CONVERGENCE :: Frictionless Energy Efficient Convergent Wearables for Healthcare and Lifestyle Applications Newsletter Numărul 1 Ianuarie 2018 http://aut.unitbv.ro/CONVERGENCE/ CONVERGENCE Frictionless Energy Efficient Convergent Wearables for Healthcare and Lifestyle Applications Newsletter Numărul 1 Ianuarie 2018 Activitățile s-au concentrat asupra modelului arterial al coarctației aortice. Coarctația este o afecțiune congenitală care presupune stenozarea unei porțiuni a aortei toracice, așa cum se poate observa în figura 1.1. Aplicația dezvoltată, denumită Pressure Drop Computation in Aortic Coarctation este un instrument util pentru determinarea variației căderilor de presiune și a debitului sangvin în porțiunea stenozată. Fig.1.1. Coarctația aortică. Prototipul dispune și de o interfață grafică simplă, în care utilizatorul poate introduce datele de intrare ale pacientului și să ruleze, în mod clasic, modelul hemodinamic în vederea calculării căderilor de presiune. Acest proces poate dura între 2 și 4 minute, în funcție de geometria furnizată la intrare. Chiar dacă nu a făcut parte din obiectivele 1. Introducere. Coarctația aortică............................................... 2 2. Descrierea aplicației ........................................... 4 3. Descrierea interfeței grafice .............................. 6 4. Folosirea algoritmilor de inteligență artificială pentru determinarea rapidă a rezultatelor ........ 8
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
CONVERGENCE :: Frictionless Energy Efficient Convergent Wearables for Healthcare and Lifestyle Applications
Newsletter
Numărul 1
Ianuarie 2018
http://aut.unitbv.ro/CONVERGENCE/
CONVERGENCE
Frictionless Energy Efficient Convergent
Wearables for Healthcare and Lifestyle
Applications
Newsletter Numărul 1
Ianuarie 2018
Activitățile s-au concentrat asupra modelului arterial al coarctației aortice. Coarctația
este o afecțiune congenitală care presupune stenozarea unei porțiuni a aortei toracice,
așa cum se poate observa în figura 1.1. Aplicația dezvoltată, denumită Pressure Drop
Computation in Aortic Coarctation este un instrument util pentru determinarea variației
căderilor de presiune și a debitului sangvin în porțiunea stenozată.
Fig.1.1. Coarctația aortică.
Prototipul dispune și de o interfață grafică simplă, în care utilizatorul poate introduce
datele de intrare ale pacientului și să ruleze, în mod clasic, modelul hemodinamic în
vederea calculării căderilor de presiune. Acest proces poate dura între 2 și 4 minute, în
funcție de geometria furnizată la intrare. Chiar dacă nu a făcut parte din obiectivele
Artery (BCA) Diameter, Left Common Carotid Artery (LCCA)
Diameter, Left Subclavian Artery (LSA) Diameter. Localizarea
fiecăreia dintre aceste mărimi este ilustrată în imaginea
explicativă sus-menționată.
Analog grupării a treia, regiunea a cincea prezintă un grafic a
variației razei aortei în funcție de lungimea (poziția curentă)
acesteia. Modificarea parametrilor anatomici duce la
actualizarea în timp real a graficului.
În grupul al șaselea se poate seta diametrul maxim al AAo și
sunt afișate diametrul minim al AAo și valoarea rigidității
peretelui aortic calculată cu relația 2.1. Așadar acesta conține
parametrii ce descriu elasticitatea peretelui aortic.
Regiunea a șaptea conține următoarele informații despre
debitul sangvin: Cardiac Output și Percentage Flow Descending
Aorta.
În sfârșit, grupul opt permite setarea Pre/Post Operation, iar
butonul Run Blood Flow Computation va determina lansarea în
execuție a solverului pentru modelul hemodinamic.
Tab-ul al doilea, cel de rezultate, este și el organizat în cinci regiuni
distincte (vezi fig. 3.2.):
Primul grafic ilustrează variația presiunii în timp pentru mai
multe regiuni ale aortei : AAo, TAA start, TAA end, PostCoA, și
DAo.
Al doilea grafic ilustrează o comparație a presiunii prescrisă la
intrare versus presiunea calculată, în funcție de timp.
A treia regiune cuprinde un grafic al variației debitului în
funcție de timp, atât la intrarea cât și la ieșirea din regiunea de
interes a aortei.
Al patrulea grafic vizează variația diametrului AAo în funcție de
timp.
A cincea regiune cuprinde un tabel în care se pot regăsi
următoarele informații: i) căderea de presiune (vârf la vârf)
dintre AAo și DAo, ii) căderea de presiune (vârf la vârf) dintre
TAA și DAo, iii) căderea medie de presiune dintre AAo și DAo,
iv) căderea medie de presiune dintre TAA și DAo.
Fig.3.1. Primul tab al interfeței grafice.
CONVERGENCE Newsletter
Nr. 1 | Ianuarie 2018
8
http://aut.unitbv.ro/CONVERGENCE/
Fig.3.2. Tab-ul de rezultate a interfeței grafice.
4.
Folosirea algoritmilor de inteligență artificială
pentru determinarea rapidă a rezultatelor
Întrucât determinarea rezultatelor cu ajutorul modelului hemo-
dinamic este destul de costisitoare în ceea ce privește timpul de
execuție, în prezent se lucrează la o abordare bazată pe algoritmi de
inteligență artificială. Această abordare se bazează pe principiul
învățării supervizate, din acest motiv fiind necesar să se genereze un
număr mare de date sintetice (artificiale), date ce sunt folosite pe
post de exemple de antrenare.
4.1. Generarea de date artificiale
Parametrii de intrare, generați în mod aleatoriu, trebuie să respecte
geometria aortei, așadar au fost impuse următoarele constrângeri :
SBP poate lua valori aleatoare în intervalul [80 , 180];
DBP poate lua valori aleatoare în intervalul [30 , SBP-30];
ESP poate lua valori aleatoare în intervalul [DBP+0.2*(SBP-DBP)
, DBP+0.8*(SBP-DBP)];
HeartRate poate lua valori aleatoare în intervalul [30 , 180];
Systolic Duration poate lua valori aleatoare în intervalul [15 ,
70];
AAo diameter poate lua valori aleatoare în intervalul [1 , 3.5];
Maximum AAo diameter are valoarea (p/100)*AAo+AAo , unde
p poate lua valori aleatoare în intevalul [5 , 25];
AAoEnd diameter poate lua valori aleatoare în intervalul
[0.6*AAo , 1.1*AAo];
TAA diameter poate lua valori aleatoare în intervalul
[0.9*AAoEnd, AAoEnd];
TAAEnd diameter poate lua valori aleatoare în intervalul
[0.7*TAA , 1.1*TAA];
Minimum CoA diameter poate lua valori aleatoare în intervalul
[0.2*TAAEnd , 0.8*TAAEnd];
CoaLength poate lua valori aleatoare în intervalul [0.5 , 6];
PostCoA diameter poate lua valori aleatoare în intervalul
[0.85*TAAEnd , 1.1*TAAEnd];
CONVERGENCE Newsletter
Nr. 1 | Ianuarie 2018
9
http://aut.unitbv.ro/CONVERGENCE/
DAo diameter poate lua valori aleatoare în intervalul
[0.85*PostCoA , 1.15*PostCoA];
BCA diameter poate lua valori aleatoare în intervalul [0.4*DAo ,
0.8*DAo];
LCCA diameter poate lua valori aleatoare în intervalul [0.4*DAo,
0.8*DAo];
LSA diameter poate lua valori aleatoare în intervalul [0.4*DAo ,
0.8*DAo];
Coeficientul de rigiditate(Stiffness value) se calculează cu
relația (2.1).
Percentage Flow se calculează cu relația:
2222
2
2222
2100
DAoLSALCCABCA
DAo
PF (4.1)
Odată ce datele de intrare au fost generate, acestea sunt stocate
într-un fișier *.csv (Comma separated values), urmând apoi lansarea
în execuție a algoritmului iterativ bazat pe modelul hemodinamic. În
funcție de geometria aortei determinată de variabilele de intrare sus
menționate, acest algoritm poate avea o durată de execuție între 2 și
4 minute. Totuși, acest mecanism de atribuire de valori aleatoare a
variabilelor de intrare poate genera geometrii nefirești, lucru ce
conduce la imposibilitatea algoritmului de a ajunge la convergență.
Pentru a remedia această problemă, a fost configurat un Watchdog
Timer, care atunci când sesizează rularea unei simulări pe o perioadă
mai mare de 5 minute, va întrerupe această simulare.
Rezultatele simulărilor sunt centralizate tot cu ajutorul unui script,
care citește și parsează toate fișierele de ieșire și creează alte fișiere
*.csv, corelate cu cele a datelor de intrare. În acest mod se creează
setul de date de antrenare (X , Y).
În primă instanță, datele de intrare sunt 20 – dimensionale, unde cele
20 de dimensiuni sunt reprezentate de parametrii descriși mai sus.
În urma testelor s-a ajuns la concluzia că modelul este mult prea
complex pentru a putea fi descris în mod optim în funcție de aceste
dimensiuni, așadar s-a procedat la adăugarea de atribute
suplimentare, după cum urmează:
Pentru fiecare diametru d în parte, au fost introduse 21 d și
41 d .
A fost introdus și atributul
2
22
11
PostCoACoA
În acest fel dimensionalitatea spațiului intrărilor a fost crescută la 42
și odată cu aceasta a crescut și performanța algoritmilor.
Algoritmii de învățare
Toate testele au fost realizate în mediul de dezvoltare KNIME
Analytics Platform, iar performanța algoritmilor a fost măsurată
cantitativ prin coeficientul de corelație Pearson.
Fig.4.1. Generearea de date sintetice
YY
YXYY
),cov(, (4.2)
unde ),cov( YY este covarianța între �̅� și 𝑌, iar Y
este deviația
standard a setului �̅�. În cazul nostru 𝑌 reprezintă ieșirea reală,
determinată cu modelul hemodinamic, iar �̅� este predicția
algoritmului.
Datele sintetice au fost împărțite în două categorii: setul de date de
antrenare (70%) și setul de date de test (30%), pentru ca rezultatul
corelației să nu fie afectat de overfitting.
Având în vedere că datele de intrare sunt foarte diferite ca și ordin
de mărime a fost necesară aplicarea unei normalizări asupra
acestora(min-max normalization), ca în relația 4.3.
)min()max(
)min('
xx
xxx i
i
(4.3)
Rezultatele ce urmează a fi prezentate au fost prelavate cu un număr
de 1716 de exemple de antrenare și 736 de perechi de testare,
pentru ieșirea Average Pressure Drop between AAo and DAo.
Au fost încercați următorii algoritmi: Regresie polinomială, rețele
neurale și SVR (Support vector regression). Dintre aceștia, regresia
polinomială a avut cele mai slabe performanțe, corelația pe setul de
testare între ieșirile reale și predicții fiind de numai 82%, prin
utilizarea unui polinom de gradul 4.
Folosirea algoritmului nu-SVR a adus îmbunătățiri majore în ceea ce
privește predicția, aceasta fiind corelată cu ieșirea reală în proporție
de 98.1%. Distribuția acestei corelații poate fi vizualizată în figura 4.2.
În ceea ce privește rețelele neurale, a fost creată o rețea cu un singur
strat de ascuns, compus din 40 de neuroni (figura 4.3).
CONVERGENCE Newsletter
Nr. 1 | Ianuarie 2018
10
http://aut.unitbv.ro/CONVERGENCE/
Fig. 4.1. Distribuția corelației între ieșirile reale și predicție cu algoritmul de regresie polinomială.
Fig.4.2. Corelația dintre predicția algoritmului nu-SVR și ieșirea reală.
Fig.4.3. Implementarea rețelei neurale.
CONVERGENCE Newsletter
Nr. 1 | Ianuarie 2018
11
http://aut.unitbv.ro/CONVERGENCE/
Ponderile rețelei învățate după realizarea a 1500 de iterații a
algoritmului propagării înapoi a erorii (Backpropagation), au condus
la obținerea unei corelații între predicție și valoarea reală a ieșirii de
99.1% pe setul de test, așa cum se poate observa în figura 4.4.
În figura 4.5 se poate vizualiza distribuția corelației dintre ieșirea
Averaged AAo-DAo pressure drop și predicția rețelei.
Fig. 4.4. Coeficientul de corelație Pearson între
ieșirea reală și predicția rețelei neurale.
Fig.4.5. Distribuția corelației dintre ieșirea reală și predicția rețelei neurale.
În cazul rețelelor neurale trebuie normalizată și ieșirea Y conform
relației 4.3. Figura 4.6 prezintă câteva scoruri de performanță a
rețelei, prelevate din datele normalizate.
Fig.4.6. Scoruri de performanță a rețelei.
Pe testul de antrenare valoarea corelației este de 99.9% ceea ce
indică faptul că rețeaua prezintă overfitting, dar, în principiu, odată
cu creșterea numărului de exemple de antrenare această problemă o
să dispară, iar corelația rezultată pe setul de testare va crește. Pentru
a valida această ipoteză, au fost realizate teste prin divizarea
numărului de exemple de antrenare la 25, 50, și 75% din numărul
total. Rezultatul acestor teste indică în mod cert o îmbunătățire a
rezultatelor proporțională cu numărul exemplelor de antrenare (vezi
fig. 4.7).
Fig.4.7. Îmbunătățirea corelației în funcție de
numărul de exemple de antrenare.
Referințe
[Alassi, 2012] S. Alassi, “Estimating Blood Flow Based on 2D Angiographic Image Sequences”, Master thesis, Friedrich-Alexander Universität
Erlangen-Nürnberg, 2012.
CONVERGENCE Newsletter
Nr. 1 | Ianuarie 2018
12
http://aut.unitbv.ro/CONVERGENCE/
[Alastruey et al., 2009] J. Alastruey et al., “Modelling pulse wave propagation in the rabbit systemic circulation to assess the effects of altered nitric
oxide synthesis”, J Biomech, vol. 42, pp. 2116–2123, 2009.
[Bessems, 2008] D. Bessems, “On the propagation of pressure and flow waves through the patient-specific arterial system”, PhD Thesis 2008,
Techincal University of Eindhoven, Netherlands.
[Davies et al., 2006] J. E. Davies et al., “Evidence of a Dominant Bbackward-Propagating Suction Wave Responsible for Diastolic Coronary Filling in
Humans, Attenuated in Left Ventricular Hypertrophy”, Circulation, vol. 113, pp. 1768-78, 2006.
[Formaggia et al., 2013] L. Formaggia et al., “On the physical consistency between three-dimensional and one-dimensional models in
haemodynamics”, J Comp Phys, vol. 244, pp. 97–112, 2013.
[Heller et al., 1994] L. Heller et al., “Blood Flow Velocity in the Right Coronary Artery: Assessment before and after angioplasty”, J Am Coll Cardiol,
vol. 24, pp. 1012-1017, 1994.
[Huo et al., 2012] Y. Huo et al., “A Validated Predictive Model of Coronary Fractional Flow Reserve”, J R Soc Interface, vol. 9, pp. 1325–38, 2012.
[Itu et al., 2014(a)] Itu, L. M., Suciu, C. “An External Tissue Support Model for the Arterial Wall Based on In Vivo Data”, IEEE International
Symposium on Medical Measurements and Applications, Lisbon, Portugal, June 11-12, pp. 1-5 2014.
[Itu et al., 2014(b)] Itu, L. M., Sharma, P., Georgescu, B., Kamen, A., D., Suciu, C., Comaniciu, D. “Model Based Non-invasive Estimation of PV Loop
from Echocardiography”, Proc. of the 36th Annual Inter. Conf. of the IEEE Engineering in Medicine & Biology Society - EMBC 2014, Chicago, USA,
August 26-30, 2014.
[Itu et al., 2014(c)] Itu, L. M., Sharma, P., Passerini, T. Kamen, A., D., Suciu, C., Comaniciu, D. “A parameter estimation framework for patient-
specific hemodynamic computations”, Journal of Computational Physics, Vol. 281, pp. 316–333, 2015 (factor de impact: 2.485).
[Kassab et al., 1995] G. Kassab et al., “The Pattern of Coronary Arteriolar Bifurcations and the Uniform Shear Hypothesis”, Ann Biomed Eng, vol. 23,
pp. 13-20, 1995.
[Kim et al., 2013] J. Kim et al., “Influence of surrounding tissues on biomechanics of aortic wall”, Intern J Exp Comp Biomech, Vol. 2, pp. 105-117,
2013.
[Liu et al., 2007] Y. Liu et al., “Surrounding tissues affect the passive mechanics of the vessel wall: theory and experiment”, Am J Phys Heart Circ,
vol. 293, pp. 3290-3300, 2007.
[Liu et al., 2008] Y. Liu et al., “Effects of myocardial constraint on the passive mechanical behaviors of the coronary vessel wall”, Am J Phys Heart
Circ, vol. 294, pp. 514-523, 2008.
[Moireau et al., 2012] P. Moireau et al., “External tissue support and fluid-structure simulation in blood flows”, Biomech Model Mechanob, vol. 11,
pp. 1-18, 2012.
[Mynard et al., 2012] J. P. Mynard et al., “A simple, versatile valve model for use in lumped parameter and one-dimensional cardiovascular
models”, Intern J of Num Meth Biom Eng, vol. 28, pp. 626-641, 2012.
[Olufsen et al., 2000] M. Olufsen et al., “Numerical simulation and experimental validation of blood flow in arteries with structured-tree outflow
conditions”, Ann Biomed Eng, vol. 28, pp. 1281-1299, 2000.
[Petraco et al., 2012] R. Petraco et al. “Hybrid iFR-FFR Decision-Making Strategy: Implications for Enhancing Universal Adoption of Physiology-
Guided Coronary Revascularization”, EuroIntervention, vol. 8, pp. 1157-65, 2012.
[Petraco et al., 2013] R. Petraco et al., “Classification Performance of Instantaneous Wave-Free Ratio (iFR) and Fractional Flow Reserve in a Clinical
Population of Intermediate Coronary Stenoses”, EuroIntervention, vol. 9, pp. 91-101, 2013.
[Pijls et al., 1996] N.H. Pijls et al., “Measurement of Fractional Flow Reserve to Assess the Functional Severity of Coronary-Artery Stenoses”, N Engl
J Med, vol. 334, pp. 1703-1708, 1996.
[Reffelmann et al., 2002] T. Reffelmann et al., “Post-stenotic coronary blood flow at rest is not altered by therapeutic doses of the oral antidiabetic
drug glibenclamide in patients with coronary artery disease”, Heart, Vol. 87, pp. 54–60, 2002.
[Savitzky et al., 1964] A. Savitzky, “Smoothing and differentiation of data by simplified least squares procedures”, Anal. Chem., Vol. 36, pp. 1627–
1639, 1964.
CONVERGENCE Newsletter
Nr. 1 | Ianuarie 2018
13
http://aut.unitbv.ro/CONVERGENCE/
[Schafer, 2011] R. W. Schafer, “What Is a Savitzky-Golay Filter?”, Lecture notes, Ieee signal processing magazine, Vol. 28, pp. 111-117, 2011.
[Schrijver, 2002] M. Schrijver, “Angiographic Image Analysis to Assess the Severity of Coronary Stenosis”, Ph.D. thesis, University of Twente, 2002.
[Sen et al., 2012] S. Sen et al., “Development and Validation of a New Adenosine-Independent Index of Stenosis Severity From Coronary Wave-
Intensity Analysis Results of the ADVISE Study”, J Am Coll Cardiol, vol. 59, pp. 1392-1402, 2012.
[Shpilfoygel et al., 2000] S. D. Shpilfoygel et al., “X-ray videodensitometric methods for blood flow and velocity measurement: A critical review of
literature”, Med. Phys., Vol. 27, pp. 2008–2023, 2000.
[Spiller et al., 1983] P. Spiller et al., “Measurement of Systolic and Diastolic Flow Rates in the Coronary Artery System by X-Ray Densitometry”,
Circulation, vol. 68, pp. 337-347, 1983.
[Tache et al., 2014] Tache, I. A., Itu, L.M., Niculescu R “Transit Time Estimations from Coronary Angiograms”, Proc. of the 18th Inter. Conf. on
System Theory, Control and Computing - ICSTCC 2014, Sinaia, Romania, October 15-17, 2014.
[Thompson et al., 1964] H. Thompson et al., “Indicator Transit Time Considered as a Gamma Variate”, Circ Res., Vol. 14, pp. 502-15, 1964.
[Vizitiu et al., 2014(a)] Vizitiu, A., Itu, L.M., Nita, C., Suciu, C. “Optimized Three-Dimensional Stencil Computation on Fermi and Kepler GPUs”, 18th
IEEE High Performance Extreme Computing Conference, Waltham, MA, USA, Sept. 9-11, 2014.
[Vizitiu et al., 2014(b)] Vizitiu, A., Itu, L.M., Lazar, L., Suciu, C. “Double Precision Stencil Computations on Kepler GPUs”, Proc. of the 18th Inter.
Conf. on System Theory, Control and Computing - ICSTCC 2014, Sinaia, Romania, October 15-17, 2014.
[Wieneke et al., 2005] H. Wieneke et al., “Determinants of Coronary Blood Flow in Humans: Quantification by Intracoronary Doppler and
Ultrasound”, J Appl Physiol, vol. 98, pp. 1076–1082, 2005.
[Wilson et al., 1990] R.F. Wilson et al., “Effects of Adenosine on Human Coronary Arterial Circulation”, Circulation, vol. 82, pp. 1595-1606, 1990.
[Zierler, 2000] K. Zierler, “Indicator dilution methods for measuring blood flow, volume, and other properties of biological systems: a brief history
and memoir” Ann. Biomed. Eng., Vol. 28, pp. 836–48, 2000.