Processing in vivo ultrasound images of the carotid artery
Visualitza/Obre
Estadístiques de LA Referencia / Recolecta
Inclou dades d'ús des de 2022
Cita com:
hdl:2117/358168
Realitzat a/ambČeské vysoké učení technické v Praze
Tipus de documentTreball Final de Grau
Data2021-06
Condicions d'accésAccés obert
Tots els drets reservats. Aquesta obra està protegida pels drets de propietat intel·lectual i
industrial corresponents. Sense perjudici de les exempcions legals existents, queda prohibida la seva
reproducció, distribució, comunicació pública o transformació sense l'autorització del titular dels drets
Abstract
Carotid stenosis is a narrowing of the carotid arteries, the two major arteries that carry oxygen-rich blood from the heart to the brain. This disease is caused by a buildup of plaque (atherosclerosis) inside the artery wall that reduces blood flow to the brain. This thesis focuses on predicting whether the plaque in the carotid artery is unstable (symptomatic) or stable (asymptomatic) using ultrasound images of the carotid artery. If it is unstable it means that the plaque is going to grow, otherwise, is going to remain the same. Using a provided segmentation, a series of descriptors and a subsequent classification model has been developed to fulfil this task. We will see that between the linear regression classifier, SVC or Random Forest, SVC will give the best results. For the cross-sectional images, the descriptors that will give us the best accuracy in distinguishing the two classes will be: relative percentage stenosis, relative plaque area, wavelets and Haralick texture descriptors. The first two will be calculated on the cross-sectional segmentations and the last ones on the original cross-sectional images using segmentations as well. With this selection of features we will achieve 67% accuracy in the classification of our data. La estenosis carotídea es un estrechamiento de las arterias carótidas, las dos arterias principales que llevan la sangre rica en oxígeno del corazón al cerebro. Esta enfermedad está causada por una acumulación de placa (aterosclerosis) en el interior de la pared arterial que reduce el flujo sanguíneo al cerebro. La presente tesis se centra en predecir si la placa en la arteria carótida es inestable (sintomática) o estable (asintomática) utilizando las imágenes ecográficas de la arteria carótida. Si es inestable significa que la placa va a crecer, por otra parte, si es estable, se mantendrá igual. Mediante una segmentación que nos ha sido facilitada, se han desarrollado una serie de descriptores y un posterior modelo de clasificación para cumplir este cometido. Veremos que entre el clasificador de regresión lineal, SVC o Random Forest, SVC será el que nos dará mejores resultados. Para las imágenes transversales, los descriptores que nos darán una mayor precisión al distinguir las dos clases serán: porcentaje de estenosis relativa, área relativa de la placa, wavelets y los descriptores de textura de Haralick. Las dos primeras se calcularán sobre les segmentaciones transversales y las últimas sobre las imágenes transversales originales utilizando también las segmentaciones. Con esta selección de características se conseguirá un 67% de precisión en la clasificación de nuestros datos. L'estenosi carotídia és un estrenyiment de les artèries caròtides, les dues artèries principals que porten la sang rica en oxigen del cor al cervell. Aquesta malaltia està causada per una acumulació de placa (aterosclerosi) a l'interior de la paret arterial que redueix el flux sanguini al cervell. La tesis que es presenta es centra en predir si la placa en l'arteria caròtida és inestable (simptomàtica) o estable (asimptomàtica) utilitzant les imatges ecogràfiques de l'arteria caròtida. Si és inestable significa que la placa creixerà, d'altra banda, si és estable, romandrà igual. Mitjançant una segmentació que se'ns ha facilitat, s'han desenvolupat una sèrie de descriptors i un posterior model de classificació per complir aquesta comesa. Veurem que entre el classificador de regressió lineal, SVC o Random Forest, SVC serà amb el que obtindrem millors resultats. Per les imatges transversals, els descriptors que ens donaran una major precisió al distingir les dos classes seran: percentatge d'estenosis relativa, àrea relativa de la placa, wavelets i els descriptors de textura de Haralick. Les dues primeres es calcularan sobre les segmentacions transversals i les últimes sobre les imatges transversals originals utilitzant també les segmentacions. Amb aquesta selecció de característiques s'aconseguirà un 67% de precisió en la classificació de les nostres dades.
MatèriesMachine learning, Ultrasonic waves, Image processing, Aprenentatge automàtic, Ultrasons, Imatges--Processament
TitulacióGRAU EN ENGINYERIA DE TECNOLOGIES I SERVEIS DE TELECOMUNICACIÓ (Pla 2015)
Fitxers | Descripció | Mida | Format | Visualitza |
---|---|---|---|---|
TFG_Ana_Manzano_entrega.pdf | 9,087Mb | Visualitza/Obre |