Mikrovlnná detekce a klasifikace cévních mozkových příhod pomocí algoritmů strojového učení a realistických modelů lidské hlavy.
Microwave stroke detection and classification using machine learning algorithms and realistic models of the human head
Typ dokumentu
disertační prácedoctoral thesis
Autor
Tomáš Pokorný
Vedoucí práce
Vrba Jan
Oponent práce
Cifra Michal
Studijní obor
Biomedicínská a klinická technikaStudijní program
Biomedicínská a klinická technika (4)Instituce přidělující hodnost
katedra biomedicínské technikyObhájeno
2023-06-20Práva
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Zobrazit celý záznamAbstrakt
Cílem této práce je systematicky testovat možnosti algoritmů strojového učení v mikrovlnné detekci a klasifikaci CMP s důrazem na realistickou variabilitou testovacích dat. Za tímto účelem je nezbytné vytvořit velké soubory dat pro trénování a testování algoritmů. V této práci k tomu byly využity 2D a 3D numerické simulace a měření na fantomech. Odpovídající parametrizované numerické modely obsahují 10 různých anatomicky a dielektricky realistických modelů lidské hlavy s modelem CMP o nastavitelné velikosti, pozici a typu. Experimentální měření byla provedena na anatomicky a dielektricky věrném 3D fantomu lidské hlavy doplněném o počítačem řízený systém polohování modelu CMP. Z algoritmů strojového učení se pro tuto aplikaci nejvíce osvědčil algoritmus podpůrného vektoru (SVM). Výkonnost algoritmu byla hodnocena pomocí konfuzní matice (přesnost klasifikace, senzitivita a specificita) a hodnoty Cohenovy kappy. Při trénování byla rovněž vyhodnocena křížová validace. Výkon algoritmu byl zvýšen optimalizací hyperparametrů a redukcí dimenzionality pomocí PCA. Výsledky ukazují schopnost algoritmu SVM detekovat přítomnost CMP a klasifikovat ji buď na ischemický, nebo hemoragický podtyp. Jednofrekvenční data o frekvenci 1 GHz jsou dostatečná, datasety s přenosovými i odrazovými koeficienty vyjádřenými v reálné a imaginární části vykazují vyšší přesnost klasifikace než datasety s pouze přenosovými koeficienty nebo s koeficienty vyjádřenými v modulu a fázi. Datové sady od subjektů s menšími CMP jsou nejvhodnější pro trénování přesných prediktorů SVM a algoritmy vykazují vysokou schopnost generalizace. Studie nicméně naznačuje, že přesná detekce a klasifikace CMP pro přirozenou variabilitu dat zůstává výzvou. Při klasifikaci do tří tříd se objevovaly chybné klasifikace, které mohou ohrozit život pacientů, ale algoritmus byl přesný při klasifikaci ischemických CMP a bezpečně doporučuje zahájení trombotické léčby u přibližně 70 % postižených pacientů. Ke zlepšení citlivosti algoritmu a zvýšení jeho klinické užitečnosti je zapotřebí dalšího výzkumu. The goal of this work is to systematically test the capabilities of machine learning algorithms in microwave detection and classification using data with natural variability. This requires large datasets to train and test the algorithms, obtained in this study with 2D and 3D numerical simulations and measurements on phantoms. The corresponding parametrized numerical models contain 10 different anatomically and dielectrically realistic human head models with a stroke model of adjustable size, position, and type. Experimental measurements were performed on an anatomically and dielectrically realistic 3D human head phantom supplemented with a computer-controlled positioning system to set the position of the stroke model within the head phantom. The support vector algorithm (SVM) proved to be the most effective for the given application. Algorithm performance was evaluated using a confusion matrix (classification accuracy, sensitivity, and specificity) and Cohen's kappa value. Cross-validation was also evaluated during training. Algorithm performance was increased by hyperparameter optimization and dimensionality reduction using PCA. The results show the ability of the SVM algorithm to detect the presence of stroke and classify it into either ischemic or hemorrhagic subtype. Single-frequency data of 1 GHz is sufficient, datasets with both transmission and reflection coefficients expressed in real and imaginary parts show higher classification accuracy than datasets with only transmission coefficients or with coefficients expressed in modulus and phase. Datasets from subjects with smaller strokes are best suited for training accurate SVM predictors, and the algorithms show high generalizability. Nevertheless, the study suggests that accurate detection and classification of strokes for natural data variability remains a challenge. Misclassifications can endanger patients' lives when classifying into three classes, but the algorithm is highly accurate in classifying ischemic strokes and safely recommends thrombotic therapy initiation in around 70 % of affected patients. Further research is needed to improve the sensitivity of the algorithm and increase its clinical usefulness.