19601

۱۹۶۰۱

قطعه بندي دريچه ي ميترال در تصاوير اكوكارديوگرافي

كارشناسي ارشد

مهندسي پزشكي - بيوالكتريك

۱۳۹۴

۱۳۹۷/۷/۴

دكتر حميد بهنام

برق

بيماري هاي قلبي-عروقي شايع ترين علت مرگ و مير در جهان هستند. دريچه ي ميترال، از جمله دريچه-هاي قلبي است كه درمعرض بيماري مي باشد. اكوكارديوگرافي به عنوان تشخيص اوليه جهت ارزيابي بيماران مبتلا به بيماري هاي دريچه ي قلبي استفاده مي شود. در اين مطالعه، تشخيص بيماري تنگي دريچه ي ميترال(MS ) از روي تصاوير اكوكارديوگرافي دوبعدي مورد بررسي قرار گرفته است. روش مستقيم بدست آوردن مساحت، روشي رايج براي تشخيص بيماري MS است. در اين روش پزشك با رديابي دستي سوراخ دريچه ي ميترال در فريم وسط دياستول، اندازه گيري ها را انجام مي دهد. از آنجايي كه روش هاي دستي زمان بر و وابسته به كاربر هستند، در اين مطالعه روش جديدي براي تعيين فريم وسط دياستول مطرح شده است. قطعه بندي خودكار اين فريم در بخش بعدي مطالعه آورده شده است. براي تعيين فريم وسط دياستول از دو روش مختلف استفاده شده است. در روش اول، با محاسبه ي ميانگين شدت روشنايي در داخل ناحيه ي ROI بدست آمده است، فريم وسط دياستول تعيين شده است. در روش دوم با اعمال الگوريتم آناليز مولفه ي اصلي(PCA ) بر روي ناحيه ي دريچه ي ميترال در همه ي فريم هاي توالي اكوكارديوگرافي، فريم وسط دياستول بدست آمده است، كه طي آن ناحيه ي ROI با ابعاد بالا به يك نقطه در فضاي دوبعدي نگاشت مي شود(هر نقطه نمايانگر يك فريم است). نموداري با استفاده از محاسبه ي فاصله ي اقليدسي بين نقاط متوالي بدست مي آيد كه با آناليز آن فريم وسط دياستول تعيين مي شود. مقدار خطاي بدست آمده در تعيين فريم وسط دياستول براي افراد مبتلا به تنگي دريچه ي ميترال و افراد سالم براي روش اول بترتيب برابر 36/9 و 5/2 و براي روش دوم بترتيب 72/0و 87/1 بود. براي بخش قطعه بندي از سه روش مختلفِ مبتني بر شدت روشنايي استفاده شده است (شامل K-means، fuzzy C-means و آستانه گذاري). در بخش ديگري از اين مطالعه، از روش هاي شناسايي آماري الگو و كلاس بندي براي تشخيص بيماري تنگي دريچه ي ميترال استفاده شده است. بهترين نتايج با استفاده از ويژگي هاي ويژگي هاي SIFT بدست آمد(دقت كلاس بندي براي سه كلاس بند مختلف SVM ، ELM و Adaboost بترتيب برابر با 05/93، 23/97 و 83/93 بود).

1397/08/01

Segmentation of Mitral Valve in Echocardiography Sequences

9/26/2019 12:00:00 AM

Cardiovascular disease is the most common cause of death in the world. The mitral valve is one of the heart valves that are at the risk of disease. Echocardiography is used as an initial diagnostic tool for the evaluation of patients with heart valve disease. In this study, the diagnosis of mitral valve stenosis (MS) from two-dimensional echocardiography was investigated. The direct method of obtaining an area of the mitral valve is a common method for diagnosing MS. In this method, the echocardiologist performs measurements by manually tracking the mitral valve orifice in the mid-diastole frame. Since manual methods are time-dependent and user-dependent, in this study a new method is proposed for determining the mid-diastole frame automatically. The automatic segmentation of this frame is presented in the next section. Two different methods have been used to determine the mid-diastole frame. In the first method, by calculating the mean intensity within the ROI region, the mid-diastole frame is determined. In the second method, using the Principal Component Analysis algorithm (PCA) on the mitral valve orifice, in each frame of the echocardiography, mid-diastole frame was obtained, in which the high-dimensional ROI is mapped to a point in the two-dimensional space (each point represents a frame). A curve is obtained by calculating the Euclidean distance between consecutive points. By analyzing the curve, the mid-diastole frame is determined. The mean error in the determination of the mid-diastole frame for subjects with mitral valve stenosis and without MS for the first method was 9.36 and 2.5 respectively and for the second method was 0.72 and 1.87, respectively. For segmentation, three different methods based on the intensity have been used (including K-means, fuzzy C-means, and thresholding). In another section of this study, machine learning methods are used to diagnose the mitral valve stenosis. The best results were obtained using the SIFT features and accuracy for three different classifiers including SVM, ELM and Adaboost was 93/93, 97.23 and 93.83 respectively.