Development of deep convolutional neural networks for the classification of the aortic valve using echocardiographic dataDevelopment of deep convolutional neural networks for the classification of the aortic valve using echocardiographic dataΑνάπτυξη συνελικτικών νευρωνικών δικτύων για την κατηγοριοποίηση της αορτικής βαλβίδας από δεδομένα υπερηχογραφήματος καρδιάς Διπλωματική Εργασία Diploma Work 2020-10-132020enThe heart is one of the most important organs of the human body, which is responsible for the circulation of blood in it. Many times, however, various cardiovascular diseases cause problems in its functionality and need immediate treatment. These diseases are either caused by lifestyle, or exist in the form of congenital anomalies and cause problems later in the patient’s life. One such abnormality is the bicuspid aortic valve, which affects approximately 1% to 2% of the world's population. It might cause various other cardiovascular diseases such as aortic valve stenosis, which can cause decreased blood flow to the aorta, which is the main artery of the human body. Hence, a fast and accurate diagnosis of the aortic valve type is important for the immediate treatment of possible diseases. The most immediate way to detect the type of aortic valve is by an echocardiogram. In some occasions, the noisy nature of ultrasound makes it difficult for doctors to diagnose. This study aims to distinguish the aortic valve into bicuspid (abnormal) and tricuspid (normal), from echocardiographic data, in order to facilitate specialists during the examination of patients. Aortic valve classification is achieved using deep convolutional neural networks and specifically the well-known 2D network, VGG16, which is extended to 3D. Various techniques, such as data augmentation and transfer learning, are used to address the limitation of the small amount of available data. The proposed architecture achieves an accuracy of 93.82% up to 98.64%, which makes it capable of being used to assist cardiologists during the diagnosis. Η καρδιά είναι από τα βασικότερα όργανα του ανθρωπίνου σώματος, καθώς είναι υπεύθυνη για την κυκλοφορία του αίματος μέσα σε αυτό. Πολλές φόρες, όμως, διάφορες καρδιαγγειακές παθήσεις προκαλούν προβλήματα στην λειτουργεία της και χρήζουν άμεσης αντιμετώπισης. Οι παθήσεις αυτές είτε προκαλούνται από τον τρόπο ζωής, είτε υπάρχουν υπό την μορφή ανωμαλιών εκ γενετής και προκαλούν προβλήματα αργότερα στη ζωή του. Μία τέτοια ανωμαλία είναι η δίπτυχη αορτική βαλβίδα την οποία εμφανίζει περίπου το 1% με 2% του παγκόσμιου πληθυσμού. Αυτή δύναται να προκαλέσει διάφορες άλλες καρδιαγγειακές παθήσεις όπως, για παράδειγμα στένωση της αορτικής βαλβίδας η οποία μπορεί να προκαλέσει μείωση της ροής του αίματος προς την κυριότερη αρτηρία του ανθρωπίνου σώματος, την αορτή. Γίνεται αντιληπτό ότι είναι σημαντική η σωστή διάγνωση του τύπου της αορτικής βαλβίδας για την άμεση αντιμετώπιση πιθανών νοσημάτων. Ο πιο άμεσος τρόπος για την ανίχνευση του είδους της αορτικής βαλβίδας, είναι το υπερηχογράφημα καρδιάς. Συχνά, όμως, η θορυβώδες φύση του υπερηχογραφήματος δυσκολεύει την διάγνωση από τους γιατρούς. Στην μελέτη αυτή γίνεται προσπάθεια για την διάκριση της αορτικής βαλβίδας σε δίπτυχη (μη-φυσιολογική) και τρίπτυχη (φυσιολογική), από δεδομένα υπερήχου καρδιάς, με σκοπό την διευκόλυνση των ειδικών κατά την διάρκεια της εξέτασης των ασθενών. Η διάκριση της αορτικής βαλβίδας επιτυγχάνεται με χρήση συνελικτικών νευρωνικών δικτύων και πιο συγκεκριμένα μέσω του γνωστού 2D δικτύου, VGG16, το οποίο επεκτείνεται σε 3D. Διάφορες τεχνικές επαύξησης δεδομένων και μεταφοράς γνώσης αντιμετωπίζουν το περιορισμό που εισάγει ο μικρός αριθμός των διαθέσιμων δεδομένων. Η προτεινόμενη αρχιτεκτονική επιτυγχάνει ακρίβεια από 93.82% έως και 98.64%, γεγονός που την καθιστά ικανή να χρησιμοποιηθεί για την υποβοήθηση της διάγνωσης από τους ειδικούς. Διπλωματική Εργασία που υποβλήθηκε στη σχολή ΗΜΜΥ του Πολ. Κρήτης για την πλήρωση προϋποθέσεων λήψης του Διπλώματος.http://creativecommons.org/licenses/by/4.0/Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών ΥπολογιστώνZafeiris_Stylianos_Dip_2020.pdfChania [Greece]Library of TUC2020-10-13application/pdf3.2 MBembargo Zafeiris Stylianos Ζαφειρης Στυλιανος Zervakis Michail Ζερβακης Μιχαηλ Chalkiadakis Georgios Χαλκιαδακης Γεωργιος Μαριάς Κωνσταντίνος Marias Konstantinos Πολυτεχνείο Κρήτης Technical University of Crete Συνελιτκικά Νευρωνικά Δίκτυα Convolutional Neural Networks Classification of the Aortic Valve Κατηγοριοποίηση Αορτικής Βαλδίδας Deep Learning 3D Network for Video Analysis