نشریه علمی مهندسی پزشکی زیستی
Iranian Journal of Biomedical Engineering (IJBME)

به کارگیری یادگیری منیفلد برای تشخیص بیماری دریچه‌ی میترال

نوع مقاله : مقاله کامل پژوهشی

نویسندگان

صبا جعفری‌کیا 1
حمید بهنام 2
مجید وفایی‌زاده 3
علی حسین ثابت 4

1 کارشناس ارشد، آزمایشگاه پردازش تصاویر پزشکی، دانشکده‌ی مهندسی برق، دانشگاه علم و صنعت ایران، تهران، ایران

2 دانشیار، آزمایشگاه پردازش تصاویر پزشکی، دانشکده‌ی مهندسی برق، دانشگاه علم و صنعت ایران، تهران، ایران

3 دانشجوی دکتری، آزمایشگاه پردازش تصاویر پزشکی، دانشکده‌ی مهندسی برق، دانشگاه علم و صنعت ایران، تهران، ایران

4 دانشیار، گروه قلب و عروق، مرکز قلب تهران، دانشگاه علوم پزشکی تهران، تهران، ایران

https://doi.org/10.22041/ijbme.2021.530092.1691
چکیده
بیماری‌های قلبی یکی از اصلی‌ترین عوامل به خطر انداختن سلامت و زندگی انسان هستند. از مهم‌ترین بیماری‌های قلب، بیماری‌‌های مربوط به دریچه‌های قلب بوده که در طی سال‌های اخیر روندی افزایشی داشته است. تشخیص و درمان درست و به موقع این بیماری‌ها، بهبود کیفیت زندگی و افزایش طول عمر افراد را به دنبال دارد. از این رو محققان همواره به دنبال یافتن روش‌هایی برای بهبود و تسریع روند تشخیص این بیماری بوده‌اند. تصاویر پزشکی، فعالیت قلب انسان را بررسی و ضبط کرده و از جمله راه‌های اصلی تشخیص مشکلات قلبی هستند. عموما پردازش این تصاویر پیچیده و زمان‌بر است، به همین جهت محققان به دنبال پیدا کردن روش‌هایی برای ساده‌سازی پردازش این تصاویر هستند. یادگیری منیفلد یکی از روش‌های کاهش بعد غیرخطی است که الگوریتم‌های مختلفی داشته و می‌تواند موجب ساده‌سازی پردازش تصاویر اکوکاردیوگرافی شود. در این پژوهش ‌‌با کمک یکی از الگوریتم‌های یادگیری منیفلد به نام LLE، تصاویر اکوکاردیوگرافی مورد بررسی قرار گرفته و سعی شده است تا با کمک روش یادگیری منیفلد داده‌های سالم از داده‌های دارای اختلال دریچه‌ی میترال شناسایی شده و ویژگی‌های جدا کننده‌ی سه گروه پاتولوژی دریجه‌ی میترال شامل MVP، MS و III-b استخراج شود. نتایج به دست آمده نشان می‌دهد که بیش از 80% نمونه‌های گروه طبیعی از نظر ساختار منیفلد الگویی متفاوت با نمونه‌های دارای اختلال دارند.

کلیدواژه‌ها

بیماری دریچه‌ی میترال
کاهش بعد غیرخطی
یادگیری منیفلد
الگوریتم LLE

موضوعات

عنوان مقاله English

Diagnosis of Mitral Valve Disease using Manifold Learning

نویسندگان English

Saba Jaafari Kia 1
Hamid Behnam 2
Majid Vafaeezadeh 3
Ali Hosseinsabet 4
1 M.Sc. Student, Medical Image Processing Lab, School of Electrical Engineering, Iran University of Science and Technology, Tehran, Iran
2 Associate Professor, Medical Image Processing Lab, School of Electrical Engineering, Iran University of Science and Technology, Tehran, Iran
3 Ph.D. Student, Medical Image Processing Lab, School of Electrical Engineering, Iran University of Science and Technology, Tehran, Iran
4 Associate Professor, Cardiology Department, Tehran Heart Center, Tehran University of Medical Sciences, Tehran, Iran
چکیده English

Heart diseases are main cause factors endangering human health and life, one of the most important heart diseases is valvular heart disease, which has had an increasing trend in recent years. Therefore, if they are diagnosed and treated in time and correctly, they can improve the quality of life and increase the life expectancy, so researchers have always been looking for ways to improve and accelerate the process of diagnosing this disease. Medical images monitoring and recording the activity of the human heart are the main ways to diagnose heart diseases. Processing of these images is generally complex and time consuming, so scientists and experts have always been looking for ways to speed up and facilitate the detection process. Manifold learning is one of the nonlinear dimension reduction methods which has different algorithms and can simplify the processing of echocardiographic images. In this study, using one of the manifold learning algorithms named LLE, we examined echocardiographic images of the heart, and tried to categorize groups with mitral disorders while identifying healthy data from those with disorders. Results show that the method has carefully separated the data of the healthy group from the group with the disorder, and good results were obtained in the data classification. The results show that more than 80% of the samples of the natural group have a different pattern in terms of manifold structure from the samples with the disorder.

کلیدواژه‌ها English

Mitral Valve Disease
Non-Linear Dimension Reduction (NLDR)
Manifold Learning (ML)
Locally Linear Embedding (LLE)
  1. Mensah , G.Roth , V. Fuster , “The Global Burden of Cardiovascular Diseases and Risk Factors: 2020 and Beyond”, Journal of the American college  of  cardiology, vol. 74, , no. 20,  pp. 2529 –2532,November, 2020.
  2. Gregory A Roth , George A Mensah , Catherine O Johnson,et al, “Global Burden of Cardiovascular Diseases and Risk Factors, 1990-2019: Update From the GBD 2019 Study”, Journal of the American college  of  cardiology, vol. 76, , no. 25,  2982 –3021, December, 2020.
  3. K, Rigolin.V, Enriquez Sarano.M, and Bonow.R, “Valvular Heart Disease: Diagnosis and Management”, Mayo Clin Proc ,vol. 85, no. 5, pp.483-500, 2010.
  4. Gifani,H. Behnam, A.Shalbaf and Z.Alizadeh Sani, “Noise Reduction of Echocardiography Images Using Isomap Algorithm”,1st Middle East Conference on Biomedical Engineering, Sharjah, United Arab Emirates,INSPEC Accession Number: 11962136, April , 2011.
  5. Ayesha,M, Kashif Hanif,R. Talib.R, “Overview and comparative study of dimensionality reduction techniques for high dimensional data”, Information Fusion, vol. 59, pp. 44-58, January, 2020.
  6. Gifani,H. Behnam, Z. Alizadeh sani , “Analysis of Echocardiography Images using Manifold Learming”,Iranian Journal of Biomedical Engineering, vol. 4, no. 2, pp. 149-160, 2010.
  7. Izenman, “Introduction to manifold learning”, WIREs Compute Stat, vol. 4, pp- 439–446, September/October, 2012.
  8. Bhatia, A. Rao, A. Price, R, V. Hajnal, D. Rueckert, “Hierarchical Manifold Learning for Regional Image Analysis”, IEEE transactions on medical imaging, vol.33, no.2, February, 2014.
  9. P, Anirudh.R, Chellappa.R, “Manifold Learning”, Springer Nature Switzerland AG, K. Ikeuchi, Computer Vision, 2020.
  10. Daniel D. Lee, Sebastian Mika, Bernhard Scholkopf , “A kernel view of the dimensionality reduction of manifolds”, 21th International Conference of machine learning, Banff, Canada, July, 2004.
  11. Lawrence K. Saul, Sam T. Roweis, “An Introduction to Locally Linear Embedding”, Journal of Machine Learning Research, 2003.
  12. Saul, S. Roweis,” Think Globally, Fit Locally: Unsupervised Learning of Low Dimensional Manifolds”, Journal of Machine Learning Research, Vol. 4, pp -119-155, 2003.
  13. Robert O. Bonow, Patrick T. O’Gara,”2020 Focused Update of the 2017 ACC Expert Consensus Decision Pathway on the Management of Mitral Regurgitation”, Journal of the american college of cardiology ,Vol. 75, No. 17,May, 2020.
  14. A .Carpentier, “Cardiac valve surgery-the French correction”, The Journal of THORACIC AND CARDIOVASCULAR SURGERY, vol. 86, no. 3, pp. 323-337, september, 1983.
  15. Gifani, H. Behnam, A, Shalbaf and Z. Alizadeh Sani, “Automatic detection of end-diastole and end-systole from echocardiography images using manifold learning”, PHYSIOLOGICAL MEASUREMENT, vol. 31, pp-1091–1103, May 2010.
  16. Lawrence M. Tierney, Stephen J. McPhee, Maxine A. Papadakis “Current medical diagnosis and treatment”, 45th Edition, San Francisco, October 19, 2006.
نشریه علمی مهندسی پزشکی زیستی
دوره 15، شماره 3
پاییز 1400
صفحه 187-197

  • تاریخ دریافت 20 اردیبهشت 1400
  • تاریخ بازنگری 25 تیر 1400
  • تاریخ پذیرش 18 مهر 1400

صفحه اصلی

تماس با ما