“Transkranijinės sonografijos vaizdų apdorojimas ir analizė” Daktaro disertacija

Autorius, institucija: Andrius Sakalauskas, Kauno technologijos universitetas

Mokslinis vadovas – prof. habil. dr. Arūnas LUKOŠEVIČIUS (Kauno technologijos universitetas, technologijos mokslai, elektros ir elektronikos inžinerija – 01T)

Mokslo sritis, kryptis: Technologijos mokslai, elektros ir elektronikos inžinerija

Su disertacija galima susipažinti Kauno technologijos universiteto (K. Donelaičio g. 20, Kaunas) bibliotekoje.

Elektros ir elektronikos inžinerijos mokslo krypties daktaro disertacijos gynimo taryba:

Prof. dr. Arminas RAGAUSKAS (Kauno technologijos universitetas, technologijos mokslai, elektros ir elektronikos inžinerija – 01T) – pirmininkas;
Prof. dr. Algidas BASEVIČIUS (Lietuvos sveikatos mokslų universitetas, biomedicinos mokslai, medicina – 06B).
Prof. dr. Algimantas KRIŠČIUKAITIS (Lietuvos sveikatos mokslų universitetas, biomedicinos mokslai, biofizika – 02B);
Prof. dr. Liudas MAŽEIKA (Kauno technologijos universitetas, technologijos mokslai, elektros ir elektronikos inžinerija – 01T);
Prof. dr. Dalius NAVAKAUSKAS (Vilniaus Gedimino technikos universitetas, elektros ir elektronikos inžinerija – 01T).

Anotacija:

Disertacijoje pristatoma sukurta automatizuota transkranijinės B režimo sonografijos (TKS) vaizdų analizės sistema skirta galvos smegenų audinio pakitimams, siejamiems su Parkinsono liga (PL), įvertinti. TKS – vienas naujausių neurovaizdinimo metodų, pasiūlytų ankstyvai PL diagnostikai. Pagrindinis PL indikatorius – juodosios medžiagos (SN) srities, esančios smegenų kamieno viduryje, hiperechogeniškumas. TKS pasižymi fiziniais ir metodologiniais ribotumais, kurie susiję su TKS priklausomybe nuo smilkinkaulio akustinio lango savybių. Tyrime užregistruojamų vaizdų skiriamumas yra palyginti žemas, dėl ko juos sudėtinga vertinti rankiniu būdu. Sukurtą vaizdų apdorojimo sistemą sudaro 5 pagrindiniai komponentai: (1) algoritmas išskiriantis vidurinių smegenų sritį, grįstas statistiniu formos modeliavimu ir faziniu ribų detektoriumi, (2) algoritmas intramezencefalinei sričiai segmentuoti, (3) SN srities išskyrimo algoritmas, (4) parametrų echogeniškumui išskirtuose (1-3) segmentuose vertinti rinkinys ir (5) Mahalanobio atstumo vertinimu grįstas klasifikatorius. Sistema testuota panaudojant sukauptus klinikinius duomenis (viso 341 atvejis). Parodyta, kad pasiūlytas naujas kiekybinių vaizdo požymių rinkinys echogeniškumui vertinti yra pranašesnis jei lyginti su ankstesniuose darbuose pristatytais metodais ir yra artimas ekspertiniam vertinimui. Sistema galėtų būti naudojama kaip papildantis įrankis automatizuotai vertinti parametrus, kurie svarbūs PL diagnozės sprendimo palaikymui.