Classification of Atrial Septal Defect and Ventricular Septal Defect with Documented Hemodynamic Parameters via Cardiac Catheterization by Genetic Algorithms and Multi-Layered Artificial Neural Network

Abstract

Introduction: We aimed to develop a classification method to discriminate ventricular septal defect and atrial septal defect by using several hemodynamic parameters. Patients and Methods: Forty three patients (30 atrial septal defect, 13 ventricular septal defect; 26 female, 17 male) with documented hemodynamic parameters via cardiac catheterization are included to study. Such parameters as blood pressure values of different areas, gender, age and Qp/Qs ratios are used for classification. Parameters, we used in classification are determined by divergence analysis method. Those parameters are; i) pulmonary artery diastolic pressure, ii) Qp/Qs ratio, iii) right atrium pressure, iv) age, v) pulmonary artery systolic pressure, vi) left ventricular sistolic pressure, vii) aorta mean pressure, viii) left ventricular diastolic pressure, ix) aorta diastolic pressure, x) aorta systolic pressure. Those parameters detected from our study population, are uploaded to multi-layered artificial neural network and the network was trained by genetic algorithm. Results: Trained cluster consists of 14 factors (7 atrial septal defect and 7 ventricular septal defect). Overall success ratio is 79.2%, and with a proper instruction of artificial neural network this ratio increases up to 89%. Conclusion: Parameters, belonging to artificial neural network, which are needed to be detected by the investigator in classical methods, can easily be detected with the help of genetic algorithms. During the instruction of artificial neural network by genetic algorithms, both the topology of network and factors of network can be determined. During the test stage, elements, not included in instruction cluster, are assumed as in test cluster, and as a result of this study, we observed that multi-layered artificial neural network can be instructed properly, and neural network is a successful method for aimed classification.

Keywords

• Heart catheterization, heart septal defects, ventricular; heart septal defects, atrial; algorithms; neural networks.

Kalp Kateterizasyonu ile Hemodinamik Ölçümleri Saptanmış Atriyal Septal Defekt ve Ventriküler Septal Defektli Olguların Genetik Algoritmalar ve Çok Katmanlı Yapay Sinir Ağı ile Sınıflandırılması

Abstract

Giriş: Bu çalışmada ventriküler septal defekt ve atriyal septal defekti, çeşitli hemodinamik verilerden faydalanarak ayırt edebilecek bir sınıflama yöntemi geliştirmektir. Hastalar ve Yöntem: Kalp kateterizasyonu ile hemodinamik ölçümleri alınmış 30 atriyal septal defekt ve 13 ventriküler septal defektli toplam 43 (26 kadın, 17 erkek) hasta çalışmaya dahil edildi. Sınıflandırma amacıyla hastaya ait çeşitli kan basıncı değerlerinin yanı sıra, cinsiyet, yaş bilgileri ve Qp/Qs oranları kullanılmıştır. Öncelikle, sınıflandırmada işe yarar öznitelikler diverjans analizi yöntemiyle elde edilmiştir. Bu öznitelikler sırasıyla; i) Pulmoner arter diyastolik basıncı, ii) Qp/Qs oranı, iii) Sağ atriyum basıncı, iv) Yaş, v) Pulmoner arter sistolik basıncı, vi) Sol ventrikül sistolik basıncı, vii) Aort ortalama basıncı, viii) Sol ventrikül diyastolik basıncı, ix) Aort diyastolik basıncı ve x) Aort sistolik basıncı olarak belirlenmiştir. Daha sonra, hastalardan elde edilmiş olan bu öznitelikler çok katmanlı yapay sinir ağına sunulmuş ve ağ genetik algoritma kullanılarak eğitilmiştir. Bulgular: Eğitim kümesi, atriyal septal defekt ve ventriküler septal defekt sınıflarından yedişer adet olmak üzere toplam 14 eleman içermektedir. Tüm başarı ortalaması %79.2 olup; yapay sinir ağının uygun eğitilmesiyle %89'a kadar çıkabilmektedir. Sonuç: Yapay sinir ağına ait ve klasik yöntemlerde kullanıcı tarafından girilmesi gereken parametreler genetik algoritmaların yardımıyla otomatik olarak bulunabilmektedir. Genetik algoritmalar ile yapay sinir ağının eğitilmesi sırasında hem ağın topolojisi hem de ağa ait ağırlıklar belirlenebilir. Test aşamasında, eğitim kümesi dışında kalan elemanlar test kümesi olarak belirlenmiş ve çalışma sonucunda çok katmanlı yapay sinir ağının başarılı bir biçimde eğitildiği ve sınıflama yapabildiği gözlemlenmiştir.

Keywords

• Kalp kateterizasyonu, ventriküler septal defekt, atriyal septal defekt, genetik algoritma, çok katmanlı yapay sinir ağı.

References

1. Korurek M, Yildiz M, Yuksel A, Sahin A. Simulation of Eisenmen- ger syndrome with ventricular septal defect using equivalent elect- ronic system. Cardiol Young 2012;22:301-6.
2. McDaniel NL. Ventricular and atrial septal defects. Pediatr Rev 2001;22:265-70.
3. Jamshidi M. Tools for intelligent control: fuzzy controllers, neural networks and genetic algorithms. Philos Transact A Math Phys Eng Sci 2003;361:1781-808.
4. Dokur Z. Segmentation of MR and CT images using a hybrid neu- ral network trained by genetic algorithms. Neural Processing Let- ters 2002;16:211-25.
5. Di Sessa TG, Friedman WF. Echocardiography in congenital heart disease. Cardiovasc Clin 1983;13:41-65.