عنوان

تشخیص و کلاس‌بندی گرفتگی رگ به‌وسیله‌ی ماشین بردار پشتیبان

پ۲۵۶۴۲

per

تشخیص و کلاس‌بندی گرفتگی رگ به‌وسیله‌ی ماشین بردار پشتیبان

ولی اله زالی نژاد لیلان

مهندسی مکانیک

۱۳۹۹

۵۸ص.

سی دی

کارشناسی ارشد

مهندسی مکاترونیک

۱۳۹۹/۰۷/۱۳

هدف: یکی از شایع‌ترین علل مرگ‌ومیر در دنیا بیماری‌های قلبی و عروقی است که ۲۴ درصد از آن مربوط به عروق کرونر است. هدف این پژوهش تشخیص و کلاس‌بندی عروق شریان کرونر قلب به‌وسیله الگوریتم‌های یادگیری ماشین با بررسی تصاویر سی تی آنژیوگرافی است.روش‌شناسی پژوهش: این پژوهش با استفاده از الگوریتم‌های SVM، KNN و NB بر روی تصاویر سی تی آنژیوگرافی قلب پیاده‌سازی شده است.درنهایت با مقایسه نتایج ،الگوریتم SVM به عنوان روش پیشنهادی ارایه شد. از پایگاه داده انتخابی شامل تصاویر دوبعدی سی تی آنژیوگرافی تعداد 20 تصویر از 20 فرد مختلف به‌صورت تصادفی از 40 تصویر موجود انتخاب‌شده است. روش پیشنهادشده در معیارهای صحت، حساسیت و معیار مشابهت dice مقایسه گردید. ارزیابی میانگین کل معیار صحت، حساسیت و dice برای 20 تصویر صورت گرفته است. ارزیابی بیشتر معیار بازه اطمینان نیز در معیارهای دقت و مشابهت dice محاسبه گردید.یافته‌ها: نتایج روش SVM با نتایج دوطبقه بند دیگر KNN و NB مقایسه شده و رویکرد پیشنهادی( الگوریتم SVM ) با میانگین صحت 33/98 و میانگین معیار مشابهت dice به‌دست‌آمده 15/98 و معیار حساسیت مقدار 25/99، در مقایسه با میانگین دقت، میانگین معیار مشابهت dice و میانگین صحت در پژوهش‌های پیشین برتری خود را به اثبات رسانیده است. همچنین بازه اطمینان در سه معیار موردبررسی، درروش پیشنهادی بسیار کمتر از دو روش مقایسه شده دیگر بوده است که خود تأییدی بر برتری روش طبقه بند SVM خواهد بود.نتیجه‌گیری: به‌وسیله‌ی تکنیک‌های یادگیری ماشین، تشخیص به‌موقع و سریع بیماري عروق کرونر و کلاس‌بندی گرفتگی رگ‌های شریان کرونر در تصاویر سی تی آنژیوگرافی امکان‌پذیر است. همچنین بهبود فرآیند تشخیص با یافتن مؤثرترین روش براي تشخیص بیماري و کمک به شروع درمان زودهنگام با استفاده از کلاس‌بندی گرفتگی رگ برای پیشگیري از انجام بی‌رویه روش‌های پر عارضه ممکن است.

Research Aim: One of the most common causes of death in the world is cardiovascular disease, 24% of which is related to coronary arteries. The aim of this study is to diagnose and classify coronary artery arteries by machine learning algorithms by examining CT angiography images.Research method: This research has been implemented using SVM, KNN and business algorithms on CT images of cardiac angiography. From the selected database, including two-dimensional CT angiographic images, 20 images from 20 different selected individuals were randomly selected from the 40 available images. The proposed method was compared in the accuracy, sensitivity and similarity criteria of dice. The average total score of accuracy, sensitivity and dice for 40 images has been evaluated. Further evaluation of the confidence interval criterion was also calculated in the dice accuracy and similarity criteria.Findings: The results of the proposed method were compared with the results of the two articles and the proposed approach with an average accuracy of 98.33 and the average dice similarity criterion obtained was 98.15 and the sensitivity criterion was 99.25, compared to the mean accuracy, dice similarity criterion and Miyangen Sehat has proven its superiority in previous research. Also, the confidence interval in the two criteria examined was much lower in the proposed method than in the other two compared methods, which would be a confirmation of the superiority of the proposed method.Conclusion: With the help of machine learning techniques, it is possible to diagnose coronary artery disease in a timely and rapid manner and to classify coronary artery stenosis in CT angiography images. It is also possible to improve the diagnosis process by finding the most effective way to diagnose the disease and helping to start early treatment using vascular occlusion classification to prevent the complication of complicated procedures.

Diagnosis and Classification of Clogged Arteries by Support Vector Machine (SVM)

‏زالی نژاد لیلان،

‏‏ولی اله

تهيه کننده

‏اکرمی ،

‏سید نورانی،

‏‏سید محمد رضا

سید محمدرضا

استاد راهنما

استاد مشاور

‏ تبریز