Prilog neinvazivnim dijagnostičkim metodama sa adaptivnim pristupom detekciji prolapsa mitralne valvule kod pedijatrijskih pacijenata
Contribution to non-invasive diagnostic methods by adaptive approach for the detection of mitral valve prolapse in pediatrics patients
Докторанд
Bogdanović, VesnaМентор
Jakovljević, VladimirЧланови комисије
Rosić, MirkoFilipović, Nenad
Milovanović, Dragan
Đukić, Milan
Метаподаци
Приказ свих података о дисертацијиСажетак
Rano prepoznavanje bolesti srca je od
posebne važnosti u pedijatriji. Visoka
prevalenca (77-90%) šuma na srcu je značajan
problem u ovoj populaciji. Klasičnaa
dijagnostika u pedijatrijskoj praksi je
baziranaa na neinvazivnim metodama
(auskultacija, EKG, Rtg.) koje imaju relativno
niske performanse. Zato se procena težine
šuma određuje ehokardiografski.
Ehokardiografija je uglavnom dostupna u
zdravstvenim centrima većih gradova. Cilj ove
doktorske disertacije je razvoj jeftine
dijagnostičke metode, bazirane na automatskoj
detekciji prolapsa mitralne valvule
(lokalizacija klik sindroma na
fonokardiogramu), kao podrške u razlikovanju
benignih i patoloških šumova srca
korišćeljem fonokardiografije i
auskultacije.
Metode: Predloženi metod je baziran na
akustičnim signalima srca. Izabrani metod
koristi višeslojni perceptron (MLP) sa
algoritmom serijskog obučanja i postepnim
dolaskom do rešenja propagacijom greške
unazad. MLP neuralna mreža se sastoji od feedforward
mreže neurona. Neuroni su
...organizovani u tri sloja (ulazni,skriveni i
izlazni sloj). MLP obezbeđuje nelinearno
mapiranje između ulaza i izlaza. Svaki neuron
MLP koristi nelinearnu sigmoidalnu
aktivacionu funkciju. Fonokardiogrami na
ulazu u mrežu su automatski klasifikovani u
jednu od tri moguće klase (PMV,zdravi,ostali-
niti PMV niti zdravi). Prvi korak je
kreiranje trening i test skupa za svaku
iteraciju krosvalidacije i inicializaciju
svih parametara VNM. Drugi korak je backpropagation
algoritam: uključuje proračun cost
funkcije, postupni dolazak do rešenja i
podešavanje težina. Podešavanjem težina
minimalizuje se cost funkcija sa ciljem
smanjenja greške u klasifikaciji. Poslednji
korak je klasifikacija korišćenjem algoritma
one-versus-all.
Rezultati: VNM sadrži 64.033 neurona u
ulaznom sloju (ukučujući jedan neuron kao bias
ulaz), 95 neurona u skrivenom sloju i tri
neurona u izlaznom sloju ( po jedan za svaku
klasu). Ovo je bilo kompromisno rešenje
između performansi i tačnosti mreže. Skup
ulaznih podataka sadrži 135 fonokardiograma
podeljenih u tri klase PMV (48),zdravi (49) i
ostali (38). Za svaki skup primenjena je metoda
krosvalidacije. Klasifikaciona tačnost
predložene VNM iznosi 79,85%, senzitivnost
90% i specifičnost 75%.
Zaključak: Auskultacija je važan
dijagnostički indikator hemodinamskih
poremećaja Razvoj precizne dijagnostičke
metode je od posebnog značaja za rano
prepoznavanje oboljenja srca i smanjenje
troškova u zdravstvu. VNM su vredan alat za
nelinearno adaptivno filtriranje,
prepoznavanje i klasifikaciju. Dobijeni
rezultati se mogu smatrati korisnim za
kliničku podršku u ranom otkrivanju
prolapsa mitralne valvule u pedijatrijskoj
populaciji.
Early recognition of heart disease is
an important goal in pediatrics. This is a
significant problem in pediatric cardiology
because of the high rate of prevalence (77-
90%) of heart murmurs in this population.
Classical diagnosis of heart murmurs in
pediatric practice is based on non-invasive
methods (auscultation, ECG, X-ray), which
have relatively low performance. Thus,
patients with heart murmurs are frequently
assessed by echocardiography. However,
echocardiography is usually only available in
healthcare centers in major cities. The
objective of the present doctoral dissertations is
to develop an inexpensive diagnostic method,
based on automatically detection of mitral
valve prolapse ( localization of click syndrom
in phonocardiograms),that can assist in the
differentiation between innocent and
pathological heart murmurs via
phonocardiography and auscultation.
Methods: The proposed method is heart
signal-based. Selected method uses a
multilayer perceptron (MLP) with backpropagatio...n
batch gradient descent learning
algorithm. MLP neural network consists of a
feed-forward, layered network of neurons.
Neurons are organized in three layers (input
layer, hidden layer, and output layer). An MLP
provides a nonlinear mapping between its input
and output. Each neuron in an MLP has a
nonlinear sigmoid activation function. Input
phonocardiograms are autamatically classified
in one of three possible classes (MVP, healthy,
others – neither MVP nor healthy). The first
step is to create training and test sets for each
iteration of cross-validation method and to
initialize all parameters for ANN. The second
step is back-propagation algorithm; it includes
calculation of cost function, descent gradients
and adjusting weights of ANN. With adjusting
weights we try to minimize cost function with
goals to minimize error in classification. Final
step is classification using one-versus-all
algorithm.
Results: ANN consists of 64.033 neurons in
input layers (including one neuron for bias
input), 95 neurons in hidden layer, and three
neurons in output layer (one for each class).
This was a compromise solution between
performance and accuracy. The resulting data
comprised 135 phonocardiograms; the three
data sets are labeled as MVP(48), healthy(49)
and others (38). Cross-validation method is
applied on every dataset. The proposed ANN
showed 79,85% classification accuracy, 90%
sensitivity and 75% specificity.
Conclusion: The auscultation method is an
important diagnostic indicator for
hemodynamic anomalies. Developing a more
accurate screening and diagnostic method is
vital in early recognition of heart disease and
reducing health care costs. Artificial neural
networks (ANNs) are valuable tools used in
nonlinear adaptive filtering, complex pattern
recognition and classification tasks. Obtained
result can be cosidered as a quite useful tool
for clinical support and early detection of
mitral valve prolapse in pediatric population.