多周波対称差の違いは、人間の脳卒中診断のための機械学習を伴う電気インピーダンス断層撮影

目的：多周波対称差電気インピーダンス断層撮影（MFSD-EIT）は、対称シーンで一方的な摂動を堅牢に検出および識別できます。ここでは、アルゴリズムを正常に適用して、機械学習の助けを借りて脳卒中の病因を特定できるかどうかを評価するための調査が行われます。 方法：脳卒中患者画像に基づいたヘッドの解剖学的に現実的には、4層有限要素メソッドメソッドモデルが開発され、使用されて、出血して凝固病変を伴う有無にかかわらず、5 Hz-100 Hz周波数範囲にわたってEITデータを生成します。再構築は、各周波数で各ヘッドの導電率マップを生成します。再構築された画像の矢状面全体と周波数範囲全体での対称性の変化を評価する定量的メトリックの適用により、病変の検出と識別が可能になります。このアルゴリズムは、シミュレーションとヒト（n = 34の被験者）データの両方に適用されます。分類アルゴリズムは、通常、出血、血栓値を区別するためにメトリック値に適用されます。 主な結果：サポートベクターマシン（SVM）分類を備えたMFSD-EITを使用して、人間のデータの血栓から出血を識別および区別するために、平均85％の精度が達成されます。 結論：MFSD-EIT画像から派生したメトリックに分類アルゴリズムを適用することは、静的シーンでの摂動の検出と識別のための斬新で有望な手法です。 重要性：機械学習で使用されるMFSD-EITアルゴリズムは、脳卒中のような困難な状況で病変の検出と同定の有望な結果をもたらします。結果は、ヒト患者への実行可能な翻訳を意味します。

OBJECTIVE: Multi-frequency symmetry difference electrical impedance tomography (MFSD-EIT) can robustly detect and identify unilateral perturbations in symmetric scenes. Here, an investigation is performed to assess if the algorithm can be successfully applied to identify the aetiology of stroke with the aid of machine learning. METHODS: Anatomically realistic four-layer finite element method models of the head based on stroke patient images are developed and used to generate EIT data over a 5 Hz-100 Hz frequency range with and without bleed and clot lesions present. Reconstruction generates conductivity maps of each head at each frequency. Application of a quantitative metric assessing changes in symmetry across the sagittal plane of the reconstructed image and over the frequency range allows lesion detection and identification. The algorithm is applied to both simulated and human (n = 34 subjects) data. A classification algorithm is applied to the metric value in order to differentiate between normal, haemorrhage and clot values. MAIN RESULTS: An average accuracy of 85% is achieved when MFSD-EIT with support vector machines (SVM) classification is used to identify and differentiate bleed from clot in human data, with 77% accuracy when differentiating normal from stroke in human data. CONCLUSION: Applying a classification algorithm to metrics derived from MFSD-EIT images is a novel and promising technique for detection and identification of perturbations in static scenes. SIGNIFICANCE: The MFSD-EIT algorithm used with machine learning gives promising results of lesion detection and identification in challenging conditions like stroke. The results imply feasible translation to human patients.