Sistema radar UWB per la diagnosi precoce di trauma cranico

Transcript

1 Sistema radar UWB per la diagnosi precoce di trauma cranico Elisa Ricci Università degli Studi di Roma «Tor Vergata» Facoltà di Ingegneria

2 OBIETTIVO Utilità: Diagnosi precoce emorragie e ischemie cerebrali Requisiti: Scenario: Affidabilità Risposta rapida Trasportabilità Ambulanza/ Primo Soccorso

3 OBIETTIVO Progettazione di un dispositivo innovativo basato su radar UWB a microonde, per la diagnosi precoce di anomalie cerebrali Basso costo Non invasivo Bassa complessità Rapida risposta Trasportabile

4 SOMMARIO Microwave Imaging Sistema Pre-Processing Sistema acquisizione Processing Risultati Pre-Processing FDTD Antenne (UWB) Rimozione artefatti Processing Mappa energia

5 TRAUMA CRANICO Alterazione flusso sanguigno Intervento immediato

6 TRAUMA CRANICO Diagnosi precoce Scanner innovativo basato su radar a microonde Ricerca anomalie in modo automatico e tempestivo

7 MICROWAVE IMAGING Microonde Penetrazione tessuti biologici Non ionizzanti Tessuti diversi Proprietà dielettriche diverse

8 MICROWAVE IMAGING UWB Risoluzione 1 10 GHz VS Profondità penetrazione Informazione Radiazione elettromagnetica Costi, dimensioni, peso

9 MICROWAVE IMAGING Minor invasività Miniaturizzazione e portatilità Riduzione tempi intervento Riduzione costi

10 MICROWAVE IMAGING Stato dell arte Tomografia a microonde Ricostruzione profilo dielettrico Stroke Finder (Chalmers University) UWB Radar Localizzazione forti scatteratori

11 MICROWAVE IMAGING Stato dell arte UWB Radar - breast Pre-processing (filtri adattativi, Entropia, SVD ) Processing - beamforming (Delay & Sum, MIST, RAR)

12 MICROWAVE IMAGING Stato dell arte UWB Radar - brain Sistema antenne Phantom Pre-processing (simmetria cerebrale) Processing (Delay & Sum)

13 MICROWAVE IMAGING Proposed Solution Sistema antenne Pre-processing Approccio innovativo Processing Beamforming (DAS, MIST, RAR)

14 MODELLO SISTEMA Sistema acquisizione Sistema antenne Modello testa 3D 1-4 GHz Multistrato Dispersività tessuti Coupling Medium I segnali di ritorno che sarebbero acquisiti da un paziente scansionato con il dispositivo proposto sono stati generati con un software FDTD

15 SAM MODELLO SISTEMA IEEE 1528 standard IEC

16 MODELLO SISTEMA C=8*8=64 canali C=24 canali segnale xji i-esima antenna trasmissione j-esima antenna ricezione

17 MODELLO SISTEMA Artefatti 2 Coupling medium/pelle 2 1 Riflessione tessuti Amplitude 3 x 10-3 Backscattering signals 0-1 Rumore -2-3 Pre-Processing Amplitude 3 x 10-3 Backscattering signals Algoritmo rimozione artefatti Time Time x 10-8 x 10-8

18 MODELLO SISTEMA 3 x 10-3 Pre-Processing Filtraggio 2 passa-basso Backscattered signal Lowpass signal 1 Amplitude 0-1 Low Pass Filter L analisi spettrale non è considerata un algoritmo di -2 preprocessing, perché non provvede a eliminare gli artefatti, -3 ma semplicemente ad attenuarli I segnali ottenuti sono quindi l input degli algoritmi di rimozione degli Time artefatti x 10-8

19 MODELLO SISTEMA Pre-Processing Filtraggio passa-basso Trasformata Wavelet Ottimizzazione semplice Denoising

20 RISULTATI Necessità Pre-Processing

21 RISULTATI Necessità filtraggio preliminare

22 MODELLO SISTEMA Breast Filtri Wiener, Entropia, SVD Brain Pre-Processing Simmetria cerebrale I metodi si basano sull assunto che gli artefatti di canali simili sono tra loro simili, anche se non identici

23 MODELLO SISTEMA Pre-Processing Modified Wiener filters Filtri Wiener [Hagness et al.] x i n = x i n q T X X n = [x 1 T [n], xi 1 T [n], xi+1 T [[n], xc T [ n ] Gli artefatti di un particolare canale sono stimati come combinazione filtrata dei segnali ricevuti da tutti gli altri canali

24 MODELLO SISTEMA Pre-Processing Entropia Misura di variazione di un segnale Windowing x i n = W n x i [n]

25 MODELLO SISTEMA Pre-Processing x i = x i x C+i 4 modc Simmetria cerebrale Sottrazione segnali simmetrici rispetto midline

26 Entropia RISULTATI Monostatico VS Multistatico

27 Simmetria RISULTATI Monostatico VS Multistatico

28 Modified Filtri Wiener RISULTATI Monostatico VS Multistatico

29 MODELLO SISTEMA Pre-Processing PLSR Partial Least Square Regression Approccio innovativo PCA Principal Component Analysis Algoritmi basati sull osservazione che le variabili sono correlate, evidenziando somiglianze e differenze tra i dati

30 MODELLO SISTEMA Pre-Processing PLSR Partial Least Square Regression Approccio innovativo Stima artefatto y = n i=1 Modello regressione (prime variabili latenti) b i x i

31 MODELLO SISTEMA Pre-Processing k = arg min i ( σ i σ mean ) PCA Principal Component Analysis Sottospazio artefatti VS lesione X rec = k 1 i=1 pc i v i T + C i=k pc i v i T Approccio innovativo

32 MODELLO SISTEMA Beamforming Processing

33 MODELLO SISTEMA Processing DAS Delay & Sum Allineamento temporale Calcolo energia (intensità pixel) C z[n, r 0 ] = x i [n τ i r 0 ] i=1

34 MODELLO SISTEMA Processing MIST Microwave Imaging Space Time Allineamento temporale Filtri FIR Calcolo energia (intensità pixel) C L 1 z[n, r 0 ] = w i x i [n τ i r 0 l] i=1 l=0

35 MODELLO SISTEMA Processing RAR Robust & Artifact Resistant Allineamento temporale Fattore peso w f r 0 = Modified RAR M Coefficiente correlazione i=1 C i [r 0 ] Normalization [-1,1] [0,1] C i (l) c i r 0 = corr(x i n, r 0, x i+1 n, r 0 ) Produttoria coefficienti di correlazione

36 MODELLO SISTEMA Processing RAR Robust & Artifact Resistant Allineamento temporale Fattore peso Modified RAR Calcolo energia (intensità pixel) z[n, r 0 ] = w f [r 0 ] C i=1 x i [n τ i r 0 ]

37 Distanza Δ Complessità Metrica Q # Somme (reali) Complessità # Moltiplicazioni (reali) RISULTATI mean(P stroke 3 10 region) Q = Metriche mean(p P stroke region ) Complessità computazionale Migliore se bassa DAS MIST Modified RAR Migliore se alta Migliore se bassa

38 SAM - based RISULTATI Modello semplificato

39 Modified Filtri Wiener RISULTATI SNR 10 db Accuratezza Accuratezza Accuratezza Artefatti Artefatti Artefatti Complessità Complessità Complessità

40 Approccio innovativo PLSR RISULTATI SNR 10 db Accuratezza Accuratezza Accuratezza Artefatti Artefatti Artefatti Complessità Complessità Complessità

41 Approccio innovativo PCA RISULTATI SNR 10 db Accuratezza Accuratezza Accuratezza Artefatti Artefatti Artefatti Complessità Complessità Complessità

42 RISULTATI Pre-processing Processing PCA DAS Modified RAR

43 PCA RISULTATI Modello testa finale

44 RISULTATI Filtraggio VS Wavelet

45 CONCLUSIONI Next steps: Sistema di antenne (simulazione, prototipo) Condizione ischemica Algoritmi elaborazione segnale (Wavelet,ICA Indipendent Component Analysis, ad-hoc beamformer) Analisi dati Scenari differenti

46 Processamento del segnale in un dispositivo innovativo per la diagnosi precoce di lesioni vascolari cerebrali Multistatico Next steps: Pre-processing Scenari differenti Processing (bassa complessità) Modified RAR CONCLUSIONI High performance Fast response Sistema di antenne (simulazione, prototipo) Condizione ischemica PCA Algoritmi elaborazione segnale (Wavelet,ICA Indipendent Component Analysis, ad-hoc beamformer) Wavelet Analisi dati

47 Sistema radar UWB per la diagnosi precoce di trauma cranico Elisa Ricci Università degli Studi di Roma «Tor Vergata» Facoltà di Ingegneria