Optimalizace rozhraní EIT-Oxygenátor pro brzkou detekci krevních sraženin

Abstract

Vznik a depozice trombů je nejčastější příčinou pro nucenou výměnu oxygenátorů při mimotělní podpoře krevního oběhu. Výskyt komplikací je ovšem mnohem častější v případě nucené výměny než u výměny plánované. Neplánovaná výměna je extrémně nebezpečná především pro pacienty v kritickém stavu. Spolehlivá metoda pro včasnou detekci trombů v oxygenátorech by tedy byla velmi přínosná. Tato diplomová práce se soustředí na využití elektrické impedanční tomografie (EIT) pro detekci krevních sraženin v oxygenátorech. V rámci práce byl v MATLABu navržen a implementován kompletní nástroj pro optimalizaci EIT měření. Nejprve byly optimalizovány pozice elektrod a metoda pro vysílání a snímání signálu, což vedlo k homogennějším a citlivějším měřením. Následně byly použity dva algoritmy pro rekonstrukci trombů v 3D prostoru oxygenátoru. Rekonstrukční matice GREIT (Graz consensus Reconstruction algorithm for EIT) byla natrénována na sraženinách v oblastech vysoké pravděpodobnosti vzniku trombů (hrany a rohy oxygenátoru) v rámci optimalizace rekonstrukce. Dále byla natrénována konvoluční neuronová síť architektury LeNet. Následovala detekce trombů a určení závažnosti krevních sraženin. Za tímto cílem byly natrénovány čtyři neuronové sítě z plně propojených vrstev. Vstupem pro ně byly napětí z elektrod a také rekonstruovaný obraz. Ukázalo se, že napětí jsou pro klasifikaci výrazně užitečnějším vstupem a výsledná přesnost klasifikace překročila 90 %. Navržené postupy byly ověřeny na reálném modelu oxygenátoru. Výsledky práce ukazující potenciál využití EIT pro detekci krevních sraženin v oxygenátorech. V rámci práce vznikl komplexní a snadno modifikovatelný nástroj, který může pomoci v budoucímu výzkumu problematiky.

Thrombus formation and deposition is the most frequent reason for a forced oxygenator exchange during extracorporeal support. However, the risk of complication is much higher for these emergent oxygenator exchanges as opposed to planned ones, which is especially dangerous for patients in a critical state. They are the ones who can most benefit from a reliable method for early blood clot detection. This master’s thesis focuses on utilizing electrical impedance tomography (EIT) for oxygenator blood clot detection. During the course of this work, a complete optimization pipeline was designed and implemented in MATLAB. Electrode positions and injection-measurement (I-M) pattern were optimized first, which lead to more homogeneous and sensitive measurements. Next, two reconstruction algorithms were used to reconstruct thrombi in the 3D space of the oxygenator. A Graz consensus Reconstruction algorithm for EIT (GREIT) reconstruction matrix was trained on targets emphasizing reconstruction mainly in areas with a higher likelihood of thrombi deposition (oxygenator edges and corners). A LeNet reconstruction convolutional neural network (CNN) was trained as well. Thrombus detection and thrombosis severity assessment followed. Four fully connected (FC) neural networks were trained to detect clots and assess thrombosis severity based on voltage measurements and reconstructed images. Information from the voltage measurements turned out to be more useful for classification, whose final accuracy reached over 90 %. The proposed approaches were evaluated on real oxygenator mock. It was shown that oxygenator clot detection with EIT should be possible and is worth further research. The entire optimization pipeline was set up to facilitates easy modifications of the implemented algorithms in the future. In this way it, the thesis enables simple research continuity.