Wyniki wyszukiwania - BazTech

1

Single-channel EEG processing for sleep apnea detection and differentiation

Prucnal Monika A., Polak Adam G.

Metrology and Measurement Systems

|

2023

|

Vol. 30, nr 2

323--336

EN

Sleep apnea syndrome is a common sleep disorder. Detection of apnea and differentiation of its type: obstructive (OSA), central (CSA) or mixed is important in the context of treatment methods, however, it typically requires a great deal of technical and human resources. The aim of this research was to propose a quasi-optimal procedure for processing single-channel electroencephalograms (EEG) from overnight recordings, maximizing the accuracy of automatic apnea or hypopnea detection, as well as distinguishing between the OSA and CSA types. The proposed methodology consisted in processing the EEG signals divided into epochs, with the selection of the best methods at the stages of preprocessing, extraction and selection of features, and classification. Normal breathing was unmistakably distinguished from apnea by the k-nearest neighbors (kNN) and an artificial neural network (ANN), and with 99.98% accuracy by the support vector machine (SVM). The average accuracy of multinomial classification was: 82.29%, 83.26%, and 82.25% for the kNN, SVM and ANN, respectively. The sensitivity and precision of OSA and CSA detection ranged from 55 to 66%, and the misclassification cases concerned only the apnea type.

2

Minimization of Ventilator-Induced Lung Injury in ARDS Patients – Part I: Complex Model of Mechanically Ventilated ARDS Lungs

Glapiński J., Jabłoński I.

Metrology and Measurement Systems

|

2017

|

Vol. 24, nr 4

685--699

EN

A complex model of mechanically ventilated ARDS lungs is proposed in the paper. This analogue is based on a combination of four components that describe breathing mechanics: morphology, mechanical properties of surfactant, tissue and chest wall characteristics. Physical-mathematical formulas attained from experimental data have been translated into their electrical equivalents and implemented in MultiSim software. To examine the adequacy of the forward model to the properties and behaviour of mechanically ventilated lungs in patients with ARDS symptoms, several computer simulations have been performed and reported in the paper. Inhomogeneous characteristics observed in the physical properties of ARDS lungs were mapped in a multi-lobe model and the measured outputs were compared with the data from physiological reports. In this way clinicians and scientists can obtain the knowledge on the moment of airway zone reopening/closure expressed as a function of pressure, volume or even time. In the paper, these trends were assessed for inhomogeneous distributions (proper for ARDS) of surfactant properties and airway geometry in consecutive lung lobes. The proposed model enables monitoring of temporal alveolar dynamics in successive lobes as well as those occurring at a higher level of lung structure organization, i.e. in a point P0 which can be used for collection of respiratory data during indirect management of recruitment/de-recruitment processes in ARDS lungs. The complex model and synthetic data generated for various parametrization scenarios make possible prospective studies on designing an indirect mode of alveolar zone management, i.e. with a minimized risk of repeated alveolar recruitment/de-recruitment and mechanical overstraining of lung tissues.

3

Visual analysis techniques for medical diagnosis support

Rzeźniczak T.

Computer Science and Mathematical Modelling

|

2015

|

No. 2

33-41

EN

Taking into account vast amount of data available for general practitioners, medical diagnostic procedure can be treated as a complex analytical task. A doctor has to analyze the patient’s symptoms, medical test results, and medical knowledge, correlate everything and decide on the diagnosis. In order to do this more effectively, dedicated analytical tools and techniques can be used. The paper elaborates on the application of Map of Attributes (MoA) visualization technique for analysis of a patient’s health and disease pattern recognition. Various modes of using MoA are proposed and discussed. Furthermore, an application of diseases ranking preparation methods in visual filtering of diseases is presented. The methods use flexible similarity indices in conjunction with a graphical presentation of the Pareto model and Multidimensional Scaling model. Their goal is to allow physicians to narrow the space of detailed analysis in an interactive visual manner.

PL

Biorąc pod uwagę ilość danych dostępnych dla lekarzy, diagnostyka medyczna może być traktowana jako złożone zadanie analityczne. Lekarz musi przeanalizować symptomy pacjenta, wyniki jego badań oraz wiedzę medyczną, a następnie skorelować wszystko i zdecydować o diagnozie. W celu przeprowadzenia tego efektywnie, można zastosować dedykowane narzędzia i techniki analityczne. Artykuł omawia zastosowanie techniki wizualizacji Mapa Atrybutów – MoA (ang. Maps of Attributes) do analizy stanu zdrowia pacjenta oraz rozpoznawania wzorców jednostek chorobowych. W artykule przedstawione i przedyskutowane zostały różne możliwe tryby użycia MoA. Ponadto, zaprezentowane jest zastosowanie metod budowy rankingu jednostek chorobowych do wizualnego filtrowania chorób. Metody te wykorzystują elastyczne indeksy podobieństwa w połączeniu z graficzną prezentacją modelu Pareto oraz modelu MDS (ang. Multidimensional Scaling). Ich celem jest umożliwienie lekarzowi zawężania przestrzeni szczegółowej analizy w sposób wizualny i interaktywny.

4

Texture analysis as a tool for medical decision support. P. 1 Recent applications for cancer early detection

Duda D.

Advances in Computer Science Research

|

2014

|

Nr 11

61--84

EN

A great number of works have been devoted to developing different medical decision support systems, based on an image data. Such systems combine a wide range of methods for digital image analysis and interpretation. It has been proven that one of the most useful sources of information encoded in the image is its texture. Texture Analysis (TA) provides many important discriminating characteristics, not normally perceptible with visual inspection. With properly chosen TA methods, an image-based diagnosis could be considerably improved. However, the choice of the methods is not an easy task and often depends on the nuances of each diagnostic problem. The present work provides an overview of the most frequently used methods for texture analysis (statistical, model-based, and filter-based) and shows their advantages and limitations. It also includes an overview of texture-based medical decision support systems, recently proposed for cancer detection and classification.

PL

W ciągu ostatnich dwudziestu lat zaproponowano wiele komputerowych systemów wspomagania decyzji medycznych, opierających się na danych obrazowych. Systemy te są w stanie zlokalizować patologicznie zmienione obszary, opisać właściwości rozpatrywanych tkanek, jak również dokonać ich klasyfikacji. Istotnym źródłem informacji zawartej w obrazie jest jego tekstura. Cyfrowa analiza tekstur pozwala wykryć znacznie więcej szczegółów obrazu, niż zwykła analiza wizualna. Odpowiedni dobór metod analizy tekstur może przyczynić się do znacznego podwyższenia liczby trafnie rozpoznanych schorzeń. Wybór ten często zależy od niuansów danego problemu diagnostycznego. Niniejsza praca stanowi przegląd najczęściej stosowanych metod analizy tekstur (statystycznych, opierających się na modelach, wykorzystujących filtry) oraz pokazuje ich zalety i ograniczenia. Zawiera również przegląd najnowszych systemów do wczesnego wykrywania i rozpoznawania nowotworów, opierających się na analizie tekstury.

5

Texture analysis as a tool for medical decision support. P. 2 Classification of liver disorders based on computed tomography images

Duda D.

Advances in Computer Science Research

|

2014

|

Nr 11

85--108

EN

Texture analysis has already demonstrated its great potential in many digital image-based diagnostic systems. It allows to extract from an image many important diagnostic information, impossible to capture with only the visual appreciation. The first attempts to use a texture analysis (TA) as a tool for characterization of an image content took place in the 70’s of the last century. Since then a variety of methods have been proposed and found their application in many domains, also – in the medical field. However, it is still difficult to indicate a method that would ensure satisfactory results for any diagnostic problem. The present work gives an overview of the texture analysis methods, that have been applied for hepatic tissue characterization from Computed Tomography (CT) images. It includes details of about forty studies, presented over the past two decades, devoted to (semi)automatic detection or/and classification of different liver pathologies. Quoted systems are divided into three categories: (i) based on a single-image texture of non-enhanced CT images of the liver, (ii) based on a single-image texture of contrast-enhanced images, and (iii) based on a multiimage texture. The latter ones concern a simultaneous analysis of sets of textures, each of which corresponds to the same liver slice, but is related to a different contrast agent concentration in hepatic vessels.

PL

Analiza tekstur jest szeroko stosowana w wielu cyfrowych systemach wspomagania decyzji medycznych, na podstawie danych obrazowych. Pozwala ona wydobyć z obrazu istotne szczegóły, których nie można dostrzec podczas analizy wizualnej. Pierwsze próby analizy tekstur miały miejsce w latach siedemdziesiątych ubiegłego wieku. Od tamtej pory zaproponowano wiele metod analizy tekstur. Trudno jest jednak wskazać metodę uniwersalna, która zapewniłaby zadowalające wyniki dla każdego problemu diagnostycznego. Niniejsza praca stanowi przegląd metod analizy tekstur, stosowanych do opisu tkanki wątrobowej na obrazach tomografii komputerowej. Przedstawia informacje o około czterdziestu systemach diagnostycznych, zaproponowanych w ciągu ostatnich dwóch dekad, poświęconych (pół)automatycznemu wykrywaniu lub / i klasyfikacji schorzeń wątroby. Opisywane systemy zostały podzielone na trzy kategorie: (i) opierające się na teksturze pojedynczego obrazu, pozyskanego bez podawania pacjentowi środka kontrastującego, (ii) opierające się ´na teksturze pojedynczego obrazu, pozyskanego po podaniu pacjentowi środka kontrastującego, oraz (iii) opierające się na jednoczesnej analizie wielu tekstur. Te ostatnie odnoszą się do analizy zestawów tekstur przedstawiających ten sam wycinek wątroby, lecz odpowiadających różnym stężeniom środka kontrastowego w jej naczyniach krwionośnych.