経験的モード分解と1次元畳み込みニューラルネットワークに基づく動静脈シャント狭窄評価:臨床試験段階

Chia-Hung Lin, Jian-Xing Wu, Chung-Dann Kan, Pi-Yun Chen, Wei-Ling Chen,
Arteriovenous shunt stenosis assessment based on empirical mode decomposition and 1D-convolutional neural network: Clinical trial stage,
Biomedical Signal Processing and Control,
Volume 66,
2021,

Patients suffering from end-stage renal disease usually receive dialysis therapy. The arteriovenous (AV) shunt is a vital vascular access for achieving sufficient blood flow in the vein during hemodialysis and can be either an arteriovenous fistula (AVF) or an arteriovenous graft (AVG). However, the lumens of dialysis accesses are frequently narrowed by thrombosis, resulting in stenosis at the venous anastomosis site or progression of inflow stenosis at the arterial anastomosis site. A narrowed vascular wall will produce abnormal physical stress and cause turbulent flow and high blood pressure. Hence, murmur sounds will occur around the stenotic site. The auscultation method is a noninvasive technique to detect these sounds as phonoangiograph (PAG) signals. The empirical mode decomposition (EMD) method is used to decompose intrinsic fast and slow oscillation components from PAG signals. In this study, the slow oscillation component containing key spectral energy distributions (< 100, 100–300 Hz, and > 300 Hz) will be used to identify the normal and abnormal conditions for further stenosis level assessment. After extracting key frequency-based features using EMD, 1D convolutional and pooling processes, feature patterns can be extracted from spectral patterns, which can distinguish distinct feature patterns and reduce the dimensions of feature patterns and the number of feature datasets for training the classifier. Next, a convolutional neural network-based classifier is used to assess the stenosis levels at a near venous anastomosis site. Its model can solve nonlinear mapping applications and nonlinear separable classifications, including the normal condition, AVG stenosis, and AVF stenosis. The experimental tests with cross-validation will indicate that the proposed method provides a promising result in clinical trials, including mean recall (%), mean precision (%), mean accuracy (%), and a mean F1 score of 95.35 %, 89.49 %, 86.82 %, and 0.9232, respectively, by offering an automatic procedure for AV shunt stenosis assessment without the need for manual feature extraction and classification.

末期腎疾患を患っている患者は通常、透析療法を受けます。動静脈(AV)シャントは、血液透析中に静脈内の十分な血流を達成するための重要な血管アクセスであり、動静脈瘻(AVF)または動静脈グラフト(AVG)のいずれかであり得る。しかし、血栓症により透析アクセスの内腔が狭くなることが多く、静脈吻合部位の狭窄や動脈吻合部位の流入狭窄の進行を招きます。血管壁が狭くなると、異常な身体的ストレスが発生し、乱流や高血圧を引き起こします。したがって、狭窄部位の周囲に雑音が発生します。聴診法は、これらの音を蓄音器(PAG)信号として検出するための非侵襲的な技術です。経験的モード分解(EMD)法は、PAG信号から固有の高速および低速発振成分を分解するために使用されます。この研究では、主要なスペクトルエネルギー分布(<100、100〜300 Hz、および>300 Hz)を含む低速発振成分を使用して、さらなる狭窄レベル評価のための正常および異常な状態を特定します。EMD、1D畳み込み、プーリングプロセスを使用して主要な周波数ベースの特徴を抽出した後、スペクトルパターンから特徴パターンを抽出し、異なる特徴パターンを区別し、特徴パターンの次元と分類器をトレーニングするための特徴データセットの数を減らすことができます。次に、畳み込みニューラルネットワークベースの分類器を使用して、静脈近傍吻合部位の狭窄レベルを評価します。そのモデルは、非線形マッピングアプリケーションと、正常状態、AVG狭窄症、AVF狭窄症などの非線形分離可能な分類を解決できます。交差検証による実験的検定は、提案手法が臨床試験で有望な結果をもたらすことを示しています 平均再現率(%)、平均精度(%)、平均精度(%)、および平均F1スコア それぞれ95.35%、89.49%、86.82%、および0.9232、手動の特徴抽出および分類を必要とせずに、AVシャント狭窄評価のための自動手順を提供します。