呼吸ゲーティング放射線療法における無呼吸検出のための形態学的自己エンコー剤

背景と目的：呼吸ゲーティングトレーニングは、放射線療法中の臓器運動の影響を最小化することを目的として、患者の固有受容を増やすための一般的な手法です。この作業では、通常、無呼吸、および制約のない呼吸パターン（つまり、マルチクラス）を分類するための自動エンコーダーに基づいたシステムを考案します。 方法：私たちのアプローチは、定期的な呼吸でトレーニングされた自動エンコーダーを使用して、呼吸信号の形態学的分析に基づいています。自動エンコーダーの入力と出力の間の相関は、最適なものを選択するためにいくつかの分類子をトレーニングおよびテストするために使用されます。私たちのアプローチは、新しい現実世界の呼吸ゲーティングバイオフィードバックトレーニングデータセットとApnea-ECGリファレンスデータセットで評価されます。 結果：呼吸と無呼吸の分類において、2つの異なるデータセットで95±3.5％と87±6.6％の精度が得られました。これらの結果は、研究中の呼吸パターンを特徴付ける一般化モデルの生存率を示唆しています。 結論：自動エンコーダーを使用して呼吸ゲーティングトレーニングパターンを学習することで、信号の形態のみに焦点を合わせることにより、データ駆動型のアプローチが特徴抽出を可能にします。提案されたシステムは、リアルタイムで使用される傾向があり、潜在的に他のドメインに転送される可能性があります。

BACKGROUND AND OBJECTIVE: Respiratory gating training is a common technique to increase patient proprioception, with the goal of (e.g.) minimizing the effects of organ motion during radiotherapy. In this work, we devise a system based on autoencoders for classification of regular, apnea and unconstrained breathing patterns (i.e. multiclass). METHODS: Our approach is based on morphological analysis of the respiratory signals, using an autoencoder trained on regular breathing. The correlation between the input and output of the autoencoder is used to train and test several classifiers in order to select the best. Our approach is evaluated in a novel real-world respiratory gating biofeedback training dataset and on the Apnea-ECG reference dataset. RESULTS: Accuracies of 95 ± 3.5% and 87 ± 6.6% were obtained for two different datasets, in the classification of breathing and apnea. These results suggest the viability of a generalised model to characterise the breathing patterns under study. CONCLUSIONS: Using autoencoders to learn respiratory gating training patterns allows a data-driven approach to feature extraction, by focusing only on the signal's morphology. The proposed system is prone to be used in real-time and could potentially be transferred to other domains.