监督和无监督学习用于电阻断层扫描中的肺 perfusion 数据分割

科学领域:

• 身体生理学 身体生理学
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 机械通风可以破坏肺通风和 perfusion 之间的平衡,这对气体交换至关重要.
• 电阻断层扫描 (EIT) 用于肺 perfusion 评估,通常使用盐水注射.
• 为了进行准确的分析,EIT数据需要细分,以区分肺 (仅肺) 和混合 (心脏和肺) 指示途径.

研究的目的:

• 开发和比较监督和无监督学习算法,以对通过EIT获得的肺 perfusion 数据进行细分.
• 评估这些算法的性能,以区分肺与混合指标动力学.
• 评估急性肺损伤对细分方法性能的影响.

主要方法:

• 16只猪接受机械通风,EIT用于评估注射盐水后的肺 perfusion.
• 监督 (袋式树,神经网络,支持矢量机) 和无监督 (K-means,层次,主要组件分析) 的学习方法应用于voxel波形.
• 训练和测试方法与手动绘制的地面真相面具相对应,在健康和受伤的肺部状态下评估性能.

主要成果:

• 主要组件分析 (无监督学习) 显示出卓越的性能:83%的灵敏度,92%的特异性,89%的准确性和84%的子相似系数.
• 在健康和受伤的肺部条件之间,性能是一致的.
• 与监督方法相比,无监督方法产生了更具生理可信性和更少分散的感兴趣区域.

结论:

• 通过有效的细分,准确的voxel标签对于使用EIT进行可靠的肺 perfusion评估至关重要.
• 主要组件分析提供了一种强大而有效的无监督方法,用于细分EIT衍生的肺 perfusion 数据.
• 改进的细分增强了指标流通路径的区分,从而更好地估计了区域肺血流.