Date of Award

11-2023

Document Type

Dissertation

Degree Name

Doctor of Philosophy in Informatics and Computing

Department

Computer Science and Software Engineering

First Advisor

Dr. Mohammad Mehedy Masud

Abstract

Left Ventricular Hypertrophy (LVH) is a medical condition characterized by the thickening and enlargement of the left ventricle (LV) of the heart. Accurate and timely diagnosis of LVH is vital for clinical prognosis and treatment decisions. Echocardiography has emerged as the gold standard for diagnosing LVH due to its ability to independently predict long-term risks such as heart failure and stroke. Echocardiography, a non-invasive and cost-effective imaging technology, is instrumental in assessing various aspects of heart health. Among the critical diagnostic calculations made possible by echocardiography, the determination of ejection fraction and heart chamber size is paramount in assessing LVH. Despite its clinical significance, the interpretation of echocardiography for the diagnosis of LVH primarily relies on manual analysis performed by technicians or cardiologists. This approach, while effective, is time-consuming and susceptible to human error. Additionally, the healthcare industry's diverse standards, along with stringent privacy laws and legal constraints, limit the availability of medical data for advancements in computer vision applications.

To address these challenges, we present significant contributions to the field of LVH diagnosis from echocardiography images with a strong emphasis on data-efficient techniques. Our research introduces a novel convolutional neural network (CNN) architecture that classifies echocardiograms into End-Systolic (ES), End-Diastolic (ED), and Non-ES-ED phase as this is the primary step for LVH diagnosis. Additionally, we propose modified zero-shot and few-shot learning models for LVH and normal class identification using a Siamese model, supported by a meticulously annotated dataset. Our work extends to a multi-purpose Siamese-based approach with weighted Euclidean distance for classifying LVH diagnosis into grades such as mild and moderate. Our model has surpassed state-of-the-art techniques in accuracy while also outperforming inter-observer and intra-observer variability, even when compared to assessments by two echocardiographers, marking a significant advancement in the field of LVH diagnosis.

Arabic Abstract


منهاج ذات كفاءة عالية للبيانات لتشخيص ذات فعالية لتضخم البطين الأيسر باستخدام الموجات فوق الصوتية للقلب

تضخم البطين الأيسر (LVH) هو حالة طبية توصف بانها تضخم وتغلظ سمك جدار البطين الايسر (LV) من القلب. اجراء تشخيص دقيق وفي الوقت المناسب لتضخم البطين الايسر يعتبر امرا جوهريا في القرارات السريرة بما فيها المستقبلية والعلاجية برزت تقنية الموجات فوق الصوتية للقلب (Echocardiography) كمعيار مرجعي لتشخيص تضخم البطين الأيسر نظرا لقدرتها المستقلة على التنبؤ المستقل بالمخاطر طويلة الأمد مثل قصور القلب والسكتة الدماغية الموجات فوق الصوتية للقلب، وهي تقنية تصوير غير جراحية وفعالة من حيث التكلفة، تلعب دورا رئيسيا في تقييم جوانب مختلفة من صحة القلب من الحسابات التشخيصية الضرورية التي أصبحت متوفرة بفضل الموجات فوق الصوتية للقلب، تحديد قوة الضخ وحجم حجرة القلب الذين يعدان ضروريين لتقييم تضخم البطين الأيسر. على الرغم من أهميته السريرية، يعتمد تفسير الموجات فوق الصوتية للقلب لتشخيص تضخم البطين الأيسر بشكل أساسي على التحليل اليدوي الذي يقوم به تقني أو اطباء القلب. هذا النهج، على الرغم من فعاليته يستغرق وقتا طويلا وعرضة للأخطاء البشرية. بالإضافة إلى ذلك، فإن المعايير المتنوعة للأنظمة الصحية إلى جانب القوانين الصارمة المتعلقة بالخصوصية والقيود القانونية تحد من توفر البيانات الطبية للارتقاء في تطبيقات الرؤية الحاسوبية.

لمعالجة هذه التحديات، نقدم مساهمات مهمة في مجال تشخيص تضخم البطين الأيسر باستخدام صور الموجات فوق الصوتية للقلب مع التركيز بشكل كبير على التقنيات الأكثر كفاءة للبيانات. يقدم بحثنا بنية شبكة عصبية مبتكرة (CNN) تصنف مخططات الموجات فوق الصوتية للقلب إلى مرحلة نهاية الانقباض (ES) ، ونهاية الانبساط (ED) ، ومرحلة ما قبل نهاية الانقباض والانبساط (Non-ES-ED) التي تعتبر الخطوة الرئيسية لتشخيص تضخم البطين الأيسر. بالإضافة إلى ذلك، لقد اقترحنا نماذج تعلم معدلة بدون بيانات (zero-shot) وبيانات قليلة (few-shot) لتحديد وجود حالة تضخم البطين الأيسر من عدمه باستخدام نموذج متماثل (Siamese model) مدعوم بمجموعة بيانات مصنفة ومعلمة بدقة عالية امتد عملنا إلى نهج قائم على نموذج متماثل متعدد الأغراض باستخدام المسافة الإقليدية المرجحة لتصنيف تشخيص تضخم البطين الأيسر إلى درجات مثل خفيف ومتوسط. لقد تخطى نموذجنا أحدث ما توصل إليه العلم من حيث الدقة كما أنه تفوق على التباين الناتج من ملاحظين مختلفين والملاحظ مع نفسه، حتى عند مقارنته بتقييمات طبيبي قلب، مما يمثل تقدما عظيما في مجال تشخيص تضخم البطين الأيسر.

Download

Share

COinS