اندازه گیری چربی قلب در تصاویر توموگرافی کامپیوتری به منظور تشخیص ابتلای افراد به بیماری قلبی عروق کرونر
چکیده
بافت¬های چربی اپیکاردیال و مدیاستینال قلب با چندین عامل خطرزای قلبی عروقی و اثرات متابولیک نامطلوب در ارتباط هستند. مشکل روش‌های تقسیم‌بندی دستی، وابستگی بالای آن‌ها به اثر کاربر، نتایجی با تکرارپذیری پایین و آنالیزهای زمان¬بر است. در نتیجه تعیین خودکار چربی‌های قلب می‌تواند به عنوان یکی از مهم‌ترین اطلاعات نشانگر زیستی خطر سلامتی در تصویربرداری پزشکی و طبقه‌بندی خطرات قلبی عروقی در نظر گرفته شود. در این کار، یک روش خودکار برای تقسیم‌بندی بافت‌های چربی اپیکاردیال و مدیاستینال قلب در تصاویر CT بدون کنتراست قلب توسعه و اعتبارسنجی شده است و سپس ارتباط بین حجم چربی‌های قلب و بیماری قلبی عروق کرونر با استفاده از الگوریتم¬ کاوش قواعد وابستگی بررسي شده است. روش پیشنهاد ¬شده، شامل پیش‌پردازش با استفاده از آستانه گذاری در محدوده چربی و بهبود کنتراست، استخراج ویژگی با استفاده از اعمال فیلترهای گابور مبتنی بر GLCM ، تقسیم‌بندی چربی‌های قلب بر اساس الگوریتم‌های طبقه‌بندی شناسایی الگو و نهایتاً بررسي ارتباط بين حجم چربی‌های قلب با بيماري قلبي عروق کرونر با استفاده از الگوريتم FP-Growth می‌باشد. اعتبار¬سنجی تجربی با استفاده از تصاویر توموگرافی کامپیوتری به یک عملکرد خوب در تقسیم‌بندی چربی‌های قلب در مقایسه با تقسیم‌بندی دستی توسط متخصص و ارتباط بين حجم چربی‌های قلب با بيماري قلبي عروق کرونر اشاره می‌کند. آزمایش‌ها نشان می‌دهد که صحت الگوریتم طراحی‌شده با استفاده از طبقه بند Fit Ensemble با بهترین عملکرد نسبت به سایر طبقه بندها برای تقسیم‌بندی چربی‌های قلب، برابر %99.2 می¬باشد با حساسیت %96.3، ویژگی %99.8 و شاخص شباهت Dice برابر با %94.4. علاوه بر این، نتایج استفاده از الگوریتم FP-Growth نشان داد که کم ¬بودن حجم چربی‌های اپیکاردیال و مدیاستینال با افراد سالم مرتبط است و زیاد بودن حجم چربی‌های اپیکاردیال و مدیاستینال با افراد بیمار عروق کرونر ارتباط دارند. در نتیجه می‌توان از چربی‌های قلب به عنوان یک نشانگر قابل‌اطمینان در پیش‌بینی میزان گرفتگی CAD استفاده نمود.