Stroke classification using Virtual Hybrid Edge Detection from in silico electrical impedance tomography data

要約

電気インピーダンス断層撮影（EIT）は、電気境界測定から身体の内部導電性を回復するための非侵襲的イメージング方法です。
EITと機械学習を組み合わせることで、ストロークの分類が有望であることが示されています。
ただし、以前の作業のほとんどは、RAW EIT電圧データをネットワーク入力として使用していました。
私たちは、特別なノイズ – ロバスト仮想ハイブリッドエッジ検出（VHED）がネットワーク入力として機能することを示唆する最近の開発に基づいて構築されていますが、その作業は非常に単純化された数学的に理想的なモデルのみを使用しています。
この作業では、EITの使用に関するケースと、特に脳卒中分類のための機能を強化します。
詳細と数学的リアリズムを備えたモデルを設計して、VHED関数の使用を入力としてテストします。
仮想患者は、実際のイメージングシナリオに課題を作成することが知られている機能を含む、物理的に詳細な2Dヘッドモデルを使用して作成されます。
導電率値は、統計的に現実的な分布から引き出され、ファントムはさまざまな形状とサイズの出血性または虚血性ストロークのいずれかに苦しんでいます。
数学的に理想的な連続体モデルとは対照的に、現実的な完全な電極モデル（CEM）を使用して生成されたシミュレートされた騒音電極データは、VHED関数を取得するために処理されます。
生のEIT電圧を使用する代替パラダイムに対する入力としてVHED関数の使用を比較します。
我々の結果は、（i）物理的に詳細および数学的に現実的なモデルからの2D EITデータを使用して、（ii）ストローク分類を高精度で実行できることを示しています。

要約(オリジナル)

Electrical impedance tomography (EIT) is a non-invasive imaging method for recovering the internal conductivity of a physical body from electric boundary measurements. EIT combined with machine learning has shown promise for the classification of strokes. However, most previous works have used raw EIT voltage data as network inputs. We build upon a recent development which suggested the use of special noise-robust Virtual Hybrid Edge Detection (VHED) functions as network inputs, although that work used only highly simplified and mathematically ideal models. In this work we strengthen the case for the use of EIT, and VHED functions especially, for stroke classification. We design models with high detail and mathematical realism to test the use of VHED functions as inputs. Virtual patients are created using a physically detailed 2D head model which includes features known to create challenges in real-world imaging scenarios. Conductivity values are drawn from statistically realistic distributions, and phantoms are afflicted with either hemorrhagic or ischemic strokes of various shapes and sizes. Simulated noisy EIT electrode data, generated using the realistic Complete Electrode Model (CEM) as opposed to the mathematically ideal continuum model, is processed to obtain VHED functions. We compare the use of VHED functions as inputs against the alternative paradigm of using raw EIT voltages. Our results show that (i) stroke classification can be performed with high accuracy using 2D EIT data from physically detailed and mathematically realistic models, and (ii) in the presence of noise, VHED functions outperform raw data as network inputs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google