WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

загрузка...
   Добро пожаловать!

Pages:     | 1 || 3 |

Во введении обосновывается актуальность темы диссертационной работы, сформулирована цель работы, перечислены исследовательские задачи, решенные для достижения поставленной цели, представлены выносимые на защиту результаты, охарактеризована их научная новизна и практическая ценность, приведены сведения о внедрении полученных результатов, их опубликовании, об апробации работы, ее структуре и объеме.

В первой главе диссертационной работы проведен анализ современного состояния проблемы обнаружения эмбола и опыта разработки информационно-вычислительных комплексов медицинского назначения для обнаружения эмболов, проведен сравнительный анализ различных методов, применяемых на сегодняшний день для решения задач эмболодетекции в кровотоке.

Современная постановка задачи автоматической детекции эмболий с позиций математической обработки ТКДГ-сигналов включает рассмотрение нескольких уровней анализа: анализ характеристик фонового кровотока и выделение транзиторных сигналов высокой интенсивности – high-intensity transient signals (HITS); анализ характеристик HITS и выделение микроэмболических сигналов (МЭС); классификацию эмболов как материальные и газовые; детализацию характеристик эмбола – определение его размера и морфологии.

Сложность рассматриваемой задачи не позволяет сегодня получить ее полное и качественное решение известными математическими методами. Все существующие разработки в основном удовлетворяют требованиям первого и второго уровней задачи автодетекции. Третий уровень находится в стадии интенсивной проработки и клинической апробации. Четвертый уровень только начинает теоретически прорабатываться, хотя, безусловно, имеет наибольший интерес и практическую ценность для клиницистов. Причин такого состояния дел несколько: с одной стороны, это сложность самого сигнала (нестационарной природы), наличие в нем разнообразных артефактов, связанных с условиями эксплуатации ТКДГ-систем, сложностью идентификации характеристик эмбола и его последующей классификации, а с другой стороны, это отсутствие высокоэффективных средств автоматической эмболодетекции. Дополнительно необходимо учитывать жесткие требования обработки ТКДГ-сигналов в режиме реального времени и в условиях агрессивной внешней среды, насыщенной эфирными и сетевыми помехами.

По результатам проведенного анализа аппаратных, математических и алгоритмических средств, применяемых на сегодняшний день для решения задач определения эмболов в кровотоке, сформирован набор методов, использование которых позволяет решить поставленные задачи, согласно которым вероятность обнаружения эмбола должна составлять более 90%, вероятность неложных срабатываний – более 95%. Этот набор, в частности, включает дискретное преобразование Фурье для обработки результатов измерения и метод бинарного дерева принятия решений как основу для разработки алгоритма обнаружения эмбола в кровотоке.

Во второй главе поставлена задача обнаружения эмболов в кровотоке, как задача, идеологически близкая к задаче распознавания образов и включающая два шага: проверку наличия выделенных признаков в результатах медицинских измерений и отнесение результатов первого шага к одному из классов: эмбол, артефакт или неопределенный тип.

Для достижения поставленной задачи решены следующие взаимосвязанные между собой исследовательские задачи:

  • разработана математическая модель обнаружения эмбола с учетом того, что строгой математической формализации эта задача не поддается;
  • на базе созданной математической модели разработан алгоритм, позволяющий достаточно надежно обнаруживать эмбол на базе обработки отраженного ультразвукового сигнала;
  • реализовано разработанное математическое обеспечение в виде пакета прикладных программ на языке Microsoft Visual C++ для использования в информационно-вычислительном комплексе медицинского назначения.

Модель обнаружения эмбола позволяет:

  • выделять эмболы в режиме реального времени при проведении измерений;
  • проводить отсев артефактов, вызванных как внешними наводками на аппаратную часть комплекса, так и артефактов, связанных со случайными смещениями или вибрациями УЗ-датчиков;
  • классифицировать обнаруженные эмболы как материальную или газовую эмболию.

Эмбол формально описан как набор наиболее характерных признаков, присутствующих в результатах измерений:

  • размеры эмбола значительно превышают размеры любого из форменных элементов крови; отраженный от эмбола УЗ-сигнал имеет значительно большую интенсивность, чем фоновый кровоток;
  • длительность отраженного от эмбола УЗ-сигнала ограничена в некотором диапазоне;
  • скорость движения эмбола положительна и ограничена максимальной скоростью кровотока на исследуемом участке сосуда;
  • эмбол не может находиться в опорном окне, это является признаком артефакта;
  • скорость движения в кровотоке материального эмбола ниже скорости движения газового эмбола.

Для составления модели обнаружения эмбола, применимой на практике, было проанализировано более 10000 эпизодов эмболии и различных артефактов. На основе анализа полученных данных были уточнены численные значения всех неопределенных переменных в неравенствах, образованных признаками эмбола, понятия «много больше» и «много меньше» удалось заменить соответствующими коэффициентами, что позволило представить их в виде простых неравенств. Кроме того, модель эмбола была расширена дополнительными неравенствами, позволяющими существенно повысить эффективность обнаружения эмбола в кровотоке. Таким образом, были определены численные значения границ, в которые заключен класс эмбола.

(1)

(2)

(3)

(4)

(5)

(6)

(7)

(8)

(9)

(10)

(11)

, (12)

где – мгновенная мощность отраженного ТКДГ-сигнала, – фоновая средняя мощность кровотока, – длительность МЭС, – скорость движения эмбола, – максимальная скорость кровотока, – мгновенная мощность отраженного ТКДГ-сигнала в опорном окне, – средняя мощность в опорном окне, – пиковая частота материального эмбола, – пиковая частота газового эмбола, – мощность ТКДГ-сигнала материального эмбола, – мощность ТКДГ-сигнала газового эмбола, – мощность ТКДГ-сигнала положительной составляющей кровотока, – мощность ТКДГ-сигнала отрицательной составляющей кровотока, – мощность ТКДГ-сигнала эмболического ядра, – мощность фонового кровотока в период обнаружения эмбола.

Алгоритм обнаружения эмбола, базирующийся на предложенной математической модели обнаружения эмбола (1)(12), построен на основе метода бинарного дерева принятия решения (рис. 1).

Рис. 1. Схема алгоритма обнаружения эмбола в виде бинарного дерева принятия решения

Каждый уровень бинарного дерева решает свою задачу. На нулевом уровне для анализа предъявляется сигнал в виде ТКДГ-амплитуды. На первом уровне происходит анализ ТКДГ-сигнала и выделение из него HITS. На втором уровне производится обнаружение и отсев артефактов. На третьем уровне обнаруженные эмболы классифицируются как материальные, газовые и неопределенные. Блок-схемы алгоритмов второго и третьего уровней приведены на рис. 2.

В третьей главе разработаны структура и общие принципы построения программного обеспечения для обнаружения эмбола в кровотоке, базирующегося на созданном математическом обеспечении, а также специализированная среда разработки и отладки программного кода.

Программное обеспечение комплекса доплеровского анализатора «АНГИОДИН» построено по модульному принципу и включает в себя три основных модуля (рис. 3):

  • модуль мониторинга Monitex, реализующий предложенный во второй главе алгоритм автоматического обнаружения эмбола и предназначенный для длительного наблюдения за кровотоком с автоматической регистрацией и классификацией эмболий, с возможностью комментирования и фиксирования событий, произошедших в ходе мониторинга, сохранением результатов исследований на жестком диске и в базе данных (БД) с целью последующего просмотра и изучения;

а) б)

Рис. 2. Участки блок-схемы алгоритма обнаружения эмбола: а) – второй уровень бинарного дерева (отсечение артефактов), б) – третий уровень (классификация эмбола)

  • модуль управления и первичной обработки приборной части комплекса Dopex, предназначенный для настройки параметров съема, регистрации и хранения ТКДГ-сигнала, визуализации полученных данных в виде цветового картирования спектров и расчета максимальных скоростей кровотока – огибающих спектра;
  • модуль БД результатов медицинских измерений WinPatientExpert, предназначенной для хранения карточки пациента, результатов всех проведенных обследований, а также постпроцессорного анализа полученных данных.

Рис. 3. Общая структурная схема и основные потоки данных между модулями

Для решения проблем, связанных с надежностью разработанного программного обеспечения, его качества и отсутствия ошибок и выявлением несоответствий созданному алгоритму, разработан специализированный инструмент – метакомпилятор-транслятор Cx, который носит универсальный характер и предназначен для выявления ошибок на всех этапах разработки программного обеспечения, а также автоматического тестирования на возможную деградацию вследствие дальнейших модификаций кода программы. Применение данного метакомпилятора позволило существенно повысить эффективность и качество разработки предложенного прикладного программного обеспечения.

Для создания дружественного интерфейса к конечному пользователю, использована специализированная библиотека оконного пользовательского интерфейса UniversalView. Это обеспечило пользователю (в данном случае, врачу-эксперту), не являющемуся специалистом в области компьютерной техники, максимально удобные условия взаимодействия с программным обеспечением измерительно-вычислительного комплекса, не требуя от него специального обучения или навыков работы.

Разработанное программное обеспечение реализовано на языке программирования Microsoft Visual C++ из пакета Microsoft Visual Studio 2005 и предъявляет следующие минимальные требования к конфигурации: Intel Pentium IV 3 ГГц, ОЗУ 512 МБ, операционная система Microsoft Windows XP/Vista.

В четвертой главе представлены методы и результаты тестирования в лабораторных и клинических условиях, где была подтверждена работоспособность и достаточная надежность разработанного математического и программного обеспечения.

Для проведения тестирования в лабораторных условиях разработан стенд полунатурного моделирования для получения ТКДГ-сигналов эмболов разного характера; создана база оценочных ТКДГ-сигналов, включающая ТКДГ-сигналы (с разработанного стенда; синтетические в результате программной генерации; реальные, полученные в клинических условиях) и характеристики этих сигналов, внесенные экспертами; создан специальный программный инструмент Knowbot для верификации разработанных программ в автоматическом режиме.

На первом этапе при тестировании разработанного модуля автоматического обнаружения эмболов на 120 синтетических ТКДГ-сигналах с помощью программного инструмента Knowbot все сигналы были корректно классифицированы на эмболы и артефакты (вероятность обнаружения эмбола и вероятность неложных срабатываний составили 100%), что полностью подтвердило соответствие разработанных модели, алгоритма и реализующего его программного обеспечения.

На втором этапе тестирования, проведенном в лабораторных условиях на 1500 сигналах (со стенда полунатурного моделирования и полученных в клинических условиях), из которых 1160 являлись МЭС и 340 – артефактами, модулем автоматического определения эмболов в кровотоке было классифицировано как эмбол 1151 ТКДГ-сигнал, из которых 1117 сигналов действительно являются эмболическими, 34 – артефактами, которые были ошибочно определены как эмбол, 43 эмболических сигнала было пропущено. Вероятность обнаружения эмбола составила 96,29%, вероятность неложных срабатываний – 97,07%, что позволяет сделать вывод о полном соответствии требованиям, предъявляемым к разработанному программному обеспечению.

Тестирование, проведенное в условиях клинических испытаний на 200 пациентах, и экспертный анализ случайно отобранных 20 мониторингов, в которых общее количество эпизодов, классифицированных экспертами как эмболы, составило 18944, подтвердили работоспособность разработанных программных средств. Из общего количества эмболов, обнаруженных в автоматическом режиме (18480), экспертами было признано верным 17853 эпизода, 1091 эмбол был пропущен, 627 артефактов были ошибочно определены как эмбол. Таким образом, вероятность обнаружения эмбола составила 94,26%, а вероятность неложных срабатываний – 96,49%, что позволяет сделать вывод о полном соответствии требованиям, предъявляемым к разработанному программному обеспечению.

В заключении изложены основные результаты работы.

Основные результаты работы

В ходе проведенных исследований были получены следующие основные выводы и результаты:

Pages:     | 1 || 3 |






© 2011 www.dissers.ru - «Бесплатная электронная библиотека»