[논문 리뷰] Approximation error method for imaging the human head by electrical impedance tomography

Valentina Candiani, Nuutti Hyvönen외 2명|arXiv (Cornell University)|2021. 01. 01.

Electrical and Bioimpedance Tomography참고 문헌 58인용 수 16

한 줄 요약

이 논문은 스트로크 진단을 위한 비침습적 전기저항율 단층촬영(EIT) 방법을 제안하며, 근사 오차 방법과 가장자리 강조 재구성 알고리즘을 결합하여 응급 간호에서의 스트로크 탐지에 대한 강건성을 확보한다. 해부학적 구조와 전극 배치의 불확실성을 주성분 헤드 앤라스를 사용하여 모델링하고, 근사 오차를 가우시안 근사로 극복함으로써 기하학적 오차가 존재하는 상황에서도 허혈성 및 출혈성 스트로크의 정확한 국소화가 가능함을 3차원 시뮬레이션 헤드 데이터를 통해 입증하였다. 기존 방법 대비 심각한 아티팩트 감소 효과를 보였다.

ABSTRACT

This work considers electrical impedance tomography imaging of the human
 head, with the ultimate goal of locating and classifying a stroke in emergency
 care. One of the main difficulties in the envisioned application is that the
 electrode locations and the shape of the head are not precisely known, leading
 to significant imaging artifacts due to impedance tomography being sensitive to
 modeling errors. In this study, the natural variations in the geometry of the
 head and skull are modeled based on a library of head anatomies. The effect of
 these variations, as well as that of misplaced electrodes, on (absolute)
 impedance tomography measurements is in turn modeled by the approximation error
 method. This enables reliably reconstructing the conductivity perturbation
 caused by the stroke in an average head model, instead of the actual head,
 relative to its average conductivity levels. The functionality of a certain
 edge-preferring reconstruction algorithm for locating the stroke is
 demonstrated via numerical experiments based on simulated three-dimensional
 data.

연구 동기 및 목표

• 응급 간호에서 EIT를 통한 뇌졸중 진단에 있어 부정확한 뇌 구조 기하학과 전극 위치 오차 문제를 해결하기 위해.
• 해부학적 변동성과 전극 이완치로 인한 모델링 오차에도 불구하고 정확한 영상 성능을 유지할 수 있는 강건한 영상 방법을 개발하기 위해.
• 이전 기준 데이터 없이 절대 EIT 영상 기반으로 허혈성 및 출혈성 뇌졸중을 신뢰성 있게 탐지하고 분류할 수 있도록 하기 위해.
• 기하학적 불확실성이 존재하는 상황에서 재구성 품질을 향상시키기 위해 근사 오차 모델링과 가장자리 강조 정규화를 통합하기 위해.

제안 방법

• 해부학적 어트라스를 기반으로 한 인간 뇌와 두개골의 주성분 모델을 사용하여 해부학적 변동성을 표현한다.
• 전극 위치와 뇌 구조의 불확실성을 측정 모델 내의 덧셈형 근사 오차 항으로 모델링한다.
• 다양한 뇌 및 두개골 형상의 시뮬레이션 EIT 데이터를 활용한 기계학습 절차를 통해 근사 오차의 이차 통계량을 추정한다.
• 근사 오차에 대해 가우시안 분포를 가정하고, 이에 기반해 가능도를 근사 오차에 대해 극대화하는 베이지안 역문제 틀을 적용한다.
• 논문 [23]의 알고리즘 변형을 사용하여 비제곱형, 가장자리 강조 정규화 항(예: 총 변동량)을 포함한 최대 사후확률(MAP) 추정치를 계산한다.
• 측정 오차와 근사 오차를 모두 고려하기 위해 LSQR 반복 과정에서 초기 정지 기법과 모로조프 불일치 원칙을 적용하여 해를 정규화한다.

실험 결과

연구 질문

• RQ1 근사 오차 모델링이 EIT를 통한 뇌졸중 진단에서 알려지지 않은 뇌 기하학과 전극 이완치로 인한 영상 아티팩트를 현저히 줄일 수 있는가?
• RQ2 기하학적 불확실성이 존재할 경우 제안된 방법이 허혈성 및 출혈성 뇌졸중을 얼마나 잘 국소화하는가?
• RQ3 진짜 기하학이 알려진 경우(즉, 이상 조건에서) 근사 오차 모델링이 재구성 품질을 떨어뜨리는가?
• RQ4 모델링 오차 상황에서 가장자리 유지 정규화가 기존 티호노프 정규화 대비 뇌졸중 국소화 성능을 얼마나 향상시키는가?

주요 결과

• 근사 오차 모델링을 고려한 재구성 결과는 심각한 기하학적 오차가 존재하는 시뮬레이션 3차원 헤드 모델에서도 허혈성 및 출혈성 뇌졸중을 성공적으로 국소화하였다.
• 근사 오차 모델링을 고려하지 않은 재구성 결과는 두개골 표면 근처에 심각한 아티팩트를 유발하여 임상적 해석에 거의 쓸모없는 수준이었다.
• 진짜 기하학이 알려진 경우(Case 3) 근사 오차 모델링이 재구성 품질을 떨어뜨리지 않았으며, 이는 오차 모델링이 없는 상황에서의 강건성을 시사한다.
• 평균 헤드 모델에서의 재구성 결과는 실제 환자의 도전성 변화를 평균 모델 기준으로 영상화하는 것이 기하학적 불확실성에도 불구하고 가능하다는 것을 입증하였다.
• 가장자리 강조 재구성 알고리즘이 명확한 뇌졸중 경계를 식별할 수 있었으며, 기존 방법 대비 아티팩트 억제 및 병변 국소화 성능에서 뛰어난 성능을 보였다.
• 이 방법은 진짜 해부학과 전극 위치가 알려지지 않은 상황을 포함한 모든 세 가지 시험 케이스에서 높은 성능을 유지하였으며, 이는 응급 간호 적용 분야에서의 강건성을 확인한다.