| Περίληψη: | Οι καρδιαγγειακές παθήσεις αποτελούν την πρώτη αιτία θανάτου παγκοσμίως. Η στεφανιαία νόσος, που οφείλεται στην αθηροσκλήρωση, είναι μια από τις ασθένειες που προσβάλλουν την καρδιά. Πολλές φορές, οι ασθένειες των αρτηριών εξελίσσονται αθόρυβα και δεν παρουσιάζουν συμπτώματα.
Τα αυξημένα επίπεδα της HDL στο πλάσμα του αίματος συνεισφέρουν θετικά στη μείωση του κινδύνου εμφάνισης καρδιαγγειακής νόσου λόγω της αντιοξειδωτικής δράσης της, που διακόπτει την οξείδωση της LDL. Η οξείδωση της LDL έχει κυρίαρχο ρόλο στην αθηροσκλήρωση. Εκτός όμως από την αντιοξειδωτική δράση, η HDL παρουσιάζει και άλλα οφέλη στην μείωση του κινδύνου εκδήλωσης στεφανιαίας νόσου. Ωστόσο, τα επίπεδα συγκέντρωσης της HDL δεν μπορούν να χαρακτηριστούν ως ένας ασφαλής δείκτης για την έγκαιρη διάγνωση της στεφανιαίας νόσου. Στην παρούσα εργασία γίνεται προσπάθεια να δημιουργηθεί μια μέθοδος που θα είναι ικανή να δώσει στοιχεία, που πιθανόν να έχουν κάποιο ρόλο στη διάγνωση της νόσου και στην πρόληψη της προσβολής από έμφραγμα του μυοκαρδίου κάποιου ατόμου που μπορεί να επιφέρει ακόμα και θάνατο.
Η βασική μεθοδολογία που ακολουθείται στηρίζεται στη μηχανική μάθηση. Χρησιμοποιούνται εικόνες ηλεκτρονικής μικροσκοπίας μορίων HDL που ανήκουν σε ασθενείς οι οποίοι έχουν επιβιώσει από έμφραγμα του μυοκαρδίου και σε υγιείς άτομα. Οι εικόνες υφίστανται επεξεργασία και ανάλυση έτσι ώστε να προκύψουν χαρακτηριστικά, τα οποία χρησιμοποιούνται στην εκπαίδευση αλγορίθμων ταξινόμησης. Οι αλγόριθμοι χρησιμοποιούνται για την ταξινόμηση εικόνων σε δύο κλάσεις. Οι κλάσεις αφορούν άτομα με αυξημένο κίνδυνο προσβολής από έμφραγμα του μυοκαρδίου ή όχι. Η ανάπτυξη μιας εφαρμογής με τη χρήση του προγράμματος MATLAB GUI είναι ο τελικός σκοπός της εργασίας. Η εφαρμογή που προκύπτει είναι εύχρηστη και εκτελεί την επεξεργασία, την ανάλυση και την ταξινόμηση των εικόνων. Η επεξεργασία στηρίζεται κυρίως στο φιλτράρισμα της εικόνας με τη χρήση του φίλτρου Laplacian of Gaussian και η ταξινόμηση γίνεται με τη χρήση δύο αλγορίθμων που ανήκουν στην κατηγορία των μηχανών διανυσμάτων υποστήριξης (SVM) με πολυωνυμική συνάρτηση πυρήνα. Τα ποσοστά ακρίβειας των αλγορίθμων ταξινόμησης είναι 91,8% και 87,8% αντίστοιχα.
Υπάρχουν βέβαια περιθώρια βελτίωσης της ακρίβειας των αλγορίθμων ταξινόμησης. Η χρησιμοποίηση περισσότερων χαρακτηριστικών για κάθε εικόνα, που κυρίως αφορούν κλινικές πληροφορίες και το πλήθος των εικόνων δειγμάτων που χρησιμοποιούνται για την εκπαίδευση των αλγορίθμων ταξινόμησης είναι στοιχεία που μπορεί να βελτιώσουν την ακρίβεια.
Σαν μέθοδος δεν μπορεί να θεωρηθεί ασφαλής για την εκτίμηση του κινδύνου όμως φαίνεται ότι, από τα χαρακτηριστικά και την ταξινόμηση τέτοιων εικόνων, μπορούν να προκύψουν χρήσιμες πληροφορίες που βοηθούν τη διαδικασία της διάγνωσης.
|
|---|
