque automatic segmentation algorithms. The aim of the current diploma thesis is to develop an automatic segmentation algorithm of the carotid
atherosclerotic plaque. The algorithm receives as input an ultrasound B-mode image of the carotid artery and detects the boundaries of the plaque through an automatic segmentation method. The advantages and limitations of thresholding, region, edge, clustering, Watershed, graph, Markov Random Fields, active contours, level sets and other methods were evaluated
for the segmentation problem under study through an extensive literature review. It was concluded that the method of level sets is the most suitable for the segmentation of the carotid atherosclerotic plaque and thus it was selected for the implementation of the automatic segmentation algorithm.
First, the automatic segmentation algorithm normalizes the input image in the desired Gray-Scale Median values and isolates the area in which the vessel lumen is located. Then, the algorithm det
ects the interface of the lumen and the artery’s far wall and forms the boundaries between the lumen and the walls of the carotid artery. Furthermore, the area that contains the plaque is extracted and then used for the initialization of the level
set function. In the last step of the algorithm, a hybrid median filter is utilized to reduce the speckle noise of the vessel lumen image and the final borders of the carotid atherosclerotic plaque are extracted through the separate use of two level set methods, the Level Set Without Reinitialization (LSWR) and the Distance Regularized Level Set Evolution (DRLSE). The above level set techniques were applied to a set of synthetic images, demonstrating excellent performance. Moreover, the automatic segmentation algorithm was evaluated in two data sets of 24
real ultrasound B-mode medical images and 96 videos,
respectively. In the first data set, the algorithm scored
high levels of accuracy and specificity and showed satisfying performance in detecting the plaques. In the second data set, the metrics of accuracy and specificity remained high, but the algorithm’s performance was reduced compared to the first set
mainly due to the lower quality of the initial images. |
en |
heal.advisorName |
Νικήτα, Κωνσταντίνα |
el |
heal.committeeMemberName |
Νικήτα, Κωνσταντίνα |
el |
heal.committeeMemberName |
Κουτσούρης, Διονύσιος-Δημήτριος |
el |
heal.committeeMemberName |
Ματσόπουλος, 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 |
186 σ. |
|
heal.fullTextAvailability |
true |
|