Технические средства медицинской визуализации являются одними из важных элементов при мониторинге и диагностике функционального состояния биологического объекта. Весьма перспективным направлением во всем мире является неинвазивная медицинская визуализация. В настоящее время она бурно развивается для решения принципиальных проблем, касающихся стоимости медицинских устройств, повышения их доступности, упрощения аппаратной реализации, увеличения функциональных возможностей и др. Технология электроимпедансной томографии (ЭИТ) [1] (неинвазивного метода реконструкции и визуализации распределения проводимости (или его изменения) в биологических объектах по результатам электрических измерений на его поверхности) является одним из перспективных и бурно развивающихся направлений медицинской визуализации. Это обусловлено достоинствами метода ЭИТ, которые заключаются в простоте аппаратной реализации, неинвазивном получении диагностической информации, возможности исследования динамических процессов, низкой стоимостью устройств. Однако, несмотря на достоинства и возможности метода ЭИТ, существует ряд фундаментальных проблем, решение которых позволит повысить эффективность применения метода ЭИТ в клинической практике. Одной из таких проблем является задача идентификации тканей и органов грудной полости по результатам ЭИТ.
Целью настоящего исследования является разработка метода интеллектуальной идентификации областей сердца и легкого на основании анализа результатов мониторинга поля изменения проводимости грудной полости методом ЭИТ с учетом данных пульсоксиметрии. Для реализации метода разработан нейро-нечеткий классификатор для интеллектуальной идентификации областей легких и сердца на ЭИТ изображениях с учетом показаний пульсоксиметрии и результатов оценки интегральной вентиляционной функции легких человека, а также устройство сбора и передачи данных для ЭИТ с каналом пульсоксиметрии.
Материалы и методы исследования
Для формирования измерительной информации для реконструкции поля изменения проводимости грудной полости ΔΩ(t) методом ЭИТ, а также данных пульсоксиметрии [2] разработано устройство сбора и передачи данных для ЭИТ с каналом пульсоксиметрии, структурная схема которого показана на рис. 1. Устройство сбора и передачи данных с каналом пульсоксиметрии в составе макета интеллектуальной идентификации внутренних структур биологического объекта на основе ЭИТ предназначено для непрерывного получения данных для ЭИТ и пульсоксиметрии. Устройство работает следующим образом: после получения команды от оператора программное обеспечение (ПО) на персональном компьютере (ПК) формирует массив состояний цифровых выводов многофункционального модуля L-Card E-502 [3], подключенных к адресным входам блоков коммутаторов источника тока БКИТ и измерения БКИЗМ, а также массив цифровых кодов цифро-аналогового преобразователя ЦАП. Подготовленные массивы передаются в микроконтроллер МК модуля L-Card E-502. Далее ПК передает МК команду на старт синхронного сбора данных с аналогово-цифрового преобразователя АЦП и циклический вывод данных на ЦАП и цифровые выводы. В ходе циклического вывода на выходе ЦАП формируется напряжение UУ, форма, частота и амплитуда которого задают форму, частоту fI и амплитуду тока I на выходе источника тока, управляемого напряжением ИТУН. В ходе циклического вывода на цифровые выходы в ходе смены кодов на адресных входах БКИТ происходит переключение коммутаторов, в ходе которого ИТУН подключается к заданной паре электродов из блока электродов БЭ. Смена кодов на адресных входах БКИЗМ приводит к переключению коммутаторов, в ходе которого заданные электроды из БЭ подключаются к дифференциальному усилителю ДУ. Разность потенциалов усиливается, проходит через фильтр высоких частот для отстройки от биопотенциалов и преобразовывается в цифровую форму с помощью АЦП. Параллельно МК запрашивает данные о светопоглощении красного и инфракрасного излучений от пульсоксиметра ПО (MAX30100 [4]). При заполнении буфера МК заданным числом отсчетов данные передаются в ПК и сохраняются для последующей реконструкции поля изменения проводимости грудной полости ΔΩ(t).
Разработанное устройство позволяет получать данные пульсоксиметрии с частотой дискретизации 100 Гц, а также данные ΔФ(t) для реконструкции поля изменения проводимости грудной полости ΔΩ(t) для электродной системы из одного электродного пояса с числом электродов N = 16. Частота fI инжектируемого тока I от 20 до 100 кГц, форма – синусоидальная, треугольная, прямоугольная. Амплитуда инжектируемого тока 5 мА. Время формирования одного набора данных ΔФ(ti) при fI = 50 кГц – 40,6 мс.
Для реконструкции поля изменения проводимости грудной полости ΔΩ(t) использовано ПО EIDORS [5], а именно метод конечных элементов и алгоритма Гаусса – Ньютона для лианеризованной обратной задачи ЭИТ с применением регуляризации [6]:
где J – матрица Якоби (матрица чувствительности); λ – параметр регуляризации (гиперпараметр); R – регуляризирующий оператор. В качестве R использована единичная матрица, т.е. использована регуляризация Тихонова [7]. Вектор ΔΩ = {ΔσS} состоит из S элементов, где S – число элементов сетки конечно-элементной модели. Номер строки равен номеру элемента.
Рис. 1. Структурная схема устройства сбора и передачи данных для ЭИТ с каналом пульсоксиметрии
Для интеллектуальной идентификации областей сердца и легкого на основании анализа результатов мониторинга поля изменения проводимости грудной полости методом ЭИТ с учетом данных пульсоксиметрии разработан нейро-нечеткий классификатор для определения степени воздухо- и кровенаполнения конечного элемента модели грудной полости по результатам оценки изменения проводимости грудной полости ΔΩ(t), интегральной вентиляционной функции легких ψ(t) [8] и пульсоксиметрии IR(t).
Для работы нейро-нечеткого классификатора использована искусственная нейронная сеть (ИНС), основанная на технологии долгой краткосрочной памяти (LSTM) [9]. Число слоев равно одному, число входных нейронов равно числу кадров Nt, число выходных нейронов равно числу конечных элементов в кадре S. Нейросеть на основе LSTM является подходящей для оценки последовательностей данных, в том числе и меняющихся со временем. В результате разработанный классификатор получает на вход данные об изменении проводимости грудной полости ΔΩ(t), а также две обучающие выборки с данными об активности легких (Ψ(t)) и сердца (IR(t)).
На основании полученных данных формируется матрица K размером 1xS, где элемент kj (j = 1..S) принимает значения в диапазоне от –1 до 1, где: 0 – другое; –1 – легкое; 1 – сердце. Ввиду того, что значения на выходе ИНС принимают не дискретные значения –1; 0; 1, а значения в диапазоне [–1; 1], использована ещё одна однослойная ИНС, основанная на методе К-средних [10], для кластеризации полученных результатов. Данная ИНС делит матрицу K на 3 кластера, которые после объединения формируют матрицу KF, значения которой принимают только дискретные значения –1; 0; 1.
Результаты исследования и их обсуждение
С помощью разработанного устройства получены данные ΔФ(t) для реконструкции поля изменения проводимости грудной полости ΔΩ(t) и данные об изменении светопоглощения тканей в инфракрасном спектре IR(t). Произведен мониторинг в течение 393 с, за которые пациент дышал спокойно с 0 по 60, с 130 по 310 и с 355 по 393 с, дышал глубоко с 310 по 355 с и произвел задержку дыхания после глубокого вдоха (апноэ) с 60 по 130 с. Данные области наблюдаются на графике Ψ(t), представленном на рис. 2.
Для работы нейро-нечеткого классификатора использованы области спокойного дыхания (с 20 по 40 с мониторинга) и область апноэ (с 80 по 100 с мониторинга). На рис. 3, а, показана область графика Ψ(t), использованная для интеллектуальной идентификации областей легких и сердца на основании результатов ЭИТ и пульсоксиметрии. На рис. 3, б, показана аналогичная область для графика IR(t).
Рис. 2. График Ψ(t), полученный на основании данных, измеренных разработанным устройством сбора и передачи данных для ЭИТ
а)
б)
Рис. 3. График Ψ(t) (а) и IR(t) (б), полученные во время апноэ (с 80 по 100 с мониторинга)
а) 
б)
Рис. 4. Результаты работы классификатора для данных, полученных при спокойном дыхании (а) и при апноэ (б)
Результаты работы разработанного нейро-нечеткого классификатора на основании данных, полученных с помощью разработанного устройства сбора и передачи данных для ЭИТ с каналом пульсоксиметрии для данных во время спокойного дыхания и апноэ, представлены на рис. 4.
Как видно из рис. 4, во время работы респираторной и сердечно-сосудистой систем (спокойное дыхание) разработанный классификатор позволяет выделить области, относящиеся к сердцу и легким. При работе лишь сердечно-сосудистой системы (апноэ) классификатор выделяет лишь область сердца. Присутствуют артефакты, вызванные неидеальностью измерительных данных. Таким образом, разработанный нейро-нечеткий классификатор позволяет на основании информации об активности респираторной системы (например, интегральная вентиляционная функция легких Ψ(t)) и сердечно-сосудистой системы (например, данные пульсоксиметрии IR(t)) и результатов мониторинга поля изменения проводимости грудной полости ΔΩ(t) методом ЭИТ идентифицировать области легких и сердца на ЭИТ-изображениях.
Предлагается метод интеллектуальной идентификации внутренних структур биологического объекта при ЭИТ на примере легких и сердца человека. Для реализации метода на грудную полость человека крепят P поясов, каждый из которых состоит из N электродов. Также на указательный палец пациента крепят пульсоксиметр для регистрации активности сердечно-сосудистой системы HA(t). После инициализации системы и запуска процесса мониторинга система за фиксированное время Δt производит сбор и обработку измерительных данных ΔФ(tk), реконструкцию поля изменения проводимости ΔΩ(tk-1), фиксацию НА(tk), интеллектуальную идентификацию областей сердца и легких. Для формирования массива измерительных данных ΔФ(tk) по заданному алгоритму инжектирования IA, содержащего M комбинаций измерительных электродов, производится переключение инжектирующих электродов, а регистрация разностей потенциалов Δφm,l (tk) (m = 1..M, l = 1..L) производится в соответствии с алгоритмом измерения МА с числом комбинаций L. Параллельно со сбором данных для ЭИТ-реконструкции производится сбор данных об активности сердечно-сосудистой системы с помощью датчика пульсоксиметрии. На основании полученных значений ΔФ(tk) производится расчет интегрального параметра Ψ(tk). С учетом полученного значения Ψ(tk) определяется опорная точка для дифференциальной ЭИТ-реконструкции, после чего производится реконструкция ΔΩ(tk-1). Полученные данные ΔΩ(t), Ψ(t) и НА(t) подаются на вход нейро-нечеткого классификатора, формирующего изображение томографического среза с выделенными областями легкого и сердца.
Заключение
Для интеллектуальной идентификации областей сердца и легкого на основании анализа результатов мониторинга поля изменения проводимости грудной полости методом ЭИТ с учетом данных пульсоксиметрии разработан нейро-нечеткий классификатор, который по результатам оценки изменения проводимости грудной полости ΔΩ(t), интегральной вентиляционной функции легких Ψ(t) и пульсоксиметрии IR(t) выделяет области сердца и легких на ЭИТ изображениях. Для проверки работоспособности классификатора разработано устройство сбора и передачи данных для ЭИТ с каналом пульсоксиметрии, позволяющее вести непрерывный мониторинг изменения проводимости грудной полости с параллельным получением данных пульсоксиметрии. На основании результатов мониторинга проведено испытание разработанного классификатора, подтвердившее его работоспособность. Предложен метод интеллектуальной идентификации внутренних структур биологического объекта при ЭИТ на примере легких и сердца человека.
Исследование выполнено при финансовой поддержке РФФИ в рамках научного проекта № 18-38-00786 «Разработка методологии и алгоритмических средств интеллектуальной идентификации внутренних структур биологических объектов в системах электроимпедансной томографии».
Библиографическая ссылка
Кучер А.И., Алексанян Г.К., Щербаков И.Д. ИНТЕЛЛЕКТУАЛЬНАЯ ИДЕНТИФИКАЦИЯ ЛЕГКИХ И СЕРДЦА ЧЕЛОВЕКА НА ОСНОВЕ РЕЗУЛЬТАТОВ МОНИТОРИНГА ПОЛЯ ИЗМЕНЕНИЯ ПРОВОДИМОСТИ ГРУДНОЙ ПОЛОСТИ МЕТОДОМ ЭЛЕКТРОИМПЕДАНСНОЙ ТОМОГРАФИИ И РЕЗУЛЬТАТОВ ПУЛЬСОКСИМЕТРИИ // Современные наукоемкие технологии. – 2020. – № 5. – С. 63-69;URL: https://top-technologies.ru/ru/article/view?id=38033 (дата обращения: 03.12.2024).