Η ανίχνευση ευάλωτης αθηρωματικής πλάκας στα τοιχώματα ενός αγγείου είναι πρωτεύουσας σημασίας για το ενδεχόμενο ρήξης του αγγείου και πρόκλησης καρδιαγγειακού επεισοδίου. Στην παρούσα διδακτορική διατριβή αναπτύσσονται μεθοδολογίες για τον αποτελεσματικό ιστολογικό χαρακτηρισμό αγγειακού τοιχώματος, και κατ’ επέκταση εντοπισμού της ευάλωτης αθηρωματικής πλάκας, σε εικόνες ενδοστεφανιαίου υπερηχογραφήματος (IVUS). Η ενδελεχής διερεύνηση του προβλήματος περιλαμβάνει καινοτόμες τεχνικές εξαγωγής χαρακτηριστικών, επιλογής χαρακτηριστικών, καθώς και μοντέλα ασαφών ταξινομητών. Η ανάπτυξη των παραπάνω μεθόδων γίνεται έχοντας ως βάση τεχνικές και αρχές ασαφούς λογικής και μηχανικής μάθησης. Μεταξύ άλλων, προτείνεται ένας νέος τρόπος ασαφούς χρωματισμού του χαρακτηρισμένου αγγειακού τοιχώματος με βάση το βαθμό εμπιστοσύνης στον οποίο ο ταξινομητής αναγνωρίζει κάθε ιστό. Μέσω μετα-διαδικασιών, γίνεται αποκάλυψη του ασβεστοϊνώδους ιστού, ο οποίος αποτελεί ενδιάμεσο στάδιο μεταξύ ασβεστίου και ινώδους ιστού. Επιπλέον, η εικόνα IVUS μετασχηματίζεται σε πολικές συντεταγμένες μέσω μιας πρωτοπόρου διαδικασίας με στόχο την ανάσυρση του ραδιοσυχνοτικού σήματος από το οποίο προκύπτει η εικόνα IVUS για βελτίωση του τελικού αποτελέσματος. Ακόμα, εφαρμόζονται για πρώτη φορά αλγόριθμοι συγχώνευσης αποφάσεων προκειμένου να γίνει η μέγιστη δυνατή εκμετάλλευση των εξαγόμενων χαρακτηριστικών, ενώ υλοποιείται μια νέα μέθοδος στο πεδίο αυτό, χρησιμοποιώντας έναν ταξινομητή SVM ως συγχωνευτή αποφάσεων. Τέλος, γενετικά ασαφή συστήματα προσαρμόζονται καταλλήλως προκειμένου να βοηθήσουν στο δύσκολο εγχείρημα της λεπτομερούς ανίχνευσης των συστατικών του αγγειακού τοιχώματος.
Vulnerable plaque identification in the vessel wall is of primary importance concerning a potential vessel rupture that would cause an acute coronary syndrome. The purpose of the present doctoral dissertation is to develop efficient methodologies to encounter the problem of vessel wall tissue characterization and, consequently, vulnerable plaque detection, using intravascular ultrasonic images (IVUS). To successfully address the problem, innovative feature extraction and feature selection techniques are suggested, as well as fuzzy classification models. The development of the above methods is based on the principles of fuzzy logic and machine learning. A new way of fuzzy coloring is suggested for the vessel wall, based on the membership degree to which the classifier identifies each tissue type. Post processes aid the revelation of fibro-calcific tissue, which comprises an intermediate stage between calcium and fibrous tissue. Moreover, the grayscale IVUS image undergoes a transformation to polar coordinates through a novel procedure, aiming to retrieve the initial radiofrequency signal of the image, enhancing the quality of the final result. Furthermore, decision fusion algorithms are applied for the first time on the tissue characterization feat, in order to achieve maximum exploitation of the extracted features, while a new method on this field is implemented using an SVM classifier to fuse the various decisions. Finally, fuzzy rule based genetic systems are properly adapted to aid the difficult task of elaborate vessel wall component detection analysis.
Εθνικό Κέντρο Τεκμηρίωσης και Ηλεκτρονικού Περιεχομένου (ΕΚΤ)
