پایان نامه کارشناسی ارشد

عنوان:

تشخیص آمبولي با استفاده ازپردازش سیگنال داپلر اولتراسوند

نگارنده:

محمود قندي

استاد راهنما: دکتر بیژن وثوقی وحدت 
استاد همکار: دکتر فرخ مروستی
 
شماره دانشجویی 82255818


چکيده

امروزه تلاش زيادي جهت تشخیص وجود آمبولی در دستگاه گردش خون و شناسایی بيماراني كه ريسك بالايي براي حملات ترومبو-امبوليك دارند صورت می‌گیرد. در صورت تشخیص وجود آمبولي‌هاي كوچك در خون، در بسیاری موارد مي‌توان با تنظيم مقدار دارو و اعمال مراقبت‌هاي لازم، مانع از تشکیل آمبولی‌های بزرگ‌تر و بروز ايسكمي شد. یکی از روش‌های شناخته شده برای تشخیص آمبولی، استفاده از داپلراولتراسوند می‌باشد. 
در این تحقیق، روش‌هاي مختلف ارائه شده جهت تشخيص اتوماتيك وقوع آمبولي از روي سيگنال داپلراولتراسوند مورد بررسی قرار گرفته‌اند. بیشتر این روش‌ها مبتني بر آناليز فوريه سيگنال با به‌کارگیری تبدیل STFT  می‌باشند. STFT از مزیت سادگی و قابلیت پیاده‌سازی سریع برخوردار است، با وجود این همان‌طور که در این تحقیق نشان خواهیم داد در تشخیص میکروآمبولی‌ها که سیگنال‌هایی با دوره زمانی کوتاه و پهنای باند کوچک هستند، قابلیت بالایی ندارد وبرخی پردازش‌های پیچیده‌تر زمان-فرکانس سیگنال داپلر می‌تواند جایگزین آن شود. 
برخی از مقالات، استفاده از مدل  AR برای مدل‌سازی سیگنال داپلر را به منظور تشخیص آمبولی پیشنهاد کرده‌اند. در این تحقیق نشان داده خواهد شد که اگرچه مدل‌سازی AR، قابلیت تشخیص آمبولی‌های کوچک را دارد و از لحاظ حجم محاسباتی نیز مناسب است، در تفکیک بین آمبولی و اغتشاش قابلیت بالایی ندارد.
در این تحقیق، یک ساختار سه‌لایه برای شناسایی بلادرنگ آمبولی ارائه شده‌است که تا حد امکان مشکل تشخیص آمبولی‌های کوچک و نیز تفکیک آن‌ها از اغتشاشات را برطرف می‌کند. در لایه اول، تشخیص رخداد با استفاده از یک مدل وفقی AR انجام می‌شود و قسمت‌های مشکوک به آمبولی در سیگنال شناسایی می‌گردد. در لایه دوم، فیلتر هوشمند مبتنی بر موجک Daubechies مرتبه 8 وجود دارد که برای تقویت آمبولی‌های کوچک طراحی شده است. موجک Daubechies مرتبه8، شکل زمانی شبیه یک سیگنال آمبولیک دارد و می‌تواند به‌عنوان تقریبی از فیلترتطبیق در تشخیص آمبولی مؤثر باشد. در لایه نهایی، طبقه‌بندی کننده مبتنی بر شبکه عصبی مصنوعی وجود دارد که وظیفه تشخیص آمبولی و تفکیک سیگنال آمبولیک از شبه‌آمبولیک را دارا می‌باشد.
ساختار پیشنهاد شده در محیط MATLAB و Microsoft Visual C++ پیاده‌سازی شده است. سیگنال داپلر از طریق پورت ورودی کارت صوتی، وارد کامپیوترمجهز به پردازشگر Pentium 2GHz می‌شود و تشخیص آمبولی به‌صورت بلادرنگ صورت می‌گیرد.
ساختار پیشنهادی بر روی داده‌های واقعی که از 10 بیمار مبتلا به تنگی شریان کاروتید تهیه شده است، آزمایش شده است. نتایج نشان می‌دهد که استفاده از روش پیشنهادی مبتنی بر الگوریتم LMS قابلیت تشخیص میکروآمبولی‌های تا اندازه EBR=6dB را با حساسیت 95% ایجاد می‌کند. هم‌چنین بکارگیری فیلتر موجک هوشمند باعث تقویت به‌طور میانگین 2dB برای سیگنال‌های آمبولیک و حدود 10% بهبود حساسیت کل سیستم در تشخیص میکروآمبولی‌ها شده است.

کليد واژگان:
 داپلراولتراسوند- تشخيص اتوماتيك - آمبولی - مدل‌سازی AR.


Abstract
Asymptomatic circulating cerebral emboli can be detected by transcranial Doppler ultrasound. The presence of cerebral embolic signals is an independent predictor of transient ischemic attack (stroke) in patients with carotid stenosis. Detection of emboli may therefore help to identify high-risk patients requiring specific therapeutic interventions. The most fascinating attribute of ultrasound and in particular Transcranial Doppler (TCD) is its versatility, safety and applicability to a range of preventative health monitoring tasks.
In this research, we have investigated several methods proposed in the literature for automatic detection of micro emboli in TCD signal. Most of these methods are based on spectral analysis of TCD signal employing short time Fourier transform (STFT). STFT has the advantage of being simple and efficiently implementable. But, as shown in this research, it has a poor performance when employed in detection of micro embolic signals (with EBR < 10dB) which are short duration narrowband signals. Some other more sophisticated time-frequency analysis can replace STFT for a more accurate analysis of such signals. 
Some authors have proposed methods based on adaptive autoregressive (AR) modeling of TCD for the purpose of automatic detection of micro emboli in blood circulating system. In this research, we have shown that although these methods have the potential of detecting micro emboli, and the advantage of being computationally simple, they have poor performance in discrimination between emboli and artifacts. 
In this research, we have designed and implemented a 3 layered embolic detection scheme to overcome the problem of detection of micro emboli and discrimination between emboli and artifact. The first layer is the event detector layer. In this layer, adaptive AR modeling is employed to specify the discontinuities in the TCD signal. These discontinuities might be originated by either emboli or artifacts. In the second layer, an intelligent wavelet filtering scheme based on the Daubechies 8th order wavelet is applied to enhance micro embolic signals. Daubechies 8th order wavelet has similarities to embolic signals and at various dilations it represents an approximation of a matched filter. It can also be implemented efficiently. Finally in the third layer, 6 features are extracted from the enhanced TCD signal and are fed to a 3 layer artificial neural network (ANN) for discrimination between emboli and artifact. 
We have implemented the whole system in Microsoft Visual C++ language. The TCD signal is fed into the system via the Line-in port of the PC sound card. The system performs micro emboli detection in real time on a PC equipped with a 2 GHz Pentium processor. 
The system has been tested with real data taken from 10 patients with carotid artery stenosis and the results are compared with the previous STFT-based and AR-based methods. It has been shown that employing the wavelet filter, an increase of over 2dB (on average) in embolic signal strength and a significant improvement in detection accuracy are achieved. The proposed method is also shown to be noise-tolerant.



Key words
Doppler ultrasound, AR modeling, Emboli detection.