Wybrane zastosowania obliczeń inteligentnych w medycynie

Transkrypt

1 Instytut Elektroniki Politechniki Łódzkiej Wybrane zastosowania obliczeń inteligentnych w medycynie Paweł Strumiłło Zakład Elektroniki Medycznej Obliczenia inteligentne i ich zastosowania, Uniwersytet Zielonogórski, 9 grudnia 2005

2 Plan referatu Rys historyczny technika w medycynie Obliczenia inteligentne w diagnostycznych systemach medycznych modelowanie pracy serca analiza elektrokardiogramów analiza obrazów 2D i synteza obrazów 3D Nowe problemy obliczeniowe w medycynie ZEM Platformy sprzętowe dla obliczeń inteligentnych Kierunki rozwoju obliczeń inteligentnych w medycynie 2

3 Technika w medycynie (era bez komputerów) wynalezienie mikroskopu mikrobiologia: Robert Koch - Nagroda Nobla 1905 r. promieniowanie X: Roentgen 1896 r. aparat EKG: Willem Einthoven - Nagroda Nobla 1924 r. wyjaśnienie mechanizmu elektrokardiogramu Diagnostyka Clinical Image Management Einthoven Foundation 3

4 Technika w medycynie (era komputerów) rentgenoska tomografia komputerowa (Cormack, Hounsfiled - Nagroda Nobla 1979 r.) tomografia rezonansu magnetycznego (Lautenburg, Masfield Nagroda Nobla 2003 r.) badania funkcjonalne MRI Tomografia pozytronowa (PET) endoskopia komputerowa ultrasonografia Diagnostyka 2003 Kent Medical Imaging 2005 Columbia University functional MRI 4

5 Technika w medycynie (era bez komputerów) Narkoza (J.Y. Simpson ) Antyseptyka w chirurgii (Joseph Lister ) Szczepionki (L. Pasteur ) Farmakologia (penicylina, A. Fleming 1928) Przeszczepy (C. Barnard 1967) Leczenie Groote Schuur Hospital 5

6 Technika w medycynie (era komputerów) Roboty chirurgiczne (kardiochirurgiczne) Planowanie terapii Terapia laserowa ADAC Laboratories Protezy (słuchu, wzroku, sztuczne serce, inteligentne defibrylatory) John Hopkins Nanotechnologia Leczenie Lydia V. Kubiuk. 6

7 Obliczenia inteligentne w medycznym systemie diagnostycznym Detekcja Detekcja cech cech diagnostycznych diagnostycznych Opis Opis cech cech Dane diagnostyczne Przetwarzanie Przetwarzanie (sygnałów/danych) (sygnałów/danych) Akwizycja Obliczenia (inteligentne) Wiedza Modelowanie, ekspert, systemy pozyskiwania wiedzy Klasyfikacja Diagnoza 7

8 Model oscylatora neuronowego w ee I e x e w ei w ie x i τ e τ i dx e dt dx i dt w ii = x + e = x + i S e S i ( ) w x + w x + I ee e ei e ( ) w x + w x ii i ie e e 8

9 Łańcuch sprzężonych oscylatorów k-3 k-2 k-1 k k+1 k+2 warstwa pobudzająca warstwa hamująca Równanie fazowe: dϕ dt j = ω + V j jk j ( ϕ ϕ ) j k funkcja odpowiedzi fazowej 9

10 Model systemu bodźcotwórczego serca Czas Tor pobudzenia Texas Heart Institute 10

11 Synchronizacja sprzężonych oscylatorów 11

12 12 ( ) i e i i i i x, x S x t x + = τ ( ) i e e e e e e e x, x D x S x t x = τ ( ) ( ) i e i i i e e e x, x g x D t x x, x f x D t x + = + = Równanie reakcji Równanie reakcji-dyfuzji: dyfuzji: Siatka sprzężonych komórek Siatka sprzężonych komórek

13 Model pobudzenia elektrycznego tkanki serca rytm prawidłowy 13

14 Migotanie komór atak serca migotanie komór 14

15 Zapisy EKG i ich widma Fouriera Model Zapis EKG 15

16 Idea inteligentnej defibrylacji Pojedynczy impuls Seria impulsów P. P. Strumiłło, Neurodynamic modelling of ofthe human humanheartbeat, Univ. Univ. Strathclyde,, UK, UK,

17 Teoria chwilowej korelacji Von der Malsburg 1981 cechy obiektu: { kolor, kształt, tekstura,...} 17

18 Sieć sprzężonych oscylatorów Local Exitatory Globally Inhibitory Oscillatory Network - LEGION dx dt dy dt = 3x x + 2 y = ε γ 1 + tanh 3 + I T x β y dr inż. Michał Strzelecki I T ~ W k N( i ) ik H( x k θ ) GI x W z + I in 18

19 t1 t2 t3 t4 t 19

20 Segmentacja obrazów 1. Filtracja morfologiczna obrazów binarnych 2. Detekcja krawędzi obiektów i tekstur 20

21 Separacja sygnałów składowych Sygnały źródłowe Sygnały zmieszane Odseparowane składowe sygnałów źródłowych s 1 s 2... s n Macierz mieszania A n m x 1 x 2. x m x = As Macierz rozplatania B y 1 y 2. y n y = Bx Kurtoza (wsp. koncentracji): κ 4 2 ( x) = E[ x ] 3( E[ x ]) 2 Fast ICA: w [ ( ) ] T 3 y 3w( 1) ( k) E y w( k 1) = k 21

22 Separacja sygnałów Sygnały zmieszane Sygnały rozplecione P. Otlewski, Identyfikacja arytmii serca za pomocą ślepego rozplatania składowych sygnału EKG, Zakład Elektroniki Medycznej, PŁ,

23 Separacja składowych EKG Funkcja autokorelacji QRS sygnału oryginalnego Funkcja autokorelacji po separacji składowych Migotanie przedsionków 23

24 Diagnoza - rozwiązanie zagadnienia odwrotnego Aarhus University Hospital, Denmark RV LV ~ ~ ~ ~ ~ ~ ε = V = T ~ V -T ~1-3 mv ( X) ( X) 2 X = ~ ~ ( T ) -1 T + T T T V = T V 24

25 Mapa czynności elektrycznej serca I 12-kanałowy zapis EKG 5 V 1 0 V [mv] II III a VR a VL V V V V 5 0 Meridian Medical AVF t [s] CNRG V t [s] 25

26 Analiza danych medycznych Problem selekcji cech o największych wartościach współczynników: separacji klas (zdrowy/chory) dodatniej wartości prognostycznej ujemnej wartości prognostycznej Wydzielane cech Selekcja cech x 1 x x d Y = T ( X ) d>m y i 1 y i 2... y i m x 1 x x d X X i d>m x i 1 x i 2... x i m 26

27 Analiza danych medycznych Cechy tekstur obrazów COST B11 Sieć NDA Metody statystyczne Liniowa analiza dyskryminacyjna Nieliniowa analiza dyskryminacyjna Reguła Bayesa Klasyfikator Parzena Reguła k-nn NDA Analiza składowych głównych (PCA) PCA LDA LDA Sztuczne sieci neuronowe Perceptron Perceptron wielowarstowy Perceptron wielowarstowy Sieć RBF Sieci autoasocjacyjne,, konkurencyjne Sieć Kohonena LVQ f 1 f 2 f 3 27

28 Wczesna diagnoza ataku serca i=53 h=18 38 symptomów Zbiór uczący: 300 przypadków Kodowanie symptomów (53 bity) 1 - atak serca 0 - inne przyczyny Lekarz Sieć Lekarz + Sieć Czułość 80 % 86 % 96 % Specyficzność 82 % 87 % 86% Dokładność 81 % 87 % 89 % S µ m Symptomy prognostyczne: f = x H µ cechy sygnału ' EKG j (+) = φ w µ j epizody m bólu j H (-) xm ' = φ j H φ w uwarunkowania dziedziczne (-) ' j j w jm R. F. Harrison, S.J. Marshall, R.L. Kennedy, The Early Diagnosis of Heart Attacks: A Neurocomputational Approach, IJCNN,

29 Metoda elastycznych siatek 0,0 obiekt, przedmiot analizy 0,0 0,1 1,0 obiekt wzorcowy i,j-1 I m -1,J m -1 i,j i+1,j i,j+1 punkt węzłowy I m -1,J m -1 Wektor siły: dr inż. Piotr Szczypiński F K ( i, j) = Z( u ( i, j) w ( i, j) ) k = 1 k k G G k k ( v( i, j) ) ( v( i, j) ) 29

30 Obliczenia inteligentne w medycynie Procedura dopasowania pierścieni MDR Składanie mapy Obrazy Dane z kapsuły z WCE Estymata prędkości kapsuły WCE Klatka wideo odpowiadająca wskazywanemu miejscu na mapie Mapa przewodu pokarmowego dr inż. Piotr Szczypiński 30

31 Rekonstrukcja trójwymiarowa naczyń serca Rekonstrukcja Modelowanie powierzchni dr inż. Piotr Makowski, ZEM 31

32 Prace Zakładu Elektroniki Medycznej Przetwarzania i analizy sygnałów oraz obrazów biomedycznych Zastosowania inteligentnych obliczeń w medycynie i technice (biometria, systemy komunikacji-człowiek człowiek komputer, wspomaganie osób niepełnosprawnych) Realizacje sprzętowe (DSP, AISIC) 32

33 Problemy tworzenia globalnych sieci zdrowia Analiza obrazów Analiza obrazów Bazy danych Systemy drążenia danych danych Analiza obrazów Wiedza Wiedza (diagnoza,terapia) Środki techniczne Standardy: danych, struktury baz danych, procedury medyczne 33

34 Obliczenia inteligentne w medycznym systemie diagnostycznym Detekcja Detekcja cech cech diagnostycznych diagnostycznych Opis Opis cech cech Dane diagnostyczne Przetwarzanie Przetwarzanie (sygnałów/danych) (sygnałów/danych) Akwizycja Obliczenia inteligentne Klasyfikacja Diagnoza Metawiedza (model) - banki danych, wiedza lekarzy! - Semantic WEB, UML Terapia 34

35 Systemy biomedyczne populacja pacjent komórki organy Biologia systemowa (medycyna) białka biology.kenyon.edu Fizjomika E. Microscopy Center Teraview Proteomika geny Comparative Genomics Lab Genomika Biologia molekularna Na podstawie: P. Strumiłło, T. Wong, Wybrane, J. Chen, zastosowania Emerging biomedical obliczeń inteligennych technologies at w the medycynie, micro nd Uniwersytet nano levels,, Zielonogórski, IEEE Signal Proc 9 grudnia Mag, July

36 Platformy obliczeniowe - VLSI DSP szybkie wyznaczanie iloczynu skalarnego CMOS µm 36

37 Obliczenia molekularne - DNA computing Nukleotydy: 0.35 nm!!! Adenina (A) Cytozyna (C) Guanina (G) Tymina (T) Podwójna spirala DNA Addison Wesley Longman Inc. Alfabet symboli: { A,C,G,T} Pojemność informacyjna: 1cm 3 bilion CD ROM 37

38 Obliczenia molekularne - DNA computing Enzym restrykcyjny www-math.mit.edu Prędkość działań: replikacja 500 par/sek Możliwe obliczenia równoległe! 1J Krzem DNA ~10 9 działań ~10 19 działań Krzem DNA 300 TFLOPS 330 TFLOPS IBM The Blue Gene/L 38

39 Przykład obliczeń molekularnych 1 1 CTAGTA Chicago ATGCCG Nowy Jork L. Adleman 1993 problem komiwojażera Los Angeles 2 4 Syntezator DNA GCTACG Dallas TCGTAC 3 Miami CTACGG Kodowanie łańcuchów DNA 2 C G G A T G Ligaza Will Ryu Łączenie łańcuchów DNA 39

40 Przykład obliczeń molekularnych Will Ryu Polimeraza 3 Tworzenie wielu łańcuchów DNA o zadanej sekwencji startu i stopu (New York) TGC TAC (Los Angeles) 4 Will Ryu Elektroforeza Wisconsin Univ. 30 bp Sortowanie długości łańcuchów DNA 40

41 Przykład obliczeń molekularnych 5 Will Ryu Oczyszczanie Detekcja łańcuchów DNA z pojedynczym kodem miasta Will Ryu Polimeraza 6 Selekcja łańcuchów DNA o zadanej sekwencji startu i stopu 41

42 Technika mikromacierzy DNA National Human Genome Research Institute Affymetrix Wikipedia badanie morfologiczne genów 42

43 Technika mikromacierzy DNA Znaczenie badania DNA: diagnoza chorób ocena podatności na choroby (prognoza chorób) planowanie terapii Zadania obliczeniowe: drążenie danych (poszukiwanie skupień) detekcja złożonych łańcuchów danych klasyfikacja niepewnych danych systemy wspomagania decyzji Web-based intelligent software Stanford 43

44 Obliczenia inteligentne w medycynie Podsumowanie - kierunki rozwojowe: Diagnostyka systemy analizy wielkiej liczby danych i sygnałów (technologie DSP, inżynieria wiedzy, genomika, proteomika, sieci semantyczne, standardy) Terapia farmakologia (sprzedaż w USA 36 mld $), systemy automatyki medycznej (nawigacja komputerowa, systemy podtrzymania życia, planowanie terapii, sztuczne narządy) Systemy zindiwidualizowanej diagnostyki i terapii 44

45 Obliczenia inteligentne w medycynie Systemy zindiwidualizowanej diagnostyki i terapii We are still living in a mainframe era of healthcare what we need is the healthcare equivalent to the low cost PC Andy Grow,, Intel Corp. 45