Deteksjon av luftembolier i hjernen hos nyfødte ved hjelp av ultralyd Doppler

Abstract

Når spedbarn er født med en form for hjertefeil kan kateterintervensjon eller hjerte-kirurgi hjelpe. Dette kan føre til at luftbobler, eller embolier, kommer inn i blodstrømmen. Årsaken er for det meste ukjent, men konsekvensene kan være tette arterier og andre alvorlige komplikasjoner hos pasienten. En metode for å detektere når, hvor og hvor mange bobler som kommer inn i blodstrømmen er viktig for å få et innblikk i hvilke metoder som bør brukes eller unngås. Ved å se på ultralyd Doppler-bildet av den cerebrale blodstrømmen, målt med det nylig utviklede NeoDoppler-systemet og det tilhørende EarlyBird-programmet, kan ekkosignalene fra bobler med høyere intensitet gjenkjennes blant blodsignalet.

I dag telles boblene ved å søke gjennom ultralydbildet av signalet manuelt. Dette er tidkrevende siden det må gjøres flere ganger for å være sikker på at alle boblesignaler har blitt telt, og det må noen ganger gjennomføres av flere personer for å se om de kommer fram til det samme. Dette prosjektet hadde som mål å utvikle en automatisk deteksjons-algoritme for å detektere bobler mer effektivt og nøyaktig enn manuelt å gå gjennom alle dybder av hvert opptak i ultralydbildet. Algoritmen går automatisk gjennom hver dybde og teller signaler med intensitet over en viss terskel. For å bli detektert som en boble, blir lengden av signalet sammenliknet med en forventet boblelengde funnet ved Dopplerskiftet. I algoritmen sjekkes det også at signalet ikke kommer av medisinske instrumenter, og et bakgrunnssignal estimeres ved medianfiltrering. Ved å prøve og feile ble det funnet at terskelverdien som ga flest korrekte deteksjoner med så få falske positive som mulig for alle 16 opptak i treningssettet var 9 dB over bakgrunnssignalet. Et lavpassfilter med cutoff-frekvens på 20 Hz fjernet også de fleste falske deteksjonene i opptak uten bobler. Algoritmen har en kjøretid på omtrent 30 sekunder for et 30 minutter langt opptak. Med de nevnte innstillingene ga treningssettet 59 riktige, 10 falske positive og 39 tapte deteksjoner sammenliknet med de manuelt telte boblene.

Testsettet som ble brukt for endelig evaluering av algoritmen besto av 405 opptak fra 16 pasienter under kateterintervensjon og 2 pasienter med opptak før, under og etter hjerte-kirurgi. Testsettet hadde 1623 deteksjoner der 1337 av dem var falske positive, for det meste grunnet sykliske variasjoner med hjertefrekvensen. I et mindre datasett var 84.6% av de falske positive på grunn av sykliske variasjoner. Andre grunner er bevegelse av ultralydproben, doble deteksjoner og pulsasjoner av blodåreveggen. Det var ikke mange eksempler på dette i treningssettet, som er grunnen til at algoritmen ikke kompenserer for disse typene falske positive. For å få flere riktige deteksjoner må artefakter av disse typene gjenkjennes ved å lage funksjoner som tar seg av hver sin type falsk deteksjon i algoritmen. Dette kan også gjøre det mulig å senke terskelen så flere bobler detekteres riktig uten for mange falske.

When infants are born with a heart defect, catheter intervention or heart surgery may fix the issue. Such interventions can cause air bubbles, or emboli, to flow into the blood stream. The exact reason for this is mostly unknown, but the consequences include clogged arteries and other major problems for the patient. A method of detecting when, where and how many bubbles enter the blood stream is important to get an insight of which procedures should and should not be performed. By looking at the ultrasound Doppler image of the cerebral blood flow using the newly developed NeoDoppler system with the accompanying EarlyBird software, the higher intensity echo signals of air bubbles can be recognised among the surrounding blood signal.

Today, the bubbles are counted by manually searching through the ultrasound image of the signal. This is time consuming as it has to be done multiple times to be sure all bubble signals have been detected, and is sometimes done by multiple people to see if they reach the same conclusion. In this project, the aim is to develop an automatic detection algorithm to increase the efficiency and accuracy of the bubble detection compared to manually going through each recording. The algorithm automatically goes through each depth and counts signals with an intensity above a threshold. To be detected as bubbles, the signal length is compared to an expected bubble length found by the Doppler shift. The algorithm also checks that the high intensity signal is not an artifact caused by medical instruments, and estimates the background signal by median filtering. By trial and error, the threshold giving most correct detections with as few false positives as possible for all 16 recordings in the training set was 9 dB above the background signal. A low pass filter with a cutoff frequency of 20 Hz proved to discard most of the unwanted false detections in recordings with no bubbles. The algorithm has a run time of roughly 30 seconds for a 30 minute recording. With the mentioned settings, the training set had in total 59 correct, 10 false positive and 39 missed detections compared to the manual counting.

The test set used for final evaluation of the algorithm consisted of 405 recordings from 16 patients during catheter intervention and 2 patients with recordings pre, during and post heart surgery. The test set had 1623 detections where 1337 were false positives, mostly due to cyclic variations with the heart frequency. In a smaller data set, 84.6% of false positives were due to cyclic variations. Other reasons are movement of the ultrasound probe, double detections and pulsations of the artery wall. There were not many examples of this in the training set, which is why the algorithm does not compensate for these types of false positives. To improve the rate of correct detections, artifacts of these types should be avoided by adding functions taking each type of false detection into consideration. This could also make it possible to lower the threshold, increasing the number of correct and reducing the number of missed detections.