Προσαρμογή πεδίου με χρήση παραγωγικών μοντέλων στη διάγνωση της καρωτιδικής νόσου

Στράτη, Θεώνη-Μαρία; Strati, Theoni-Maria

dc.contributor.author	Στράτη, Θεώνη-Μαρία	el
dc.contributor.author	Strati, Theoni-Maria	en
dc.date.accessioned	2025-01-22T08:26:38Z
dc.date.available	2025-01-22T08:26:38Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/60896
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.28592
dc.rights	Default License
dc.subject	Προσαρμογή Πεδίου	el
dc.subject	Στένωση Καρωτίδας	el
dc.subject	Νευρωνικά Δίκτυα	el
dc.subject	Αθηρωματική πλάκα	el
dc.subject	Παραγωγικά Μοντέλα	el
dc.title	Προσαρμογή πεδίου με χρήση παραγωγικών μοντέλων στη διάγνωση της καρωτιδικής νόσου	el
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-07-22
heal.abstract	Η καρωτιδική νόσος περιγράφεται από τη στένωση και απόφραξη των καρωτιδικών αρτηριών και είναι υπεύθυνη για το 25% των ισχαιμικών εγκεφαλικών επεισοδίων. Σύμφωνα με πρόσφατες έρευνες, η παρουσίαση αθηρωματικής πλάκας στις καρωτίδες εξαρτάται κυρίως από την ηλικία, την κληρονομικότητα, τον τρόπο ζωής, αλλά και τη φυσιολογία του ασθενούς. Η διάγνωσή της επιτυγχάνεται με το έγχρωμο υπερηχογράφημα “Triplex”, έναν συνδυασμό απεικονίσεων β-σάρωσης και χρήσης συσκευών υπερήχων Doppler, ο οποίος αναπαριστά τη δυναμική ροή του αίματος, καθώς και την ανατομία των κοιλοτήτων και των αγγειακών τοιχωμάτων των καρωτίδων. Σε αρκετές περιπτώσεις, ο ασθενής διαγιγνώσκεται αρχικά ως ασυμπτωματικός· ωστόσο, οι τακτικές και έγκαιρες εξετάσεις συμβάλλουν στην αποτελεσματική καταστολή και πρόληψη της νόσου. Η τεχνολογική πρόοδος και η ανάπτυξη κατάλληλων αλγορίθμων τεχνητής νοημοσύνης διαδραματίζει αρωγό στη διάγνωση της στένωσης αθηρωματικών πλακών και στη μείωση του αριθμού θανατηφόρων εγκεφαλικών επεισοδίων παγκοσμίως. Πρόκληση που απασχολεί τα τελευταία χρόνια την ιατρική και επιστημονική κοινότητα αποτελεί η έλλειψη επαρκών κλινικών δεδομένων για την εκπαίδευση των μοντέλων μηχανικής μάθησης, ενώ κατά τον συνδυασμό συνόλων δεδομένων από πολλαπλά ιατρικά κέντρα, παρατηρούνται ασυμφωνίες στις απεικονίσεις λόγω των διαφορετικών μεθόδων λήψης των υπερήχων. Η παρούσα εργασία αξιοποιεί στιγμιότυπα από υπερήχους β-σάρωσης 770 ασθενών από δύο σύνολα δεδομένων, 694 από το Πανεπιστήμιο Κύπρου και 76 από το Αττικό Νοσοκομείο, και εμβαθύνει στην ανάπτυξη τριών αλγορίθμων μηχανικής μάθησης, με στόχο την κατηγοριοποίηση των ασθενών σε δύο κλάσεις, συμπτωματικούς και ασυμπτωματικούς. Για την ενίσχυση της προσαρμοστικότητας του μοντέλου στα δύο σύνολα δεδομένων, χρησιμοποιείται μεθοδολογία προσαρμογής πεδίου, βασισμένη σε χρήση κυκλικά συνεπών παραγωγικών ανταγωνιστικών δικτύων (Cycle-Consistent Generative Adversarial Network), κατά την οποία επιτυγχάνεται μεταφορά γνώσης από μία κατανομή πηγή σε μία κατανομή στόχο. Η μέθοδος αυτή παράγει ρεαλιστικές εικόνες του πεδίου-στόχου, οι οποίες κληρονομούν τα χαρακτηριστικά του πεδίου-πηγής, με απώτερο σκοπό την ελαχιστοποίηση των ανομοιοτήτων των δύο πεδίων και την αποτελεσματική διάγνωση της νόσου με ποικιλόμορφα δεδομένα. Τα αποτελέσματα της έρευνας προσφέρουν πολύτιμο έργο στη μελέτη ιατρικών εικόνων μέσω προηγμένων αλγορίθμων μηχανικής μάθησης και την προσαρμογή τους σε νέα περιβάλλοντα για την έγκυρη και έγκαιρη αντιμετώπιση της καρωτιδικής νόσου.	el
heal.abstract	Carotid artery disease, known as stenosis and blockage of the carotid arteries, is a significant contributor to ischemic strokes, accounting for approximately 25% of cases. Recent studies indicate that the presence of atherosclerotic plaque in the carotid arteries is influenced by various factors including age, genetic predisposition, lifestyle choices, and the physiological characteristics of the individual. Timely diagnosis is crucial, as many patients initially present as asymptomatic. Regular screening through methods like color ultrasound 'Triplex' imaging, which combines B-mode and Doppler ultrasound, allows for the dynamic assessment of blood flow and the anatomy of the carotid arteries and vascular walls. However, despite the advancements in technology and the development of artificial intelligence algorithms, there remain challenges in accurately diagnosing and treating carotid artery disease. One such challenge is the limited availability of sufficient clinical data to train machine learning models effectively. Additionally, variations in imaging techniques across different medical centers can lead to discrepancies in image quality and interpretation. To address these challenges, this thesis focuses on leveraging machine learning algorithms to categorize patients into symptomatic and asymptomatic classes using b-mode ultrasound snapshots from two distinct datasets. The first dataset comprises 694 images from the University of Cyprus, while the second dataset includes 76 images from “Attikon Hospital”. To enhance the model's adaptability across the two datasets, the paper employs the methodology of Domain Adaptation based on Cycle-Consistent Generative Adversarial Networks (CycleGANs), by generating realistic images of the target distribution that inherit the characteristics of the source distribution. This approach facilitates knowledge transfer from a source to a target distribution, enabling the model to generalize well to diverse data sources. This process aims to minimize dissimilarities between the two datasets, thereby improving the model's performance in accurately diagnosing carotid artery disease across different imaging environments. The findings of this research contribute valuable insights into the application of advanced machine learning techniques for analyzing medical images and adapting models to new environments. By addressing the challenges associated with dataset variability and imaging discrepancies, this approach holds promise for enhancing the accurate and timely diagnosis of carotid artery disease, ultimately leading to improved patient outcomes.	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. Εργαστήριο Βιοϊατρικών Προσομοιώσεων και Απεικονιστικής Τεχνολογίας	el
heal.academicPublisherID	ntua
heal.numberOfPages	80 σ.	el
heal.fullTextAvailability	false