Παρακαλώ χρησιμοποιήστε αυτό το αναγνωριστικό για να παραπέμψετε ή να δημιουργήσετε σύνδεσμο προς αυτό το τεκμήριο: http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/16917
Τίτλος: Υποστήριξη Της Διάγνωσης Της Καρωτιδικής Αθηρωμάτωσης Με Τη Βοήθεια Προτύπων Κινητικότητας Και Παραμόρφωσης Του Αρτηριακού Τοιχώματος
Συγγραφείς: Πρεβένιος Μαρίνος
Νικήτα Κωνσταντίνα
Λέξεις κλειδιά: ανάλυση κίνησης
καρωτιδική αθηρωμάτωση
υπέρηχος
κρυφά μαρκοβιανά μοντέλα
μηχανές διανυσμάτων υποστήριξης
Ημερομηνία έκδοσης: 14-Ιου-2014
Περίληψη: Σε αυτή την εργασία προσεγγίστηκε μια σπουδαία κλινική πρόκληση, η υποστήριξη της διάγνωσης της καρωτιδικής αθηρωμάτωσης, που ευθύνεται για την πλειονότητα των εγκεφαλικών επεισοδίων. Σε αυτή τη κατεύθυνση εξετάστηκε η δυνατότητα διάκρισης μεταξύ ασταθών και μη, αθηρωματικών πλακών στη καρωτίδα αρτηρία, μέσω της ανάλυσης ακολουθιών εικόνων υπερήχου. Έχοντας στη διάθεση μας έναν εκτιμητή κίνησης, που είχε ήδη υλοποιηθεί, βελτιστοποιηθεί και αξιολογηθεί για την εκτίμηση της κίνησης του αρτηριακού τοιχώματος, εφαρμόστηκε σε ακολουθίες εικόνων υπερήχου Β-σάρωσης για ένα σύνολο 96 ασθενών που πάσχουν από καρωτιδική αθηρωμάτωση. Τα αποτελέσματα από την εκτίμηση κίνησης για τον κάθε ασθενή χρησιμοποιήθηκαν για την παραγωγή 146 κατηγοριών κυματομορφών κίνησης, που αναπαριστούν μοτίβα κινήσεων και παραμορφώσεων σε σχέση με : (α) κινήσεις της αθηρωματικής πλάκας και των υγιών μερών του αρτηριακού τοιχώματος πλησίον της πλάκας, όπως και (β) τοπικές παραμορφώσεις και σχετικές κινήσεις του αρτηριακού τοιχώματος, αντίστοιχα. Αυτές οι κυματομορφές κίνησης τροφοδότησαν τα Κρυφά Μαρκοβιανά Μοντέλα (HMMs), που έχουν χρησιμοποιηθεί με μεγάλη επιτυχία στην αναγνώριση φωνής αλλά και σε πολλές άλλες εφαρμογές μηχανικής μάθησης. Στην περίπτωσή μας, τα HMMs χρησιμοποιήθηκαν για να αναγνωρίσουν περιπτώσεις κυματομορφών συμπτωματικών και ασυμπτωματικών ασθενών, με την αναλογία του ότι ο εκάστοτε ασθενής συνεισφέρει με τη δική του καρωτιδική αρτηριακή "προφορά" στο μοντέλο. Η απόδοση (ακρίβεια κατηγοριοποίησης) στα HMMs κυμάνθηκε μεταξύ 57.05% και 81.44% για τις 146 κατηγορίες κυματομορφών, με μέση απόδοση 69.95%. Τα αποτελέσματα αυτά επαληθεύτηκαν με την χρήση Μηχανών Διανυσμάτων Υποστήριξης (SVMs) στο ίδιο σύνολο δεδομένων, που κατηγοριοποιήθηκαν με μέση απόδοση 59%. Στην περίπτωση που επιλέχθηκαν, μονάχα, αυτές οι κατηγορίες κυματομορφών που παρουσίασαν τα υψηλότερα ποσοστά απόδοσης, τα HMMs μπόρεσαν να διακρίνουν ασυμπτωματικούς και συμπτωματικούς ασθενείς με απόδοση 75.81% και 73.91% αντίστοιχα, ενώ τα SVMs έφεραν αποτελέσματα 78.66% και 69.84% αντίστοιχα. Με δεδομένη την υπεροχή των SVMs, επιλέχθηκαν από αυτό το μοντέλο, οι συγκεκριμένες κατηγορίες κυματομορφών και δημιουργήθηκε ένα σύστημα πλειοψηφίας, για την υποστήριξη της διάγνωσης της ασθένειας. Η πλήρης δυναμική του συστήματος μένει να αποδειχθεί στο πλαίσιο μελλοντικών μελετών, σε μεγάλο πλήθος ασθενών με καρωτιδική αθηρωμάτωση οι οποίοι θα υποβληθούν σε συχνούς επανελέγχους, ενώ το σύστημα μπορεί να εμπλουτιστεί με πρόσθετα χαρακτηριστικά με χρονική εξέλιξη, όπως η αρτηριακή πίεση και ο καρδιακός ρυθμός.
URI: http://artemis-new.cslab.ece.ntua.gr:8080/jspui/handle/123456789/16917
Εμφανίζεται στις συλλογές:Διπλωματικές Εργασίες - Theses

Αρχεία σε αυτό το τεκμήριο:
Αρχείο ΜέγεθοςΜορφότυπος 
DT2014-0155.pdf3.74 MBAdobe PDFΕμφάνιση/Άνοιγμα


Όλα τα τεκμήρια του δικτυακού τόπου προστατεύονται από πνευματικά δικαιώματα.