Ανάπτυξη εφαρμογής για την ανάλυση και ταξινόμηση εικόνων ηλεκτρονικής μικροσκοπίας μορίων HDL
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...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Μορφή: | Thesis |
| Γλώσσα: | Greek |
| Έκδοση: |
2018
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/10860 |
| id |
nemertes-10889-10860 |
|---|---|
| record_format |
dspace |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Αθηροσκλήρωση Έμφραγμα του μυοκαρδίου Ηλεκτρονική μικροσκοπία Μόρια HDL Μηχανική μάθηση Αλγόριθμοι ταξινόμησης Εφαρμογή Matlab Ταξινόμηση εικόνων ηλεκτρονικής μικροσκοπίας Atherosclerosis Coronary heart disease Electron microscopy Machine learning Classification algorithms 616.994 660 285 |
| spellingShingle |
Αθηροσκλήρωση Έμφραγμα του μυοκαρδίου Ηλεκτρονική μικροσκοπία Μόρια HDL Μηχανική μάθηση Αλγόριθμοι ταξινόμησης Εφαρμογή Matlab Ταξινόμηση εικόνων ηλεκτρονικής μικροσκοπίας Atherosclerosis Coronary heart disease Electron microscopy Machine learning Classification algorithms 616.994 660 285 Μπουζιάνης, Νικόλαος Ανάπτυξη εφαρμογής για την ανάλυση και ταξινόμηση εικόνων ηλεκτρονικής μικροσκοπίας μορίων HDL |
| description |
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. |
| author2 |
Σακελλαρόπουλος, Γεώργιος |
| author_facet |
Σακελλαρόπουλος, Γεώργιος Μπουζιάνης, Νικόλαος |
| format |
Thesis |
| author |
Μπουζιάνης, Νικόλαος |
| author_sort |
Μπουζιάνης, Νικόλαος |
| title |
Ανάπτυξη εφαρμογής για την ανάλυση και ταξινόμηση εικόνων ηλεκτρονικής μικροσκοπίας μορίων HDL |
| title_short |
Ανάπτυξη εφαρμογής για την ανάλυση και ταξινόμηση εικόνων ηλεκτρονικής μικροσκοπίας μορίων HDL |
| title_full |
Ανάπτυξη εφαρμογής για την ανάλυση και ταξινόμηση εικόνων ηλεκτρονικής μικροσκοπίας μορίων HDL |
| title_fullStr |
Ανάπτυξη εφαρμογής για την ανάλυση και ταξινόμηση εικόνων ηλεκτρονικής μικροσκοπίας μορίων HDL |
| title_full_unstemmed |
Ανάπτυξη εφαρμογής για την ανάλυση και ταξινόμηση εικόνων ηλεκτρονικής μικροσκοπίας μορίων HDL |
| title_sort |
ανάπτυξη εφαρμογής για την ανάλυση και ταξινόμηση εικόνων ηλεκτρονικής μικροσκοπίας μορίων hdl |
| publishDate |
2018 |
| url |
http://hdl.handle.net/10889/10860 |
| work_keys_str_mv |
AT mpouzianēsnikolaos anaptyxēepharmogēsgiatēnanalysēkaitaxinomēsēeikonōnēlektronikēsmikroskopiasmoriōnhdl AT mpouzianēsnikolaos applicationdevelopmentforanalysisandclassificationofelectronmicroscopyimagesofhdlmolecules |
| _version_ |
1771297137890426880 |
| spelling |
nemertes-10889-108602022-09-05T04:59:51Z Ανάπτυξη εφαρμογής για την ανάλυση και ταξινόμηση εικόνων ηλεκτρονικής μικροσκοπίας μορίων HDL Application development for analysis and classification of electron microscopy images of HDL molecules Μπουζιάνης, Νικόλαος Σακελλαρόπουλος, Γεώργιος Σακελλαρόπουλος, Γεώργιος Κυπραίος, Κυριάκος Κάβουρας, Διονύσης Bouzianis, Nikolaos Αθηροσκλήρωση Έμφραγμα του μυοκαρδίου Ηλεκτρονική μικροσκοπία Μόρια HDL Μηχανική μάθηση Αλγόριθμοι ταξινόμησης Εφαρμογή Matlab Ταξινόμηση εικόνων ηλεκτρονικής μικροσκοπίας Atherosclerosis Coronary heart disease Electron microscopy Machine learning Classification algorithms 616.994 660 285 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. Cardiovascular diseases are the leading cause of death worldwide. Coronary heart disease caused by atherosclerosis, is one of the diseases affecting the heart. Many times, the artery diseases evolve silently and do not show any symptoms. Increased levels of HDL in the plasma of blood positively contribute in reducing the risk of cardiovascular disease due to its antioxidant action that stops the oxidation of LDL. The oxidation of LDL has a dominant role in atherosclerosis. Besides antioxidant action, HDL presents and other benefits in reducing the risk of coronary heart disease. However, the concentration of HDL levels may not qualify as a safe marker for early diagnosis of coronary artery disease. In this paper, an attempt is made to create a method that can give evidence, which may have a role in the diagnosis of disease and the prevention of myocardial infarction which can bring even death. The basic methodology is based on machine learning. Electron microscopy images of HDL molecules belonging to patients who have survived from myocardial infarction and in healthy people. The images are processed and analyzed to result attributes that are used in training of classification algorithms. The algorithms used to sort images into two classes. The classes involve people with increased risk of myocardial infarction or not. Developing an application using the MATLAB GUI program is the goal of the study. The resulting application is easy to use and performs the processing, analysis, and classification of images. The image processing is mainly based on the filtering of the image using the Laplacian of Gaussian filter and sorting is done using two algorithms that belong to the category of support vector machines (SVMs) with polynomial kernel function. Accuracy rates of sorting algorithms is 91.8% and 87.8% respectively. There is scope to improve the accuracy of sorting algorithms. The use of more features for each image, mainly concerning clinical information and the number of image samples used for the training of classification algorithms are elements that can improve accuracy. As method cannot be considered safe for risk assessment but it seems that, from the characteristics and classification of such images can provide useful information to help the process of diagnosis. 2018-01-03T12:11:32Z 2018-01-03T12:11:32Z 2017 Thesis http://hdl.handle.net/10889/10860 gr 6 application/pdf |
