عنوان پایان‌نامه
تشخیص مواد تشکیل دهنده رسوب رگ در تصاویر IVUS
- رشته تحصیلی
- مهندسی برق- مهندسی پزشکی - بیوالکتریک
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 38322;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 1449
- تاریخ دفاع
- ۱۷ شهریور ۱۳۸۷
- دانشجو
- علیرضا رودکی
- استاد راهنما
- سیدکمال الدین ستاره دان
- چکیده
- چکیده تصلب شریان و عوارض ناشی از آن، عامل پیشتاز مرگ و میر در دنیای پیشرفته و صنعتی امروز به حساب میآید. تغییرات و پیچیدگی این رسوبات تشخیص نوع و میزان پیشرفت این ضایعه را مشکل می سازد. عمولاً این پلاکها از موادی مانند فیبروز، کلسیم وچربی ایجاد میشوند. حملات حاد قلبی، در محل حضور پلاکهای ناپایدار و پلاکهای چربی با پوشش نازک فیبروز پدید میآید. بنابراین غیر از میزان گرفتگی، تشخیص مواد تشکیل دهنده رسوب، میزان و نحوه توزیع آنها در تصمیمگیری برای درمان مناسب و پیشگیری از مرگ بیمار، امری حیاتی میباشد. (IVUS) Intravascular Ultrasoundروش تصویربرداری جدیدی است که در دهه ?? با هدف تشخیص محل و میزان گرفتگی رگ‌ها طراحی شده و مورد استفاده قرار گرفته است. IVUS بر اساس تشکیل تصویر از سیگنالهای بازگشتی اولتراسوند (فراصوت) فرکانس بالا (حدود ??-?? مگاهرتز) که از المانهای قرار داده شده روی یک کاتتر که به داخل رگ فرستاده میشود، کار میکند. در هنگام تصویربرداری، کاتتر توسط سیم راهنما در محل مورد نظر قرار میگیرد و توسط دستگاهی با سرعت ثابت به عقب کشیده شده و تصاویر ثبت میشوند. در مقایسه با تکنیک آنژیوگرافی این روش خطر استفاده از اشعه X را ندارد و همچنین اطلاعات بیشتر و دقیقتری از میزان و محل رسوب و مواد تشکیل دهنده آن را نمایش میدهد. در مقابل IVUS روشی گران محسوب میشود، همچنین به دلیل بزرگ بودن کاتتر آن، قابلیت تصویر برداری از رگهای باریک را ندارد. پردازش تصاویر IVUS بصورت چشمی توسط پزشک متخصص جهت تشخیص محل گرفتگی با تعیین محل دیواره رگ و مرزها انجام میپذیرد. یک سیستم کامل تشخیص مواد تشکیل دهنده رسوب شامل چهار قسمت میباشد. استخراج ویژگی، کاهش بُعد ویژگی، دسته‌بندی و ارزیابی قسمت‌های مختلف این سیستم می‌باشند. در این پروژه، در قسمت استخراج وبژگی عملکرد روش‌های ماتریس هم‌وقوعی، الگوی باینری محلی، فیلتر گابور و تبدیل موجک دو بُعدی با هم مقایسه شده‌اند. همچنین بر اساس مشخصات پخش‌شدگی شدت روشنایی در هر کلاس تکنیکی در این پروژه پیشنهاد شد (اصلاح روش طول دنباله) که طبق نتایج به‌دست آمده از روش‌های دیگر در این زمینه عملکرد بهتری داشته‌است. در قسمت کاهش بُعد ویژگی این پایان‌نامه دو تکنیک PCA و FLD باهم مقایسه شده‌اند. برای مرحله دسته‌بندی نیز دو روش شبکه‌های عصبی مصنوعی و SVM به خدمت گرفته شدند.نتایج به‌دست آمده بیانگر بهینه بودن سیستمی که از روش‌های اصلاح روش طول دنباله، FLD و SVM استفاده کند، می‌تواند بیشترین دقت را برای تشخیص انواع پلاک در تصاویر IVUS داشته باشد.
- Abstract
- Abstract The leading cause of mortality in the developed countries is atherosclerosis. The variability, complexity, and dynamic nature of the atherosclerotic plaques and the interaction between various cell types within a plaque impede the determination of the progression, complications, and outcome of the disease. Lesion components respond differently to pharmaceutical and interventional therapies; therefore detecting various tissue and plaque types is of paramount importance. Clinically important plaque types include: calcium, fibrous, necrotic, and lipid types. The size of each plaque type existing in the plaque area and also the combination of them define the type of the problem. As a result, accurate characterization of plaque lesions helps to choose the appropriate clinical intervention and assess the effects of therapy. High-resolution intravascular ultrasound (IVUS) has provided critically important observations that demonstrate the extent and distribution coronary artery disease and reveal the severity and eccentric nature of plaque lesions that could be underestimated on angiography. IVUS has also provided insights into plaque the distribution and extent of lipid-rich plaques, extent of calcification, and thickness of the fibrous cap. The tedious and time-consuming task of manual processing and interpretation of images suffers from intra- and interobserver variability. Furthermore, an expert may not be able to completely characterize the different composition of atherosclerotic plaques. Thus automatic characterization of IVUS images is inevitable. The main goal in this project was automating the procedure of atherosclerosis’ plaque type characterization in IVUS images. In the feature extraction step, we applied several methods including the Cooccurrence matrix, Gabor filter, 2D wavelet transform, and Local Binary Pattern (LBP). Moreover, we proposed a novel technique based on the Run-length matrix. In the feature conditioning step, we employed Principal Component Analysis (PCA) and Fisher Linear Discriminant (FLD) for feature dimension reduction. Finally, the feature vectors were classified using Artificial Neural Network (ANN) and Support Vector Machine (SVM). The results demonstrate that our proposed feature extraction technique, modified run-length, has more efficacy than other feature extraction methods for this purpose. Moreover, as expected, the FLD method has improved the results more than the PCA one. Further, the SVM has shown better and more reliable results compare to the ANN. We can conclude that a system containing our proposed technique, FLD, and SVM should be among the best for characterizing different plaque types in IVUS images.
