Please use this identifier to cite or link to this item: http://hdl.handle.net/10889/10860
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorΣακελλαρόπουλος, Γεώργιος-
dc.contributor.authorΜπουζιάνης, Νικόλαος-
dc.contributor.otherBouzianis, Nikolaos-
dc.date.accessioned2018-01-03T12:11:32Z-
dc.date.available2018-01-03T12:11:32Z-
dc.date.copyright2017-
dc.identifier.urihttp://hdl.handle.net/10889/10860-
dc.description.abstractΟι 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.el
dc.language.isogrel
dc.rights6el
dc.subjectΑθηροσκλήρωσηel
dc.subjectΈμφραγμα του μυοκαρδίουel
dc.subjectΗλεκτρονική μικροσκοπίαel
dc.subjectΜόρια HDLel
dc.subjectΜηχανική μάθησηel
dc.subjectΑλγόριθμοι ταξινόμησηςel
dc.subjectΕφαρμογή Matlabel
dc.subjectΤαξινόμηση εικόνων ηλεκτρονικής μικροσκοπίαςel
dc.subject.ddc616.994 660 285el
dc.titleΑνάπτυξη εφαρμογής για την ανάλυση και ταξινόμηση εικόνων ηλεκτρονικής μικροσκοπίας μορίων HDLel
dc.title.alternativeApplication development for analysis and classification of electron microscopy images of HDL moleculesel
dc.typeThesisel
dc.contributor.committeeΣακελλαρόπουλος, Γεώργιος-
dc.contributor.committeeΚυπραίος, Κυριάκος-
dc.contributor.committeeΚάβουρας, Διονύσης-
dc.description.translatedabstractCardiovascular 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.el
dc.subject.alternativeAtherosclerosisel
dc.subject.alternativeCoronary heart diseaseel
dc.subject.alternativeElectron microscopyel
dc.subject.alternativeMachine learningel
dc.subject.alternativeClassification algorithmsel
dc.degreeΜεταπτυχιακή Εργασίαel
Appears in Collections:Τμήμα Ιατρικής (ΜΔΕ)

Files in This Item:
File Description SizeFormat 
Μεταπτυχιακή εργασία -Μπουζιάνης Νικόλαος .pdfΜεταπτυχιακή εργασία3.68 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.