HEAL DSpace

Πολυτροπική μάθηση για την εκτίμηση της επικινδυνότητας των αθηρωματικών πλακών σε ασθενείς με καρωτιδική νόσο

Αποθετήριο DSpace/Manakin

Εμφάνιση απλής εγγραφής

dc.contributor.author Καψάλη, Ελένη-Ελπίδα el
dc.contributor.author Kapsali, Eleni-Elpida en
dc.date.accessioned 2023-02-01T11:14:19Z
dc.date.available 2023-02-01T11:14:19Z
dc.identifier.uri https://dspace.lib.ntua.gr/xmlui/handle/123456789/57011
dc.identifier.uri http://dx.doi.org/10.26240/heal.ntua.24709
dc.rights Default License
dc.subject Καρωτιδική νόσος el
dc.subject Αθηρωματική πλάκα el
dc.subject Σύστημα υποστήριξης αποφάσεων el
dc.subject Βαθιά Μάθηση el
dc.subject Πολυτροπική Μάθηση el
dc.subject Carotid Disease en
dc.subject Atherosclerosis en
dc.subject Decision Support System en
dc.subject Deep Learning en
dc.subject Multimodal Learning en
dc.title Πολυτροπική μάθηση για την εκτίμηση της επικινδυνότητας των αθηρωματικών πλακών σε ασθενείς με καρωτιδική νόσο el
heal.type bachelorThesis
heal.classification Μηχανική Μάθηση el
heal.classification Βαθιά Μάθηση el
heal.classification Βιοϊατρική el
heal.access free
heal.recordProvider ntua el
heal.publicationDate 2022-11-09
heal.abstract Σύμφωνα με τον Παγκόσμιο Οργανισμό Υγείας (2022 Heart Disease Stroke Statistical Update Fact Sheet Global Burden of Disease) τα καρδιαγγειακά νοσήματα αποτελούν τη 1η αιτία θανάτων παγκοσμίως. Το 2020, περίπου 19,1 εκατομμύρια θάνατοι αποδόθηκαν σε καρδιαγγειακή νόσο. Η αθηροσκλήρωση αποτελεί καρδιαγγειακή ασθένεια η οποία οφείλεται στην δημιουργία αθηρωματικών πλακών στα τοιχώματα των αρτηριών. Έχει εκτιμηθεί ότι έως και 20-25% των ισχαιμικών εγκεφαλικών προκαλούνται από αθηροσκλήρωση κύριας αρτηρίας και η αθηροσκλήρωση της καρωτιδικής αρτηρίας εκτιμάται ότι ευθύνεται σε ποσοστό μεταξύ 10% και 20%. Με την εξέλιξη των απεικονιστικών τεχνολογιών σε συνδυασμό με ιστολογικές εξετάσεις έχει διευρυνθεί το πλήθος και το είδος των παραμέτρων που χαρακτηρίζουν μία αθηρωματική πλάκα και την πιθανή συμπεριφορά της. Οι παράμετροι αυτοί μαζί με τις κλινικές παρατηρήσεις και τις άλλες εργαστηριακές εξετάσεις αποτελούν ένα μεγάλο σύνολο δεδομένων που με κατάλληλο συνδυασμό, επεξεργασία και γνώση διαμορφώνουν πολύ αξιόπιστα προγνωστικά εργαλεία. Στόχος της εργασίας είναι η δημιουργία πολυτροπικών μοντέλων Βαθιάς Μάθησης (Μultimodal Learning) τα οποία θα αξιοποιούν τις εικόνες υπερήχων καρωτίδας και τα κλινικά και εργαστηριακά δεδομένα ασθενών με καρωτιδική νόσο και θα κατατάσσουν τους ασθενείς σε δύο κατηγορίες. Στην πρώτη κατηγορία ανήκουν οι ασθενείς για τους οποίους συνιστάται επεμβατική αντιμετώπιση της νόσου και χαρακτηρίζονται ως Υψηλού Κινδύνου, ενώ η δεύτερη κατηγορία αφορά στους ασθενείς για τους οποίους προτείνεται η συντηρητική αντιμετώπιση και χαρακτηρίζονται ως Χαμηλού Κινδύνου. Για το σκοπό αυτό αξιοποιήθηκαν ευρέως χρησιμοποιούμενα μοντέλα βαθιάς μάθησης όπως τα ResNet18, AlexNet και VGG16 και αναπτύχθηκαν δύο πολυτροπικά μοντέλα, ένα με τη μέθοδο Feature-Level Fusion και ένα με τη Decision-Level Fusion. Παράλληλα, για την καλύτερη εκπαίδευση των μοντέλων δοκιμάστηκαν τεχνικές εξισορρόπησης και επαύξησης των δεδομένων. el
heal.abstract According to the World Health Organization (2022 Heart Disease Stroke Statistical Update Fact Sheet Global Burden of Disease) cardiovascular diseases are the 1st cause of death worldwide. In 2020, approximately 19.1 million deaths were attributed to cardiovascular diseases. Atherosclerosis is a cardiovascular disease caused by the creation of atheromatous plaques in the walls of the arteries. It has been estimated that up to 20-25% of ischemic strokes are caused by main artery atherosclerosis, and carotid artery atherosclerosis is thought to account for between 10% and 20%. With the development of imaging technologies combined with histological examinations, the number and type of parameters that characterize an atherosclerotic plaque and its possible behavior have expanded. These parameters, together with clinical observations and other laboratory tests, form a large set of data that, with appropriate combination, processing and knowledge, form very reliable prognostic tools. The aim of the work is to create multimodal Deep Learning models that will utilize the carotid ultrasound images and the clinical and laboratory data of patients with carotid disease and will classify the patients into two categories. The first category includes patients for whom invasive treatment of the disease is recommended and who are characterized as High Risk, while the second category concerns patients for whom conservative treatment is recommended and are characterized as Low Risk. For this purpose, widely used deep learning models such as ResNet18, AlexNet and VGG16 were exploited and two multimodal models were developed, one with Feature Level Fusion and one with Decision-Level Fusion. At the same time, for better training of the models, data balancing and augmentation techniques were tested. en
heal.advisorName Νικήτα, Κωνσταντίνα el
heal.committeeMemberName Στάμου, Γεώργιος el
heal.committeeMemberName Βουλόδημος, Αθανάσιος 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 123 σ. el
heal.fullTextAvailability false


Αρχεία σε αυτό το τεκμήριο

Αυτό το τεκμήριο εμφανίζεται στην ακόλουθη συλλογή(ές)

Εμφάνιση απλής εγγραφής