Διερεύνηση της δυνατότητας διάκρισης επικίνδυνων αθηρωματικών πλακών με χρήση χαρακτηριστικών κίνησης

Abstract

Η αθηρωματική πλάκα είναι μια μορφή αλλοίωσης του εσωτερικού των αγγείων. Στην περίπτωση της καρωτίδας, η ρήξη της πλάκας μπορεί να προκαλέσει εγκεφαλικό επεισόδιο, παροδικό ισχαιμικό επεισόδιο ή προσωρινή απώλεια όρασης. Για τη διάκριση μεταξύ συμπτωματικών και ασυμπτωματικών πλακών μελετήθηκαν 56 ακολουθίες εικόνων υπερήχων β-σάρωσης, προερχόμενες από δύο νοσοκομεία. Εξετάστηκε πλήθος χαρακτηριστικών κίνησης του τοιχώματος της καρωτίδας με το τεστ αθροίσματος βαθμών, για να βρεθούν εκείνα που διαφέρουν σημαντικά μεταξύ των δύο κατηγοριών και διαπιστώθηκε σημαντική ανομοιογένεια μεταξύ των δεδομένων των δύο νοσοκομείων. Επιπλέον, δοκιμάστηκαν 4 αλγόριθμοι ταξινόμησης (Μηχανές Διανυσμάτων Υποστήριξης, k-πλησιέστεροι γείτονες, Διακριτική Ανάλυση, και Δέντρα Απόφασης) σε συνδυασμό με 3 μεθοδολογίες επιλογής χαρακτηριστικών (λόγος διάκρισης Fisher, τεστ αθροίσματος βαθμών και ανάλυση σε κύριες συνιστώσες) και βελτιστοποιήθηκαν ως προς τις παραμέτρους τους. Οι Μηχανές Διανυσμάτων Υποστήριξης υπερείχαν των υπολοίπων ταξινομητών κατορθώνοντας ακρίβεια 88%, ευαισθησία 82% και ειδικότητα 93% στο σύνολο των 56 πλακών, ενώ βρέθηκε ότι τα χαρακτηριστικά κίνησης οδηγούν σε μεγαλύτερη ακρίβεια ταξινόμησης σε σχέση με τα χαρακτηριστικά υφής στα ίδια δεδομένα. Εξετάζοντας τα δεδομένα κάθε νοσοκομείου χωριστά οδήγησε σε αύξηση της ακρίβειας όλων των ταξινομητών, λόγω της αυξημένης ομοιογένειας. Και στις δύο περιπτώσεις επετεύχθη ακρίβεια 96%, τόσο από τις Μηχανές Διανυσμάτων Υποστήριξης όσο και από τους k-πλησιέστερους γείτονες. Τέλος, έγινε επαλήθευση των επιδόσεων του βέλτιστου ταξινομητή με μεθόδους διασταυρωμένης επικύρωσης.

Atheromatous plaque is a condition of the inner part of blood vessels. In the case of the carotid artery, the rupture of the plaque may cause stroke, transient ischemic attack or amaurosis fugax. In order to distinct between symptomatic and asymptomatic plaques 56 B-mode ultrasound image sequences were studied, recorded at two hospitals. Many motion features of the carotid wall were studied and the rank-sum test was used to determine which of those are significantly different between the two classes. A significant difference between the data of the two hospitals was observed. Moreover, 4 classification algorithms (Support Vector Machines, k-Nearest Neighbor, Discriminant Analysis and Decision Trees) combined with 3 feature selection methods (Fisher Discriminant Ratio, Wilcoxon rank-sum test and Principal Component Analysis) were tested and their optimal parameters were found. Support Vector Machines were superior to the other classifiers, achieving accuracy 88%, sensitivity 82% and specificity 93% on the total 56 plaques and motion features were found to yield higher accuracy than texture features on the same dataset. Examining sequences recorded at each hospital separately resulted in an increase of the accuracy of all classifiers, due to the increase in homogeneity. An accuracy of 96% was achieved for both hospitals by Support Vector Machines and k-Nearest Neighbor classifiers. Finally, the optimal classifier's results were validated using cross-validation methods.