Υπολογιστική Ανάλυση παθολογιών γονάτου με την χρήση εικόνων MRI

Διπλωματική Εργασία uoadl:2778825 76 Αναγνώσεις

Μονάδα:
Κατεύθυνση Πληροφορική στην Ιατρική
Πληροφορική
Ημερομηνία κατάθεσης:
2018-07-17
Έτος εκπόνησης:
2018
Συγγραφέας:
Μπότσι Ναντα
Στοιχεία επιβλεπόντων καθηγητών:
Παντελής Ασβεστάς, Επίκουρος Καθηγητής Πανεπιστημίου Δυτικής Αττικής
Πρωτότυπος Τίτλος:
Υπολογιστική Ανάλυση παθολογιών γονάτου με την χρήση εικόνων MRI
Γλώσσες εργασίας:
Ελληνικά
Μεταφρασμένος τίτλος:
Υπολογιστική Ανάλυση παθολογιών γονάτου με την χρήση εικόνων MRI
Περίληψη:
Η αρθρίτιδα είναι μία παθολογική κατάσταση η οποία εμφανίζεται πολύ συχνά όχι μόνο σε άτομα προχωρημένης ηλικίας αλλά και σε σχετικά νεαρά άτομα. Το οστικό οίδημα αποτελεί το αποτέλεσμα ενός τραυματισμού. Για την διάγνωση αυτών των παθολογιών χρησιμοποιείται η μαγνητική τομογραφία. Στα πλαίσια ενός πρωτοκόλλου ρουτίνας συμπεριλαμβάνονται οι ακολουθίες STIR που είναι μια κατεξοχήν ακολουθία καταστολής λίπους και Proton Density (PD) fat saturation (FS) δηλαδή PD με επιλεκτικό φασματικό κορεσμό του λίπους. Η κάθε κατηγορία σε αυτές τις ακολουθίες απεικονίζεται με υψηλό σήμα. Σκοπός της εργασίας είναι να δημιουργηθεί ένα υπολογιστικό σύστημα το οποίο θα χρησιμοποιεί τεχνικές ανάλυσης ψηφιακής εικόνας για την αποτίμηση της διαφοροποίησης μεταξύ εικόνων MRI σε γόνατα από φυσιολογικό μυελό των οστών, αρθρίτιδας και οστικού οιδήματος από τραυματισμό. Η μεθοδολογία που χρησιμοποιήθηκε περιλαμβάνει αρχικά την χειροκίνητη επιλογή των περιοχών ενδιαφέροντος. Στη συνέχεια, εξήχθησαν από κάθε περιοχή ενδιαφέροντος 12 χαρακτηριστικά για το χρώμα και την υφή (στατιστικά χαρακτηριστικά 1ης τάξης, 2ης τάξης) και έγινε αναζήτηση των χαρακτηριστικών εκείνων που προσφέρουν διαφοροποίηση μεταξύ των τριών κατηγοριών (φυσιολογικός μυελός, αρθρίτιδα, οστικό οίδημα από τραυματισμό). Η μεθοδολογία δοκιμάστηκε σε 92 περιστατικά (29 με φυσιολογικό μυελό των οστών, 31 με οστικό οίδημα από κάκωση και 38 από οστεοαρθρίτιδα) από το ΑΝΙΜΟΥΣ ΚΥΑΝΟΣ ΣΤΑΥΡΟΣ. Από το αρχικό πλήθος των 12 χαρακτηριστικών εφαρμόστηκε το κριτήριο rank-features ως μέθοδος επιλογής χαρακτηριστικών. Για την ταξινόμηση των δειγμάτων υλοποιήθηκε ο ταξινομητής Cubic SVM. Τα καλύτερα αποτελέσματα προέκυψαν με χρήση της STIR ακολουθίας. Συγκεκριμένα, όσον αφορά στον διαχωρισμό μεταξύ φυσιολογικών και παθολογικών (οστεοαρθρίτιδα και οίδημα από κάκωση), το ποσοστό ακριβείας έφθασε στο 75.50% με χρήση των χαρακτηριστικών τυπική απόκλιση, ενέργεια, εύρος συσχέτισης, ομοιογένεια, εύρος αντίθεσης ασυμμετρία, εύρος ομοιογένειας και αντίθεση. Για για τον διαχωρισμό μεταξύ φυσιολογικού μυελόυ και οιδήματος από κάκωση τα καλύτερα χαρακτηριστικά ήταν ενέργεια, εύρος συσχέτισης, τυπική απόκλιση, ομοιογένεια, ασυμμετρία, εύρος αντίθεσης, αντίθεση, και το μεγαλύτερο ποσοστό ακρίβειας ήταν 68.30%. Για τον διαχωρισμό μεταξύ φυσιολογικού μυελού και οστεοαρθρίτιδας εξήχθησαν τα χαρακτηριστικά τυπική απόκλιση, ενέργεια, εύρος συσχέτισης, ομοιογένεια, κύρτωση, μέση τιμή και το ποσοστό ακριβείας ήταν 70.10%. Τέλος, το καλυτερό ποσοστό ακρίβειας για τον διαχωρισμού μεταξύ των δύο κατηγοριών παθολογίας ήταν 65.20% με χρήση των χαρακτηριστικών μέση τιμή, ασυμμετρία, συσχέτιση, αντίθεση.
Κύρια θεματική κατηγορία:
Τεχνολογία – Πληροφορική
Λέξεις-κλειδιά:
Σύστημα Αναγνώρισης Προτύπων, χαρακτηριστικά υφής Ανάλυση ιατρικής εικόνας, Μαγνητική τομογραφία, αρθρίτιδα, οστικό οίδημα, ερυθροποίηση μυελού.
Ευρετήριο:
Ναι
Αρ. σελίδων ευρετηρίου:
5
Εικονογραφημένη:
Ναι
Αρ. βιβλιογραφικών αναφορών:
37
Αριθμός σελίδων:
64
BOCI ΔΙΠΛΩΜΑΤΙΚH17_7_rev3.pdf (1 MB) Άνοιγμα σε νέο παράθυρο