[논문 리뷰] Is Machine Learning Able to Detect and Classify Failure in Piezoresistive Bone Cement Based on Electrical Signals?

Hamid Ghaednia, Crystal E. Owens외 5명|arXiv (Cornell University)|2020. 10. 23.

Electrical and Bioimpedance Tomography참고 문헌 27인용 수 6

한 줄 요약

이 연구는 전기저항율 단층촬영(EIT) 신호를 이용해 피에조저항성 폴리메틸메타크릴레이트(PMMA) 골수석 고착제의 초기 기계적 고장을 정확하게 탐지하고 분류하는 데에 기계학습이 효과적일 수 있음을 보여준다. 자기감지성 고착제와 EIT, 특히 신경망과 주성분분석(PCA)을 조합함으로써, 결함 유형을 98%의 정확도로 분류하는 데 성공하였으며, 이는 초기 임플란트 고장 진단을 위한 실시간, 비침습적 방법으로 유망하다.

ABSTRACT

At an estimated cost of $8 billion annually in the United States, revision surgeries to total joint replacements represent a substantial financial burden to the health care system. Fixation failures, such as implant loosening, wear, and mechanical instability of the poly(methyl methacrylate) (PMMA) cement, which bonds the implant to the bone, are the main causes of long-term implant failure. Early and accurate diagnosis of cement failure is critical for developing novel therapeutic strategies and reducing the high risk of a misjudged revision. Unfortunately, prevailing imaging modalities, notably plain radiographs, struggle to detect the precursors of implant failure and are often interpreted incorrectly. Our prior work has shown that the modification of PMMA bone cement with low concentrations of conductive fillers makes it piezoresistive and therefore self-sensing such that when combined with a conductivity imaging modality, such as electrical impedance tomography (EIT), it is possible to monitor load transfer across the PMMA using cost-effective, physiologically benign, and real-time electrical measurements. Herein, we expand upon these results by integrating machine learning techniques with EIT. We survey different machine learning algorithms and principal component analysis for application to this problem, including neural networks on voltage readings of an EIT phantom for tracking position of a sample, specifying defect location, and classifying defect types. Our results show advantage of neural network with more than 91.9 %, 95.5 %, and 98 % accuracy in interpreting EIT signals for location tracking, specifying defect location, and defect classification respectively. These preliminary results show that the combination of smart materials, EIT, and machine learning may be a powerful tool for diagnosing the origin and evolution of failure in joint replacement.

연구 동기 및 목표

• 현재 민감도가 제한된 후기 단계 영상 검사에 의존하는 고정 실패의 조기 진단이라는 임상적 과제를 해결하기 위해.
• 기계적 응력에 반응하여 전기 신호를 생성하는 피에조저항성 골수석 고착제를 사용하여 실시간, 비침습적 진단 방법을 개발하기 위해.
• 기계학습과 주성분분석(PCA)이 복잡한 EIT 신호를 해석하고 미세균열을 탐지하며 고장 유형을 분류하는 데 효과적인지 평가하기 위해.
• 전기저항율 단층촬영(EIT), 스마트 재료(피에조저항성 PMMA), 기계학습을 조합하여 임플란트 고장의 조기 진단 가능성을 입증하기 위해.

제안 방법

• 기계적 하중에 반응하여 전기 신호를 생성할 수 있도록 저농도의 도전성 필러를 첨가한 수정된 PMMA 골수석 고착제를 제작하여 피에조저항성 특성을 확보함.
• 관절 치환 조건을 시뮬레이션한 펌프 모델에서 전기저항율 단층촬영(EIT)을 사용하여 공간적 전도도 변화를 비침습적으로 측정함.
• 원시 EIT 전압 데이터와 PCA 처리된 데이터에 대해 피드포워드 신경망, KNN, SVM 및 앙상블 방법을 포함한 기계학습 알고리즘을 적용함.
• EIT 데이터의 차원을 축소하고 주요 패턴을 추출하기 위해 주성분분석(PCA)을 수행하여 이해 가능성과 모델 성능을 향상시킴.
• 실험 데이터의 75%를 훈련 데이터로 사용하고 나머지 25%를 테스트 데이터로 사용하여 5겹 교차검증을 수행함으로써 일반화 능력을 평가함.
• 세 가지 작업에 대해 모델 성능을 평가함: (1) 탱크 내 시편의 위치 추적, (2) 균열 방향 분류, (3) 네 가지 건강 상태 진단: 정상, 수직 균열, 수평 균열, 완전히 이완된 상태.

실험 결과

연구 질문

• RQ1 기계학습은 펌프 모델 내 관절 치환 시뮬레이터의 위치를 EIT 데이터에서 정확하게 국소화할 수 있는가?
• RQ2 기계학습은 전통적인 EIT 재구성 기법이 해결하지 못하는 미세한 EIT 신호 변동을 통해 균열 방향을 탐지할 수 있는가?
• RQ3 기계학습은 제한된 훈련 데이터로도 피에조저항성 골수석 고착제의 다양한 고장 유형을 EIT 신호를 기반으로 효과적으로 분류할 수 있는가?
• RQ4 PCA는 EIT 데이터에서 결함 유형을 분류하는 데 있어 기계학습 모델의 성능을 어느 정도 향상시키는가?

주요 결과

• 2층 피드포워드 신경망은 PCA 처리된 EIT 데이터를 사용하여 네 가지 건강 상태(정상, 수직 균열, 수평 균열, 완전히 이완된 상태)를 98%의 테스트 정확도로 분류함.
• KNN 알고리즘은 EIT 데이터의 첫 네 개 주성분을 사용하여 결함 유형을 98%의 테스트 정확도로 분류함.
• 신경망은 결함 분류 과제에서 훈련 및 검증 정확도가 각각 100%였고, 테스트 정확도는 96.2%였으며, 이는 모델의 강력한 일반화 능력을 보여줌.
• 주성분분석(PCA)은 결함 분류에 가장 효과적이었으며, 네 개의 주성분으로 데이터 변동성의 88%를 설명하고 건강 상태 간의 명확한 클러스터링을 가능하게 함.
• 신경망은 위치 추적과 균열 방향 분류 과제에서 다른 알고리즘을 능가하여 각각 91.9% 이상, 95.5% 이상의 정확도를 기록함.
• 피에조저항성 PMMA, EIT, 기계학습의 조합을 통해 시각적으로 나타나지 않는 미세균열의 발생 초기 단계를 탐지할 수 있었으며, 이는 조기 임플란트 고장 진단을 위한 잠재적 해결책을 제공함.