Please use this identifier to cite or link to this item: http://hdl.handle.net/10889/13236
Title: Ευφυές σύστημα πρόβλεψης ρήξης ενδοκράνιων ανευρυσμάτων σε εξετάσεις τρισδιάστατης αξονικής τομογραφίας
Other Titles: Expert system for prediction cerebral aneurysms’ rupture in 3-D computed tomography angiography exams
Authors: Ντζάνης, Επαμεινώνδας
Keywords: Ανεύρυσματα εγκεφάλου
Αξονική αγγειογραφία εγκεφάλου
Μηχανική μάθηση
Keywords (translated): Cerebral aneurysms
Brain CT angiography
Machine learning
Abstract: Εισαγωγή: Στη συγκεκριμένη εργασία θα περιγραφούν τα ενδοκράνια ανευρύσματα, κάνοντας μία αναφορά στο τι είναι τα ανευρύσματα, τους παράγοντες που ευθύνονται για την δημιουργία και την ανάπτυξή τους, οι κατηγορίες στις οποίες χωρίζονται και με ποια από αυτά θα ασχοληθούμε. Θα γίνει μία αναφορά στους κινδύνους που ενέχουν για την υγεία των ανθρώπων που τα φέρουν (συμπτωματικοί και ασυμπτωματικοί) και με πιο τρόπο γίνεται η διάγνωσή τους. Σκοπός: Ο προσδιορισμός της πιθανότητας ρήξης ενός ενδοκράνιου ανευρύσματος είναι κρίσιμος λόγω του υψηλού ποσοστού θνησιμότητας που σχετίζεται με τη ρήξη. Με την βοήθεια της Τεχνητής Νοημοσύνης θα δημιουργηθεί ευφυές σύστημα, το οποίο θα προβλέπει σε μεγάλο ποσοστό ποιο από τα τυχαία ανακαλυφθέντα και μη ραγέντα ενδοκράνια ανευρύσματα θα ραγεί ή όχι. Σκοπός της παρούσης εργασίας είναι η δημιουργία κανόνων, κατευθυντήριων γραμμών και ίσως νέας ιατρικής γνώσης για την πρόληψη ρήξης των ενδοκράνιων ανευρυσμάτων. Οι μέχρι τώρα εργασίες πάνω σε αυτό το θέμα έχουν γίνει με την χρήση στατιστικών μεθόδων. Μέθοδος: Το Πανεπιστημιακό νοσοκομείο Πατρών διαθέτει δύο πολυτομικούς τομογράφους. Από το 2005 έως και σήμερα τον GE lightspeed 16 τομών και από το 2015 έως και σήμερα τον Toshiba Aquilion prime 80 τομών. Σε αυτούς τους πολυτομικούς τομογράφους έχουν πραγματοποιηθεί μέχρι σήμερα περίπου 500 αξονικές αγγειογραφίες (CTAs) εγκεφάλου σε ασθενείς με συμπτωματολογία και με ή όχι διαγνωσμένη υπαραχνοειδή αιμορραγία από την απλή αξονική (CT) εγκεφάλου. Από το σύνολο των εξετάσεων αυτών χρησιμοποιήθηκαν τα δεδομένα από 100 εξετάσεις για την παρούσα εργασία. Η επιλογή δεν έγινε τυχαία. Επιλέχθηκαν δεδομένα από CTAs εγκεφάλου που αφορούσαν ραγέντα και μη ραγέντα ανευρύσματα με βάση την συχνότητα κατανομής τους στον εγκέφαλο σύμφωνα με την διεθνή βιβλιογραφία. Από τα δεδομένα αυτά μετρήθηκαν οι διαστάσεις των ανευρυσμάτων. Καταγράψαμε τη θέση τους, τυχόν ανατομικές παραλλαγές των αγγείων του εγκεφάλου και αν ήταν ομαλό ή όχι το περίγραμμά τους. Επίσης προσθέσαμε στα δεδομένα κάποιες ακόμη πληροφορίες που αφορούν τον ασθενή, όπως το φύλο του, την ηλικία του. Οι μετρήσεις που αφορούν την γεωμετρία των ανευρυσμάτων, τα μορφολογικά τους χαρακτηριστικά κτλ., εισήχθησαν στο εργαλείο εξόρυξης γνώσης WEKA για την δημιουργία δέντρου απόφασης. Οι κανόνες που προήλθαν από το δέντρο απόφασης και χρησιμοποιήθηκαν για την δημιουργία έμπειρου συστήματος στο CLIPS προήλθαν από μηχανική μάθηση και όχι από τον ειδικό. Ο ειδικός παρενέβη στην επιλογή και τροποποίηση των παραμέτρων των κανόνων πριν την εισαγωγή τους στο CLIPS. Επιπλέον, δημιουργήθηκε ακόμη ένα έμπειρο σύστημα με την βοήθεια του Νευρωνικού Δικτύου του WEKA. Τέλος συγκρίναμε τα αποτελεσμάτων των τριών αυτών συστημάτων. Αποτελέσματα: Τα τρία ευφυή συστήματα που δημιουργήσαμε κατάφεραν να πετύχουν αρκετά καλά αποτελέσματα. Το Νευρωνικό Δίκτυο υπερτερεί ελαφρώς του Δέντρου απόφασης με γενική ορθότητα πρόβλεψης 80,6% έναντι 80% του Δέντρου απόφασης και ακολουθεί το έμπειρο σύστημα σε Clips με 73%. Πρέπει να επισημάνουμε ότι το ΝΔ δεν είναι τόσο εύκολο στην κατασκευή του και χρειάζεται χρόνο εκπαίδευσης (15000 εποχές) και υπολογιστική ισχύ σε σχέση με το Δέντρο απόφασης. Επίσης, βελτίωση των αποτελεσμάτων αυτών σίγουρα μπορεί να υπάρξει. Όσο θα μεγαλώνει η βάση γνώσης ενός ευφυούς συστήματος, τόσο πιο καλό θα γίνεται. Συμπεράσματα: Τα συστήματά μας πέτυχαν υψηλά ποσοστά ταξινόμησης στα ραγέντα ανευρύσματα και όχι στα μη ραγέντα. Η ικανότητά τους να μη ταξινομούν σωστά τα μη ραγέντα ανευρύσματα μειώνει τα συνολικά ποσοστά επιτυχίας των συστημάτων μας. Η μη σωστή ταξινόμηση αυτών των ανευρυσμάτων θα μπορούσε να ερμηνευτεί ότι: Τα ανευρύσματα που δεν έχουν ραγεί έχουν αυξημένο κίνδυνο ρήξης και χρήζουν άμεσης αντιμετώπισης. Εάν στα συστήματά μας δώσουμε σαν είσοδο τα χαρακτηριστικά ενός τέτοιου ανευρύσματος, αυτό θα προβλέψει με μεγάλο ποσοστό αν θα ραγεί ή όχι, δηλαδή αυτό που σκοπεύαμε σε αυτή την εργασία.
Abstract (translated): Purpose: Determining the probability of rupture of an intracranial aneurysm is critical because of the high mortality rate associated with rupture. With the help of Artificial Intelligence, an intelligent system will be created that will predict to a large extent which randomly discovered intracranial aneurysms will rupture or not. The purpose of this work is to develop rules, guidelines and perhaps new medical knowledge to prevent rupture of intracranial aneurysms. Related work on this topic has been done using statistical methods. Methods: The University Hospital of Patras has two multislice tomographs. From 2005 to today 500 brain CTAs have performed in patients with symptomatology and with or not diagnosed subarachnoid hemorrhage from brain CT. Out of all these exams, data from 100 exams were used for the present work. The choice was not random. Data from brain CTAs that concerned rupture and unruptured aneurysms were selected based on their frequency distribution to the brain according to international literature. From these data the dimensions of the aneurysms were measured. We recorded their location, any anatomical variations of the brain vessels and whether their shape was smooth or not. We also added to the data some more information about the patient, such as his gender, his age. The measurements related to the geometry of the aneurysms, their morphological characteristics, etc., were imported into the WEKA data mining tool to create a decision tree. The rules that came from the decision tree and were used to create an intelligent CLIPS system came from machine learning and not from the expert. The expert intervened in the selection and modification of the parameters of the rules prior to their importation into CLIPS. In addition, another experienced system was created with the help of the WEKA Neural Network. Finally, we compared the results of these three systems. Results: The three intelligent systems we created, have achieved quite good results. The Neural Network slightly outperforms the Decision Tree with a general accuracy of 80.6% versus 80% of the Decision Tree and follows the experienced system in Clips with 73%. Conclusion: Our systems achieved high classification rates in ruptured aneurysms rather than unruptured. Their disability to classify unruptured aneurysms correctly reduces the overall success rates of our systems. The incorrect classification of these aneurysms could be interpreted as: An aneurysm that has not been ruptured has an increased risk of rupture and needs immediate treatment. If we give into our systems the features of such an aneurysm, it will predict whether it will be ruptured and that is, what we intended in this work.
Appears in Collections:Τμήμα Ιατρικής (ΔΕ)



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