Automatic Detection of Air Emboli in The Cerebral Circulation in Newborns By Ultrasound Doppler Technique

Abstract

Når spedbarn er født med hjertesvikt eller en annen form for defekt i hjertet kan det være nødvendig med kateterintervensjon eller hjertekirurgi. Slike inngrep kan føre til at luftbobler blir introdusert inn i blodstrømmen. En slik situasjon kan føre til tette arterier eller andre mer alvorlige komplikasjoner, og kan potensielt være dødelig. Av den grunn er det et stort behov for en metode for deteksjon av omganget av og posisjonene til luftbobler som befinner seg i blodårene, ettersom dette kan være til stor hjelp til behandlingen av komplikasjonene som kan medfølge luftembolisme. Ved analyse av analyse av Color M-mode-bildet og Doppler spektrogrammet visualusert gjennom systemet NeoDoppler og programvaren EarlyBird, kan ekkosignaler av bobler gjenkjennes som høyere intensiteter i blant ultralydsignaler av blodet.

I klinisk forskning detekteres luftbobler ved å manuelt søke etter høyere intensiteter i Color M-mode-bildet og Doppler spektrogrammet. Dette er en prosess som ikke bare er svært tidkrevende, men som også kan resultere i varierende resultater, ettersom deteksjonen kan baseres på ulike kriterier og variere avhengig av hvem som utfører deteksjonen. Helst skal også deteksjonen utføres opp til flere ganger og av ulike personer for en verifisering av resultatet.

Dette prosjektet har som mål å utvikle en algoritme for automatisk deteksjonen av luftbobler. Målet er å lage en algoritme som gjør prosessen av deteksjon mer effektiv, slik at den muligens kan assistere the menneskelige observatøren i the kliniske settinger.

Algoritmen starter med å lavpassfiltrere ultralydsignalet for raske fluktuasjoner i signalet. Videre sjekker algoritmen ultralydsignalet for artefakter. Deretter kan selve deteksjon begynne, og gjøres ved analyse av en dybde om gangen. For hver dybde vil bakgrunnssignalet bli estimert, slik at en deteksjonsterskel kan bli satt. Ethvert tidspunkt av lydsignalet med en amplitude over deteksjonsterskelen vil bli detektert. Videre vil algoritmen gjennomføre en korrigering av deteksjonene, ettersom boblenesignalene kan strekke seg over flere dybder og føre til flere deteksjoner av samme boble.

For treningen og testingen av algoritmen er det inkludert 650 ultralydopptak. For treningssettet er 68 av lydopptakene inkludert, og involverer to pasienter, én fra kateterintervensjon og én fra hjertekirurgi. Manuelle deteksjoner er også inkludert i prosjekter, ettersom de skal brukes for en sammenlikning med de deteksjonene algoritmen utfører og bidra til å avgjøre deteksjonsevnen til algoritmen. Treningssettet hadde totalt 75 deteksjoner, der 23 av deteksjonene var falske positive, og 78 var savnede deteksjoner som man kunne finne blant de manuelle deteksjonene.

For testsettet utførte algoritmen var 582 ultralydopptak inkludert, der opptakene var fra 26 forskjellige pasienter. 14 av pasientene var fra kateterintervensjon og 12 pasienter var fra hjertekirurgi. Det ble totalt detektert 351 deteksjoner i testsettet. Av disse var 241 deteksjoner falske, og 259 av de manuelle deteksjonene var savnet blant algoritmenes deteksjoner.

Hovedårsakene til den store andelen med falske deteksjoner og savnede deteksjoner inkluderer strenge kriterier for hva som kan gjenkjennes som et boblesignal, samt artifakter som er tilstede i opptaket. videre kan også uoverenstemmelsen mellom kalkulert emboli-til-blod ratio (EBR) av de automatiske deteksjonene og de manuelle deteksjonene forklare et svakere resultat.

Infants who are born with heart defects may need catheter intervention or heart surgery as treatment. Such interventions can cause air bubbles to be introduced into the bloodstream. These events can cause clogged arteries or other more severe issues for the patient and can potentially be fatal. Consequently, a method for detecting the extent and locations of air bubbles situated in the bloodstream is crucial for the treatment of the complication that may result from air embolism. By utilizing the NeoDoppler system for the ultrasound analysis of the cerebral blood flow, accompanied with the EarlyBird software, higher intensities of the ultrasound signal can be recognized as air bubbles by analyzing the Color M-Mode image and Doppler spectrogram.

In clinical research, air bubbles are detected by manually searching the Color M-Mode image and Doppler spectrogram for areas of higher intensities. This process is very time-consuming and can result in mixed results depending on which criteria are used for the detection and by whom the detection is performed. Preferably, the detection process should also be performed multiple times and by different people to verify the result. In this project, the aim is to develop an algorithm that performs automatic detection of air emboli in the cerebral circulation to increase the efficiency of the detection process and assist the human observer in the clinical environment.

The algorithm starts the detection process by prepping the ultrasound signal with a lowpass filter. Furthermore, the algorithm is checked for artifacts. Then, the actual detection process is performed by analyzing one depth at a time. For each depth, the background signal is estimated. Each point of the recording with an intensity higher than a chosen threshold above the background signal will be detected. Then, the detections will go through a correction process, as some of the bubbles detected might be noticeable over multiple depths.

For the training and testing of the algorithm, there were in total 650 recordings included in this project. For the training of the algorithm, 68 of the recordings were used, involving one patient during transcatheter intervention and one patient during heart surgery. Manual detections of the recordings are also included for the ability to measure the performance of the algorithm. The training set had 75 detections, where 23 of the detections were false positive, and 78 detections were missed in comparison with manual detections.

For the test set, a total of 582 recordings was included, consisting of 26 different patients, 14 patients during catheter intervention, and 12 patients during heart surgery. In total, 351 detections were obtained, where 241 of these were false detections and 259 were missed detections.

The strict criteria for the detection of air bubbles used in this algorithm might be the reason for the large amount of missed detections, as well as artifacts present in the ultrasound signal and an in-agreement of the emboli-to-blood ratio of the detections made by the algorithm and the emboli-to-blood ratio estimated for the manual detections included for comparison.