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

Καψάλη, Ελένη-Ελπίδα; Kapsali, Eleni-Elpida

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