Ανάπτυξη Συστήματος Υποστήριξης Διάγνωσης Καρωτιδικής Αθηρωμάτωσης Μέσω Ταξινόμησης Ασβεστοποιημένων Και Μη Ασβεστοποιημένων Πλακών - Ολοκληρωμένη Διαδικτυακή Πλατφόρμα.

Abstract

Η καρωτιδική αθηρωμάτωση αποτελεί τη συχνότερη αιτία πρόκλησης αγγειακών εγκεφαλικών επεισοδίων, γεγονός που δημιουργεί την ανάγκη έγκαιρης και έγκυρης διάγνωσης της νόσου. Δεδομένου ωστόσο της δυσκολίας αξιολόγησης της σοβαρότητας της νόσου μέσω των κλασσικών ιατρικών πρακτικών, ο σχεδιασμός, η υλοποίηση και η εφαρμογή υπολογιστικών εργαλείων ικανών να συνδράμουν υποστηρικτικά στη διάγνωση και στη λήψη της ιατρικής απόφασης καθίστανται αυτοσκοπός της βιοϊατρικής τεχνολογίας.Στόχος της παρούσας διπλωματικής εργασίας είναι η ανάπτυξη ενός κλινικού συστήματος υποστήριξης της διάγνωσης της καρωτιδικής αθηρωμάτωσης. Το σύστημα δέχεται ως είσοδο ένα video υπερήχου για κάθε αθηρωματική πλάκα και αναλύει online τη σύσταση της πλάκας. Μέσω της εν λόγω ανάλυσης εξάγεται ένα σύνολο δεικτών υφής και κίνησης του καρωτιδικού τοιχώματος για κάθε video υπερήχου. Συγκεκριμένο υποσύνολο των δεικτών είτε υφής είτε κίνησης τροφοδοτούν κατάλληλα εκπαιδευμένα νευρωνικά δίκτυα, το οποία σε ρόλο ταξινομητών χαρακτηρίζουν την αντίστοιχη αθηρωματική πλάκα ως ασβεστοποιημένη ή μη. Η επιλογή του είδους και της αρχιτεκτονικής των δύο νευρωνικών δικτύων για την επεξεργασία χαρακτηριστικών υφής και κίνησης αντίστοιχα, προέκυψε μετά από εκτεταμένη μελέτη, σε συνδυασμό με τις τεχνικές επιλογής χαρακτηριστικών: Fisher Discriminant Ratio (FDR), Wilcoxon Ranksum Test (WRS), Principal Component Analysis (PCA). Τα είδη των νευρωνικών δικτύων τα οποία εξετάστηκαν για την απόδοση τους είναι τα Τεχνητά Νευρωνικά Δίκτυα, τα Στοχαστικά Νευρωνικά Δίκτυα και τα Νευρωνικά Δίκτυα Γενικευμένης Παλινδρόμησης. Σε σύνολο 36 χειρουργημένων περιστατικών που χρησιμοποιήθηκαν για εκπαίδευση και αξιολόγηση, ο ταξινομητής κίνησης παρουσίασε 89% ακρίβεια, 86% ευαισθησία, 93% ειδικότητα ενώ ο αντίστοιχος υφής 89% ακρίβεια, 91% ευαισθησία, 86% ειδικότητα.Εκτός από την ανάπτυξη του κλινικού συστήματος υποστήριξης της διάγνωσης, σχεδιάστηκε και αναπτύχθηκε μια ολοκληρωμένη διαδικτυακή πλατφόρμα που θα ενσωματώνει το εν λόγω σύστημα. Η πλατφόρμα αυτή περιλαμβάνει μια αυτόνομη βάση γνώσης και χρησιμοποιεί το περιβάλλον Matlab Compiler Runtime (MCR) καθώς και βιβλιοθήκες του προγράμματος ImageJ, προκειμένου να προσφέρει περαιτέρω λειτουργικότητες. Η πλατφόρμα δίνει τη δυνατότητα εισαγωγής ιατρικών-κλινικών δεδομένων ασθενών, ιατρικών εικόνων και videos, καθώς και τη δυνατότητα ανάκτησης δεδομένων μέσω απλής ή φιλτραρισμένης αναζήτησης αλλά και τη δυνατότητα προβολής οποιασδήποτε εικόνας από το ξεχωριστό προφίλ του κάθε ασθενούς. Η online λειτουργία της συνεπάγεται αμεσότητα και λειτουργικότητα χωρίς κανένα περιορισμό ταχύτητας, δεδομένου του όγκου των online υπολογισμών και των απαραίτητων απαιτήσεων αξιοπιστίας.