Ανάπτυξη και χρήση μεθοδολογιών πολλαπλής διακριτικής και κατευθυντικής ανάλυσης βιοΐατρικών δεδομένων για την ανάδειξη παθολογικών προτύπων

Abstract

In the framework of the present PhD thesis, the potential of directional multiscale analysis to detect abnormal patterns in biomedical data is investigated. First, directional multiscale analysis is applied to assess the interaction of neural potentials during a time discrimination psychoacoustic task. Psychoacoustics is the branch of psychophysics which deals with the human perception of the acoustic stimuli (sound), making a sharp distinction between the physical stimulus and psychological response to it. Electroencephalogram (EEG) and Event Related Potential (ERP) signals of sixteen participants in a properly designed psychoacoustics experiment were recorded and analyzed using the Wavelet Coherence and Entropy. According to the results, differences in the pattern of delta and gamma rhythms are correlated to the Just Noticeable Difference (JND) in pulses duration, calculated by the psychoacoustic analysis. Moreover, the potential of directional multiscale analysis to discriminate symptomatic from asymptomatic carotid artery plaques, from B-mode Ultrasound images was investigated. Texture and Motion characteristics are of great importance for the diagnosis and management of plaque’s instability in carotid atheromatous stenosis. A sample of symptomatic and asymptomatic arteries was interrogated and (directional) multiresolution based texture features were estimated from systolic and diastolic B-mode ultrasound images. In terms of classification accuracy, multiresolution transforms outperformed standard approaches (1st and 2nd order statistics, gray median scale, and fractals), while directional multiresolution outperformed multiresolution transforms. The results demonstrated the superiority of the curvelet transform, in terms of classification accuracy. In addition, the causality plane based on multiresolution analysis was used to assess the complexity of the content of the plaques. Four wavelet entropies and four statistical distances along with 43 values for q paremeter of nonextensive entropies were used. The highest classification rate (91.4%) that outperformed all abovementioned algorithms was achieved by the Tsallis entropy and the Kullback statistical distance for q = 4.2. The findings indicate that asumptomatric plaques exhibit a more ordered (less entropy) and complex (higher statistical complexity) behavior than the symptomatic cases. This fact implies that the evolution of the atheromatous disease trigger a material-organized state. Finally, optimization of multiscale motion estimation parameters of plaques was achieved in terms of the decomposition scheme, the level of analysis and wavelet function used. The optimization is performed in the context of an in silico data framework, consisting of simulated ultrasound image sequences of the carotid artery. SWT, a high-order coiflet function (ex. coif5) and one level of multiscale image decomposition is suggested as the optimal parameterization to achieve maximum accuracy in the particular application.

Στο πλαίσιο της παρούσας διδακτορικής διατριβής ερευνάται η δυνατότητα της κατευθυντικής ανάλυσης πολλαπλής κλίμακας να αναδείξει παθολογικά πρότυπα σε ιατρικά δεδομένα. Αρχικά εφαρμόζεται στην Ψυχοακουστική, με σκοπό την εκτίμηση της αλληλεπίδρασης των δυναμικών των νευρώνων κατά τη διάρκεια πειραματικής διαδικασίας. Η Ψυχακουστική είναι κλάδος της ψυχοφυσικής που ερευνά τη σχέση μεταξύ της έντασης του φυσικού ερεθίσματος και της υποκειμενικής εμπειρίας που δημιουργείται στον εξεταζόμενο. Τα σήματα εγκεφαλικής δραστηριότητας (εγκεφαλογράφημα και προκλητά δυναμικά) 25 εθελοντών καταγράφονται και αναλύονται χρησιμοποιώντας την κυματιδιακή συνάφεια και εντροπία, με στόχο τη διερεύνηση της ικανότητας του εξεταζομένου να διακρίνει διαφορές στη διάρκεια ακουστικών παλμών χωρίς ή με προηγούμενη έκθεση σε ηλεκτρομαγνητική ακτινοβολία κινητής τηλεφωνίας τρίτης γενιας. Η ανάλυση εστιάζεται στις ζώνες συχνοτήτων δ, α και γ. Σύμφωνα με τη μελέτη, η προηγούμενη έκθεση σε ηλεκτρομαγνητική ακτινοβολία επηρεάζει την ικανότητα του εξεταζόμενου να διακρίνει λεπτές διαφορές. Η μείωση της εντροπίας οφείλεται στην ανταλλαγή ενέργειας μεταξύ των συχνοτήτων α και δ δηλώνοντας την αδυναμία συγκέντρωσης/προσήλωσης σε μια σκέψη ή δραστηριότητα. Επίσης, μελετώνται οι δυνατότητες που προσφέρει η ανάλυση πολλαπλών επιπέδων στην αξιόπιστη διάκριση συμπτωματικών και ασυμπτωματικών αθηρωματικών πλακών καρωτίδας από εικόνες υπερήχου Β σάρωσης. Το δείγμα που χρησιμοποιήθηκε στη διατριβή επιτρέπει την ανάλυση στις δυο καρδιακές φάσεις (συστολή/διαστολή). Τα χαρακτηριστικά υφής και κίνησης είναι σημαντικά για τη διάγνωση και διαχείρηση της σταθερότητας/αστάθειας της πλάκας. Όσον αφορά στην ακρίβεια της διάκρισης συμπτωματικών και ασυμπτωματικών ασθενών, οι αλγόριθμοι κατευθυντικής πολυκλιμακωτής ανάλυσης υπερείχαν των αλγορίθμων πολυκλιμακωτής ανάλυσης, οι οποίοι με τη σειρά τους, υπερείχαν των συμβατικών στατιστικών μεθόδων (1ης και 2ης τάξης) καθώς και της κλασματικής διάστασης. Συγκεκριμένα, τα αποτελέσματα αναδεικνύουν την υπεροχή (79.3%) του μετασχηματισμού κορυφής (curvelet). Επιπλέον, η ανάπτυξη του αιτιατού επιπέδου με σκοπό την εκτίμηση της πολυπλοκότητας του περιεχομένου της αθηρωματικής πλάκας οδήγησε σε περαιτέρω βελτίωση της ακρίβειας (91.4%). Τα αποτελέσματα δείχνουν ότι οι ασυμπτωτικές πλάκες χαρακτηρίζονται από μεγαλύτερη τάξη (μικρότερη εντροπία) και παρουσία μοτίβων (μεγαλύτερη στατιστική πολυπλοκότητα) σε σχέση με τις συμπτωματικές πλάκες. Τέλος, επιχειρήθηκε βελτιστοποίηση των παραμέτρων πολυ-επίπεδου αλγορίθμου ανάλυσης κίνησης ως προς το σχήμα αποσύνθεσης, το επίπεδο ανάλυσης και τη χρησιμοποιούμενη συνάρτηση κυματιδίου. Για το σκοπό αυτό, χρησιμοποιήθηκε ένα συνθετικό σύνολο δεδομένων - ακολουθίες εικόνων υπερήχου της καρωτίδας που δημιουργήθηκαν υπολογιστικά. Η μελέτη ανεδειξε ότι η χρήση του στάσιμου μετασχηματισμού στο πρώτο επίπεδο αποσύνθεσης και της συνάρτησης coif5 παρέχει τη μεγαλύτερη ακρίβεια.