DE3643162A1 - Nicht-invasives diagnoseverfahren fuer die gefaessstenose - Google Patents

Nicht-invasives diagnoseverfahren fuer die gefaessstenose

Info

Publication number
DE3643162A1
DE3643162A1 DE19863643162 DE3643162A DE3643162A1 DE 3643162 A1 DE3643162 A1 DE 3643162A1 DE 19863643162 DE19863643162 DE 19863643162 DE 3643162 A DE3643162 A DE 3643162A DE 3643162 A1 DE3643162 A1 DE 3643162A1
Authority
DE
Germany
Prior art keywords
stenosis
signal
data
doppler
frequency
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
DE19863643162
Other languages
English (en)
Inventor
Jun Francis Manwell Greene
Jun Donald Eugene Strandness
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Washington Research Foundation
Original Assignee
Washington Research Foundation
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Washington Research Foundation filed Critical Washington Research Foundation
Publication of DE3643162A1 publication Critical patent/DE3643162A1/de
Withdrawn legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/06—Measuring blood flow
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/48—Diagnostic techniques
    • A61B8/488—Diagnostic techniques involving Doppler signals
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7232—Signal processing specially adapted for physiological signals or for diagnostic purposes involving compression of the physiological signal, e.g. to extend the signal recording period
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Description

Die Erfindung befaßt sich mit einem automatischen, objektiven, nicht invasiven Verfahren zum Erkennen des Ausmaßes der Stenose (Verschluß) eines Gefäßes aus den Doppler-Ultraschallbewegungsdaten des Blutstromes im Gefäß. Insbesondere bezieht sich die Erfindung auf ein rechnerunterstütztes empirisches Verfahren einer statistischen Mustererkennung zwischen den Daten des Patienten und einer Datenbank mit bekannten, vorklassifizierten Spektren, um das Ausmaß der Stenose der Karotisarterien eines Patienten nach Stenosekategorien zu diagnostizieren. Das System verwendet eine Ultraschallabtasteinrichtung, eine Spektrumanalysiereinrichtung auf Realzeitbasis und einer schnellen Fourier-Transformation und einen entsprechenden Digitalrechner, um die Datenanalyse aus den üblichen und den inneren Karotisarterien durchzuführen.
Die Erkennung und die Abschätzung der Karotisarterienkrankheit ist wichtig für die Behandlung von vorübergehenden zerebralen, ischemischen Erscheinungen und für die Verhinderung eines Schlages. Die Arteriographie, ein teueres und invasives Verfahren, bringt die Gefahr der Morbidität und der Sterblichkeit mit sich, wodurch die Anwendung desselben auf ausgewählte Patienten beschränkt ist. Nicht invasiver, diagnostischer Ultraschall wurde als eine Alternative zur Arteriographie entwickelt.
Für die Karotisarterienverschlußkrankheit, die von Durchblutungsabnormalitäten begleitet ist, wurden bei der Detektion mit Doppler-Ultraschall unregelmäßige Strömungsbilder proximal zu dem Schädigungsbereich von Keller (Literaturstelle 17) untersucht und sie wurden ferner von Rutherford (Literaturstelle 41) quantifiziert, welcher handgemessene Wellenformparameter nutzte. Mittels Computer gemessene Parameter, die man von der üblichen Karotisarterie erhält, wurden bei Greene (Literaturstelle 39) und Sherriff (Literaturstelle 40) verwendet.
Zur Bestimmung des Ausmaßes der Arterienkrankheit aus den Doppler-Ultraschallbewegungsdaten von den üblichen und körpereigenen Karotisarterien wird das rechnergestützte Verfahren nach der Erfindung angewandt, um Muster der spektralen und temporalen Charakteristika des umgekehrt gerichteteten Doppler-Signals zu erkennen. Diese Methodik, die als "statistische Mustererkennung" bezeichnet wird, hat bei Disziplinen ausgehend von Chemierecherchen (Literaturstelle 42) bis zur Identifizierung von Leberabnormalitäten unter Verwendung von Ultraschalldiagnose (Literaturstelle 43) Anwendung gefunden. Eine solche Annäherung ist für die Problematik der Abschätzung der Stärke der Gefäßstenose äußerst geeignet, bei der trotz der Tatsache, daß die eigentliche Natur der auftretenden physikalischen Prozesse nicht vollständig erklärbar ist, das Ausmaß der Krankheit dennoch bestimmt werden kann. Die beim Verfahren nach der Erfindung zur Anwendung kommenden Algorithmen haben diagnostisch nutzbare Ergebnisse mit Klinikdaten gebracht, die man unter realen Bedingungen erhalten hat. Die angewandte Verarbeitungsweise extrahiert die Doppler-Bewegungsdatencharakteristik der Stärke der Stenose aus Artefakt, die durch die Gefäßwandbewegung, Probenvolumenbewegung und Systemgeräusche erzeugt wird.
Die traditionelle Diagnose der Arterienerkrankung wendet die invasive Arteriographie (Kontrastangiographie) an. In jener Zeit hat die Ultraschallabtastung eine Krankheitsdiagnose ermöglicht, die auf Anzeigen der Fourier-Transformationspektren beim Analysieren mittels einer Spektralanalysiereinrichtung basiert. Eine solche Anzeige ist schwierig zu interpretieren. Die aufgezeichneten Spektren (wie z. B. in der Literaturstelle von Know et al. (Literaturstelle 25) gezeigt), sind eine ständige Verbreiterung des Signals wenn das Ausmaß der Stenose größer wird. Das Lesen der Spektren zur Quantifizierung des Ausmaßes der Stenose erfordert viel Können und Wissen. Ein sich nur langsam ändernder Zustand kann meist nicht detektiert werden.
Mit der Methodik nach der Erfindung jedoch werden die Amplituden/ Frequenzdaten der diskreten, schnellen Fourier- Transformation im Rechner unter Verwendung von Mustererkennungsalgorithmen verarbeitet. Das Verfahren verarbeitet die Daten der aufgezeichneten Spektren, indem brauchbare Stücke oder vorherrschende Charakteristiken der Daten extrahiert werden. Mit dem erfindungsgemäßen System erhält man objektiv und automatisch aus den Informationsdaten die Diagnose, so daß sich die Notwendigkeit einer großen Erfahrung oder großen Wissens bei der Interpretation erübrigt. Ein Techniker kann eine Diagnose unmittelbar erhalten, ohne daß er einen Radiologen benötigt, um die Aufzeichnung zu lesen, so daß sich folglich eine Verzögerung bei der Diagnosestellung vermeiden läßt. Eine visuelle Interpretation solcher Kennwerte, wie die systolische Zackenfrequenz, die diastolische Frequenz, die Stärke der Spektralverbreiterung oder der Gesamtform der Wellenformen, macht es auch selbst für einen Radiologen als Fachmann unmöglich, die verschiedenen Stenosen objektiv zu klassifizieren und zu quantifizieren, welche Kenngrößen dem jeweiligen Grad der Stenose zugeordnet sind. Die Mustererkennung der Amplituden- und Frequenzdaten bietet eine komplizierte statistische und analytische Methodik, die die Doppler-Ultraschallspektren zerlegt, um die wichtigen Diagnoseinformationen automatisch zu extrahieren.
Um automatisch und objektiv den Grad der Stenose eines Gefäßes, wie der Karotisarterie, zu diagnostizieren, erzeugt eine Ultraschallabtasteinrichtung ein umgekehrt gerichtetes, gepulstes Doppler-Signal von der Umgebung des Mittelstromfadens des Blutes an verschiedenen Stellen längs des Gefäßes in der Nähe des Doppelknotens. Dieses Doppler-Signal wird hinsichtlich der Fourier-transformierten Frequenzen mittels einer Spektralanalysiereinrichtung auf Realzeitbasis, basierend auf einer schnellen Fourier-Transformation, analysiert. Die frequenzanalysierten Spektren werden in einem entsprechenden Digitalrechner weiterverarbeitet, so daß eine Mustererkennung zwischen einem Phasenmittelwert der Spektren des Patienten und ähnlichen, vorklassifizierten, bekannten Spektren in einer Datenbank erfolgen kann, um die Daten des Patienten in eine Kategorie einzureihen, die das Ausmaß der Stenose wiedergibt. Das Klassifikationsschema ist hierarchisch und basiert auf empirischen Algorithmen, die die Meßergebnisse oder "Kennwerte" der Spektren wichten. Im Hinblick auf eine effiziente Verarbeitung werden die Daten anfänglich komprimiert, um aussagekräftige Teile oder Kennwerte aus dem vollständigen Doppler- Signal auszuwählen. Bei der Kompression wird der Phasenmittelwert gebildet, ein repräsentatives Spektrum der Amplitude über der Zeit oder eine Kontur einer gegebenen Frequenz, die das wirkliche Doppler-Signal darstellt, gewählt und das repräsentative Spektrum wird mit repräsentativen Frequenz/Amplituden-Konturen um die Doppler-Konturbasis verbreitert.
Die Mittelung reduziert den Einfluß von außerhalb liegenden, offensichtlich herkömmlichen Datenstellen, die sonst zu Problemen führen können. Gegebenenfalls können die Breiten der spektralen Verbreitungen dadurch skaliert werden, daß die gemessene Breite durch den Kosinus des Doppler-Winklers (üblicherweise 60°) dividiert wird. Die Skalierung ermöglicht gegebenenfalls die Bestimmung der Bedeutung des Doppler- Winkels auf die Diagnose. Auch kann die Spektralsymmetrie genutzt werden.
Das Vergleichen der Kennwerte erfolgt mit ARTHUR-Software zur Mustererkennungsanalyse unter Verwendung von statistischen Methoden, die die empirische Diagnose des Grades der Stenose ermöglichen.
Zusammenfassend wird beim erfindungsgemäßen Verfahren zur nicht invasiven Diagnose der Gefäßstenose ein frequenzanalysiertes Signal aus einer gepulsten Doppler-Ultraschalluntersuchung in einem entsprechenden Rechner unter Verwendung einer statistischen Mustererkennung verarbeitet, um das Vorhandensein und das Ausmaß der Arterienerkrankung zu erkennen. Das Doppler-Blutstromsignal erhält man von einer geeigneten Ultraschall-Abtasteinrichtung. Dieses Signal wird mit einer Spektralanalysiereinrichtung auf Realzeitbasis unter Verwendung einer schnellen Fourier-Transformation frequenzanalysiert und es wird mit dem Rechner verarbeitet, um eine Diagnose des Ausmaßes der Stenose der Karotisarterie unter Verwendung der Mustererkennung zwischen dem Doppler-Signal und einer Datenbank von bekannten, vorklassifizierten Spektren zu erhalten. Die Diagnose folgt üblicherweise einer hierarchischen Entscheidungsfindung, um den Zustand des Patienten objektiv zu klassifizieren.
Die Erfindung wird nachstehend unter Bezugnahme auf die Zeichnung an Beispielen erläutert. Darin zeigt:
Fig. 1 ein schematisches Blockdiagramm eines Diagnosesystems nach der Erfindung,
Fig. 2 eine schematische Darstellung eines typischen Doppler-Signals in einem Amplituden/Zeit-Diagramm, und
Fig. 3 eine Darstellung der komprimierten Daten in einem Phasenmittelwert. Diese Daten werden bei dem Mustererkennungssystem verwendet, um das relative Ausmaß der Stenose zu bestimmen.
Eine Duplex-Ultraschallabtasteinrichtung 10 wird verwendet, um die Patientendatenbank zu erzeugen. Die Abtasteinrichtung 10 ist eine kombinierte B-Form und gepulste Doppler-Abtasteinrichtung, die bei 5 MHz arbeitet und ein phasenverschobenes (bi-direktionales) Doppler-Signal liefert. Die übliche Praxis des Filterns des Doppler-Signals in einem Hochpaßfilter zum Ausfiltern des Wandgeräusches kann entfallen. Patienten mit Arterienkrankheiten haben oft Doppler-Signalkomponenten in der Nähe von 0 Hz und diese Signale würden bei einem Hochpaß verlorengehen. Signale in der Nähe von 0 Hz sind überwiegend in der Periode der späten Diastole oder am Doppelknoten vorhanden, an dem manchmal eine Strömungsumkehr auftreten kann. Die originale Doppler- Elektronik der im Handel erhältlichen Abtasteinrichtung 10 hatte einen 3 dB-Punktwandfilter, der sich von 1 kHz zu 100 Hz ändert, so daß Strömungsinformationen in diesen Fällen nicht verlorengehen können. Somit erhält man eine maximale Empfindlichkeit im Hinblick auf die Arterienkrankheitssignale, indem man eine breitere Bandbreite verarbeitet.
Üblicherweise ist die Abtasteinrichtung 10 eine Mark V Duplex-Abtasteinrichtung, die von Advanced Technology Laboratories (ATL) in Bellevue, Washington (eine Abteilung von Squibb) erhältlich ist. Diese Abtasteinrichtung verwendet drei feste 5 MHz Fokussierwandler, die in einem drehenden Rad eingebettet sind, und die ein zweidimensionales Schnittbild des weichen Zwischengewebes erzeugen. Das B-Formbild wird verwendet, um das betreffende zu untersuchende Gewebe zu identifizieren, um die Wandverkalkung visuell erkennbar zu machen, die anatomischen Veränderungen erkennbar zu machen, das gepulste Doppler-Probenvolumen im Mittelstromfaden des Gefäßes zu plazieren und um insbesondere einen Norm-Doppler- Auftreffwinkel von etwa 60° zwischen dem Doppler-Strahl und der Blutgefäßachse aufrechtzuerhalten. Das B-Formbild wird elektronisch gespeichert, während einer der Wandler in der gepulsten Doppler-Form verwendet wird, um die Blutgeschwindigkeit in dem gemessenen Volumen zu überwachen. Die Ausrichtung des Dopplerstrahles und die Lage des Meßvolumens werden auf dem B-Formbild angezeigt. Der Abtastkopf verwendet üblicherweise Wandler mit 6 mm Durchmesser, die auf eine Tiefe von 25 mm für den Datenzugang auf die üblichen und inneren Karotisarterien fokussieren. Die Meßvolumengröße für diesen Wandler ist etwa 3 mm3 bei diesem Fokalbereich und man erhält eine gute Auflösung auf dem Mittelstromfaden, bei dem Wandunregelmäßigkeiten einen geringen Einfluß haben.
Obgleich das System für die meisten wichtigen Blutgefäße verwendbar ist, liegt die Hauptbedeutung der vorliegenden Erfindung auf der Diagnose des Ausmaßes der Stenose in den Karotisarterien und die Beschreibung geht daher auf das Karotisarteriensystem ein. Die anatomischen Stellen, von denen die Geschwindigkeitsmuster routinemäßig für die Karotisanalyse aufgezeichnet werden, sind die untere gemeinsame Karotisarterie (1-CCA), die proximale innere Karotisarterie (p-ICA) und alle Stellen längs der Gabelung, an der Hochfrequenzsignale auftreten. An jeder Stelle wird der Winkel zwischem dem Doppler-Strahl und der Längsachse des Gefäßes direkt aus dem B-Formbild gemessen. Die EKG-Synchronisierungsinformation 12 wird gleichzeitig unter Verwendung einer Schaltung erhalten, die von der R-Welle getriggert wird. Zusätzlich zu der Stimme des Technikers (ein Kanal), werden die phasenverschobenen Dopplersignale (zwei Kanäle) zusammen mit dem frequenzmodulierten EKG R-Wellensignal (ein Kanal) automatisch auf einem Vier-Kanal-Tonband zur Off-Line-Analyse aufgezeichnet. Etwa 20 bis 25 aufeinanderfolgende Herzzyklen werden auf dem Band für jede Stelle aufgezeichnet. Wenn die Erkrankung im distalen Teil der gemeinsamen Karotisarterie oder im proximalen Teil der inneren Karotisarterie (etwa auf den ersten 2 cm) detektiert wird, wird die Stelle des maximalen Strömungsstörgeräusches für die Analyse verwendet. Das Signal wird vom Techniker entweder durch einen beträchtlichen Anstieg der Doppler-Frequenzen oder durch die hörbare "Rauhigkeit" des Signals identifiziert. Die auf Band aufgezeichneten Daten werden über eine Realzeitspektralanalysiereinrichtung wieder eingespielt und ihr Digitalausgang wird im allgemeinen direkt auf Diskette geschrieben.
Bei unseren Versuchen wurden Daten vom Mittelstromfaden von vier Stellen für jedes Karotissystem aufgezeichnet, wobei ingesamt acht Stellen pro Systembereich erhalten wurden: der Proximalbereich (etwa 3 cm proximal zur Röhre) und der distale Bereich (etwa 1 cm proximal zur Röhre) bei den Bereichen der gemeinsamen Karotisarterie, die innere Karotisarterie an der Stelle der maximal hörbaren gestörten Strömung, und die innere Karotisseite 1 bis 2 cm distal von diesem Punkt. Die Wahl von zwei gemeinsamen Karotisstellen basierte auf dem Experiment, das gezeigt hatte, daß Unterschiede beim Strömungsverhalten an verschiedenen Stellen längs dieser Arterie aufgefunden wurden. Ausgehend von weiteren Testläufen wurde bestimmt, daß die Daten von der proximalen, gemeinsamen Karotisarterie und der proximalen, inneren Karotisarterie die einzigen notwendigen Daten gemäß einem bevorzugten System nach der Erfindung sind.
Die Spektralzerlegung des gerichteten Doppler-Signals erfolgt in der Spektralanalysiereinrichtung 14, die eine digitale, diskrete, schnelle Fourier-Transformationsmethode (DFT) anwendet. Die Spektralanalysiereinrichtung, wie eine im Handel erhältliche Realzeit FFT-Spektralanalysiereinrichtung, erhältlich von Honeywell, Inc. in Denver, Colorado, liefert 400 Spektren pro Sekunde mit einer Frequenzauflösung von 100 Hz. Alle 1,5 mSek. wird ein neues Spektrum erzeugt, das 10 mSekunden der Dopplerfrequenz angibt. Benachbarte Spektren enthalten somit 75% der alten Daten und 25% der neuen Daten. Der Analysenbereich ist 10 KHz, bei dem 7 KHz für die Vorwärtsströmung und 3 KHz für die Rückwärtsströmung oder die Umkehrströmung reserviert sind. Das Auftreten von Frequenzkomponenten größer als 7 KHz ist üblicherweise nur bei starker Stenose gegeben und es kann aus der Neigung der Einhüllenden der diskreten Fourier-Transformation (DFT) Daten unterdrückt werden, die zwischen 0 und 7 KHz verfügbar sind. Üblicherweise ändert sich die Neigung von DFT gleichmäßig und ausreichend nahe bei 0 zwischen 0 und 7 KHz, so daß der höhere Frequenzanteil der Doppler-Daten auf der Basis der Extrapolation der 0-7 KHz-Daten offensichtlich ist.
Ein Hardware- und ein Software-Interface mit einem PDP 11/34 oder LSI 11/23 Rechner ermöglicht die Übertragung der digitalisierten Spektraldaten und der EKG-Synchronisierungsinformation aus der Spektralanalysiereinrichtung direkt auf einen Plattenspeicher 16. Ein Datensteuer-Unterprogramm der Software ist so beschaffen und ausgelegt, daß die Hintergrundinformation des Patienten (Patientenidentifikation, Alter, Symptome, Vermutungen, vorangehende Karotis-Chirurgie, usw.) die Seite und die Stelle des Signals, der Doppler- Winkel und weitere Informationen gegebenenfalls in die Kartei eingegeben werden können.
Die Spektralzerlegung des phasenverschobenen Doppler-Signals erfolgt in digitaler Form. Die Umwandlung des Signals erfolgt auf eine Genauigkeit von 8 Bit und ist für einen Ausgang von 100 Bin von Frequenzinformationen pro jeweils 2,5 ms bestimmt. Die Genauigkeit der Spektralanalysiereinrichtung ist ± 5% bei der Stärke für jedes Frequenz-Bin.
Das Doppler-Blutstromsignal gibt eine statistische Probe der Bewegungen der einzelnen Blutzellen in dem Meßvolumen an. Jeder Spektralpixel, 100 Hz breit und 10 ms lang, stellt einen Abschnitt dieser statistischen Probe dar. Die Änderung und die Fluktuation der Stärke von einem Pixel zum anderen sind überraschend groß. Die statistische Variabilität in jedem Pixel wird in der Variabilität der beiden benachbarten Spektren wiedergegeben, obgleich sie einen gemeinsamen Anteil von 75% der Daten haben.
Um die Varianz der Abschätzung zu reduzieren, wird ein Spektralmittlungsschema angewandt. Es ist so beschaffen, daß eine temporäre Auflösung in dem Herzzyklus beibehalten wird, während man eine bessere Abschätzung der wirklichen Dopplerfrequenzverteilung erhält. Die Methode liefert eine Familie von gemittelten Spektren, die jeweils einen unterschiedlichen 10 Millisekunden-Teil des Herzzyklus darstellen. Die Mittlung verstärkt jene Charakteristiken der Wellenform, die konstant oder periodisch sind, während andere nicht periodische oder zeitvariante Charakteristiken (Herzschlag- zu-Herzschlag-Änderungen, nicht stationäre Systemgeräusche und andere Artefakte) reduziert werden. Die Mittelung vermeidet eine Verzerrung, die bei einer subjektiven Wahl eines "repräsentativen" Herzschlages auftreten könnte.
Die Spektralmittelung erfolgt im allgemeinen dadurch, daß die Signaldaten von der Diskette in den entsprechenden Digitalrechner 18 mit einer Datengeschwindigkeit der Spektralanalysiereinrichtung von 40 kbyte/s. oder irgendeiner anderen geeigneten Datengeschwindigkeit eingegeben werden, die Signale aufsummiert werden und durch die Gesamtanzahl der Signale dividiert werden. Die EKG-Synchronisierungsinformation erhält man unter Verwendung einer Hardware-Schaltung, die die R-Welle triggert, während Amplituden- und Basislinienvariationen und akzentuierte P- und T-Wellen ausgelassen werden. Die Doppler-Bewegungsdaten werden daher in entsprechende Herzzyklen, basierend auf der R-Wellensynchronisierung, segmentiert.
Da die myokardiale elektromechanische Verzögerung von Schlag zu Schlag relativ konstant ist, wird die R-Welle als Zeitbezug für die Synchronisierung der Mittelung der Daten gewählt. Um Artefakte infolge von Herzarhythmien zu eliminieren, wird jedes Signal ausgesondert, wenn es ein R-R-Intervall hat, das entweder sich von dem vorangehenden Intervall um mehr oder weniger als etwa 110 ms unterscheidet oder mehr als etwa 33% länger als das vorangehende Intervall ist. Andere Faktoren können zur Aussonderung von Arythmien verwendet werden.
Die ausgesonderten Schläge können Arhythmien (Herzunregelmäßigkeiten) oder anormale Schläge, wie vorzeitige Ventrikelkontraktionen, sein. Die 33%-Regel umfaßt jedoch alle Schläge, die die normale Herzschlagvariationen sind. Wiederum wird die Verzerrung der Analyse reduziert, da man eine objektive Regel anwendet.
Die Spektralaufzeichnungen aus einer Mehrzahl von sonst aufeinanderfolgenden, akzeptierbaren Herzschlägen werden aufsummiert, um ein Phasenmittelwertsspektrum für den Patienten zu erhalten. Der Phasenmittelwert ergibt sich aus folgender Gleichung: wobei:
E die DFT-Amplitude bei f, t, n ist;
f die Frequenz ist;
t die Zeit ist (gemessen in 280 2,5 ms-Intervallen folgend auf die EKG R-Welle);
n die Sequenznummer des Herzspektrums ist; und
K die Anzahl der Spektren im Phasenmittelwert (üblicherweise 15 bis 20) ist.
Fünfzehn bis zwanzig einzelne Spektren liefern eine stabile Mittelung, die den Zustand des Patienten repräsentiert. Wenn weniger als fünfzehn Spektren gemittelt werden, kann man eine unpassende Diagnose erhalten, da die Varianz der Mittelung zu groß sein kann. Wenn mehr als zwanzig Spektren verwendet werden, erhält man nur eine geringfügige Verbesserung und eine geringfügige Reduzierung des Diagnosewertes kann hieraus resultieren. Die Spektren werden aufgrund der Ermüdung des Technikers bei der Bewegung der Abtasteinrichtung unregelmäßig oder infolge von Änderungen des Patienten, die durch die Länge der Untersuchungsdauer verursacht werden. Zwanzig Spektren werden bevorzugt verwendet.
Aufeinanderfolgende akzeptierbare Spektren werden gemittelt, um das Auftreten einer Verzerrung durch eine zufällige Auswahl der Spektren zu vermeiden.
Eine Abschätzung des tatsächlichen Leistungsspektrums des Doppler-Signals (erhalten durch die Ausführung einer diskreten Fourier-Transformation (DFT)) ist einem statistischen Fehler unterworfen. Das Verhalten dieses Fehlers kann analytisch durch die Ableitung seiner Varianz untersucht werden. Oppenheim und Schäfer haben dies für einen Gauss'schen Zufallsfehlerprozeß in der folgenden Weise gezeigt: wobei:
(f) = die geschätzte Leistung der Spektraldichte (Wellenschaubild), als eine Funktion der Frequenz, f
P (f) = die tatsächliche (auftretende) Leistungsspektraldichte, von der die beobachteten Abschätzungen [ (f)] erzeugt werden,
N = Anzahl der Datenstellen in DFT
sinc (x) = sin(x)/x
Das Dopplersignal sollte ein Gauss'sches Verhalten haben, da es mit einer ausreichend großen Anzahl von Zufallspositionsstreubreiten (Blutzellen) erzeugt wird. Da folgendes gilt:
Der Fehler bei der Abschätzung konvergiert nicht auf Null, wenn die Anzahl der Proben, N, größer wird (d. h. dies ist keine "reproduzierbare" Abschätzung). Verbesserungen kann man jedoch durch Mittelung der aufeinanderfolgenden Abschätzungen erzielen. Insbesondere hat Welch folgendes gezeigt:
Var [P(f)] = P(f)/K, (für N ausreichend groß)
wobei:
K = Anzahl der Spektralmittelungen.
Da die Varianz der Abschätzung bei jeder Frequenz gleich dem wirklichen Leistungsspektrum bei dieser Frequenz ist, wenn keine Mittelung erfolgt (K = 1), kann DFT beträchtlich von dem wirklich vorhandenen Spektrum abweichen, wenn nicht eine Mittelung angewandt wird. Eine Varianz der hier herausgefundenen Art bedeutet, daß das wirkliche Spektrum zwischen 0 und dem 2-fachen der Abschätzung liegt, die gemessen wird.
Die Varianzherabsetzung mittelt die Spektren von 20 aufeinanderfolgenden, akzeptierbaren Herzzyklen zu identischen Zeitpunkten bezüglich jeder R-Welle. Die Größe der erhaltenen Datei, obgleich es sich um 1/20 der Rohdaten handelt, ist derart, daß die Speicherplatte nur Daten für jede 11 Patienten speichern kann. Eine weitere Komprimierung ist notwendig und eine solche Komprimierung wird nachstehend erläutert.
Das ARTHUR-Softwaresystem, das von der Universität von Washington erhältlich ist, wird als ein Fundament für Unterprogramme zur Ausführung der Mustererkennung verwendet. Dieses Paket liefert die notwendige Software für die näherungsweise Lösung der verallgemeinerten Problematik der Erkennung von Mustern in stochastischen Daten, wenn wenig oder gar nichts über die Form der zugrundeliegenden Wahrscheinlichkeitsdichten bekannt ist. Ein Datenbankverwaltungssystem ist darin vorgesehen, um die großen auftretenden Datenmengen zu organisieren.
Die Mustererkennungsannäherungsmethode basiert auf der Verwendung von Daten, die bekannte Grundzustände (z. B. Krankheit) darstellen, um ein Klassifizierungsschema zu "lernen". Diese "lernende Datenbank" wird dann genutzt, um eine Entscheidungsregel zu entwickeln, die zur Klassifizierung unbekannter Daten verwendet wird.
Die lernende Datenbank, die von der Universität von Washington und von Washington Research Foundation erhältlich ist, umfaßt Daten von krankhaften und normalen Arterien. Patienten, die anzunehmenderweise Arterienerkrankungen haben, wurden unabhängig mittels Kontrastarteriographie (Angiographie) behandelt, aus der sich eine Abschätzung der prozentualen Durchmesserreduzierung basierend auf dem Mittelwert der unabhängigen Meßdaten liefert, die von zwei Radiologen erstellt, aber von einem einzigen ausgewertet wurden. Die angewandte Abschätzung war folgende: Die kranken Patienten lagen in einer Altersgruppe von 38 bis 82 Jahren mit einem Mittel von 61 (Mittelwert = 61,7). Die normalen Daten erhielt man von Personen, von denen man angenommen hat, daß sie ohne krankhaften Befund auf der Basis sind, daß sie asymptomatisch und frei von Geräuschen sind. Ihr Alter lag in einem Bereich von 21 bis 43 Jahren mit einem mittleren Alter von 27 (Mittelwert = 28,5). Die lernende Datenbank enthält komprimierte Amplitudenmittelwertspektren jedes bekannten Zustandes und die vollständigen Doppler-Ultraschallsignaldaten stehen für eine Kreuzvalidation oder gegebenenfalls eingehenden Untersuchungen zur Verfügung.
Die lernende Datenbank wird möglicherweise niemehr aufgestellt, da die Kontrastarteriographie aufgrund ihrer Risiken regelmäßig nicht mehr verordnet wird. Mit der Zunahme der Ultraschall- und anderer nicht-invasiver Diagnosetechniken vermeiden die Ärzte weitgehend die Kontrastarteriographie, die Risiken ähnlich eines chirurgischen Eingriffes bei einem Patienten mit sich bringt.
In den Doppler-Daten nicht identifizierbare Krankheitszustände werden als kategorisch und nicht als ständig betrachtet. Wenn kategorisch, so erfolgt die diagnostische Annäherung auf folgende Weise: (1) Erkennen, daß natürliche Gruppierungen in den Daten (z. B. normal, krankhafter Befund) vorhanden sein können, (2) Ermöglichen einer Abschätzung der Wahrscheinlichkeit der Fehlklassifikation, und (3) Reduzierung der Fehlerproblematik bei den individuellen Arteriogrammauswertungen, indem man nach einer natürlichen Bündelung der Spektren für einen speziellen Zustand der Daten und nicht nach einer voraussagbaren Änderung in regelmäßiger Form sucht, wenn die Stenose stärker wird. Fehler können in den einzelnen Spektren aufgrund von inhärenten Ungewißheiten hinsichtlich des unverschlossenen Gefäßdurchmessers selbst bei der Kontrastarteriographiemessung auftreten. Die Abschätzungen der Stenose basieren auf ebenen Abbildungen einer unregelmäßigen dreidimensionalen krankhaften Veränderung im Gefäß. Eine jüngere Studie zeigt, daß Abweichungsraten unter Radiologen von 17,5% auftreten können, wenn sie das Arteriogramm zur Identifizierung eines Krankheitszustandes als 0, 1-9, 10-49, 50-99 oder 100% Stenose verwenden, oder von 12,5%, wenn sie einen Krankheitszustand als 0, 1 oder 21-99% Stenose identifizieren. Diese Schwankungen und Abweichungen werden mit einer kategorischen Mustererkennungsmethode reduziert, die nach einer Bündelung sucht, da die Haupttrends selbst dann erkennbar sind, wenn genaue Einzelheiten verlorengehen. Die Daten des Patienten werden nach einer hierarchischen Reihe von separaten Binärentscheidungen gemäß folgender Schemata klassifiziert:
A
Für ein Gefäß, das nicht vollständig verschlossen ist, ENTSCHEIDUNG normal bzw. krankhaft;
wenn krankhaft, dann ENTSCHEIDUNG größer bzw. kleiner als 50% Stenose;
wenn kleiner als 50% Stenose, dann ENTSCHEIDEN, ob größer bzw. kleiner als 20% Stenose.
B
Für ein Gefäß, das nicht vollständig verschlossen ist, ENTSCHEIDUNG normal bzw. krankhaft (teilweise verschlossen);
wenn krankhaft, dann ENTSCHEIDUNG, ob mehr oder weniger als 50% verschlossen sind;
wenn weniger als 50% verschlossen sind, dann ENTSCHEIDUNG, ob größer oder weniger als 35% verschlossen sind;
wenn weniger als 35% verschlossen sind, dann ENTSCHEIDUNG, ob größer oder kleiner als 15% verschlossen sind.
Weitere Kategorisierungen können gegebenenfalls vorgenommen werden.
Die Ausgangsentscheidung muß sein, ob das Gefäß offen oder vollständig verschlossen (verstopft) ist, da Fehldiagnosen in verstärktem Maße auftreten, wenn das Gefäß verschlossen ist und keine Strömung durchgeht. Die Hierarchie für die spätere Entscheidung nimmt eine Strömung um Gefäß an und erzwingt spätere Entscheidungen. Die Ausgangsunterscheidung (offen bzw. verschlossen) wird gemacht, indem man ein Strömungssignal in der inneren Karotisarterie sowie in der proximalen, gemeinsamen Karotisarterie beobachtet. Wenn eine Strömung in der inneren Karotis detektiert wird, kann das rechnerunterstützte Diagnosemustererkennungssystem verwendet werden. Wenn keine Strömung detektiert wird, ist das Gefäß vollständig verschlossen und der Techniker macht die Diagnose ohne die Spektralmustererkennung.
Wenn die gemittelten Daten komprimiert werden, kann die für die erfolgreiche Mustererkennungsanalyse notwendige wesentliche Information extrahiert werden. Die "wesentliche Information" umfaßt die Lage und die Skalierungsschätzungsgröße für die Doppler-Spektren, die Anzeigen einer Frequenz im Signal und des Streubereiches des Spektrums sind, der dieser charakteristischen Frequenz zugeordnet ist.
Um die Datenkompression einleiten zu können, muß ein Doppler- Signal aus dem mit dem umgekehrt gerichteten bzw. zurückreflektierten signalempfangenen Geräusch herausgefunden werden, das den Blutstrom (und maßgebend für den Grad der Stenose) darstellt. Ein Algorithmus zur Lösung dieser Aufgabe wurde entwickelt und mit klinischen Daten getestet. Der Algorithmus findet die Form (maximale Amplitude) der Frequenz des Dopplersignals nach Anwendung einer Rangordnungsstatistik, um den Bereich des Spektrums herauszufinden, der das Signal enthält. Die Rangordnungsstatistik ist unempfindlich gegenüber einer großen Amplitude und Geräuschen schmaler Bandbreite (z. B. Wandartefakt). Die maximale Amplitudenfrequenz für das Spektralmittel bestimmt die Signalformfrequenz für die Extraktion des charakteristischen Amplitudenfrequenz- bzw. Zeitprofilsignals aus den 280 Zeitbins des Phasenmittelwertes. Dies bedeutet, daß für jedes Zeitintervall im Herzzyklus, der mit den Dopplerverschiebedaten aufgezeichnet wird, die Amplitude der maximalen Amplitudenfrequenz verwendet wird, um die Formsignalkontur bzw. das Formsignalprofil zu definieren, indem die Amplitude des Signals bei dieser Frequenz in jedem der 280 Zeitbins (Pixels) im Spektrum aufgefunden wird.
Die maximale Amplitudenfrequenz wird bestimmt, indem eine graphische Darstellung der Amplitude bzw. Frequenz aus den Dopplerverschiebedaten erstellt wird. Aus diesem lassen sich die maximale Amplitude und ihre zugeordnete Frequenz leicht entnehmen.
Die Skalierung oder die Breite des Doppler-Verschiebeströmungssignals wird zweckmäßigerweise für das charakteristische Profil abgeschätzt, indem man Profile bei 3 db (Signalhalbleistungspunkte) und 9 db bei dem Formsignalprofil vorsieht. Das Formsignalprofil und das erweiterte Profil lassen sich hinsichtlich ihrer Abschätzungen verbessern, wenn man einen laufenden Mittelfilter bei der Bestimmung anwendet. Diese Annäherung hat sich als unempfindlich gegenüber den meisten Artefakts, Hintergrundgeräuschen und Quadraturkanalübersprechungen erwiesen. Natürlich können andere Skalierungs- oder Verbreiterungstechniken zur Anwendung kommen.
Da die verspätete diastolische Strömungsinformation potentiell bei der Analyse wichtig ist, wird eine Methode benötigt, mit der man diese Information aus dem Phasenmittelwertspektrum erhalten kann. Diese Methode sollte gegenüber in großem Maße variierenden R-R-Intervallen unempfindlich sein, die man bei unterschiedlichen Patienten beobachtet hat. Indem man 100 ms der unmittelbar jedem akzeptierbaren R-Wellenspektrum in dem Phasenmittelwert vorausgehenden Daten miteinschließt, läßt sich die verspätete diastolische Information leicht miterfassen und zwar in den komprimierten Profilen, die die Frequenz- und Amplitudenbandbreite der vollständigen Doppler-Verschiebedaten wiedergeben.
Die komprimierten Daten (Fig. 3) weisen fünf Kontur- bzw. Profillinien auf, und zeigen die Doppler-Amplitude bzw. Zeit für jede Frequenz. Die zentrale Konturlinie 100 (Fig. 3) stellt die Mittelfrequenz oder Formsignalfrequenz dar, die am besten für die Darstellung des Blutstromes im Mittelstromfaden des Gefäßes geeignet ist. Die zwei Linien oder "Skalierungskonturen" 200 oder 300, die unmittelbar die Formsignalkontur 100 umgeben, markieren die 3 dB-Punkte und die zuäußerst liegenden beiden Linien 400 und 500 stellen die 9 dB-Punkte bezüglich der Betriebsart dar. Diese Konturen komprimieren die Daten auf 1400 Bytes pro Stelle ([4 Konturen + 1 Betriebsart] × [280 Zeitbins] = 1400 Bytes). Eine weitere Datenreduzierung von zwanzig auf eins läßt sich erzielen. Die komprimierten Daten für einige Hundert Patienten können auf eine Diskette passen, wodurch die Datenanalyse erleichtert wird.
Das Mustererkennungsschema vergleicht Charakteristika der folgenden drei allgemeinen Typen: (1) solche, die Zeitzusammenhänge der Geschwindigkeitswellenform beinhalten; (2) solche, die Spektrumsbreiten an vorbestimmten Stellen während des Herzzyklus beinhalten; und (3) jene, die Frequenzzerlegung der geschätzten Mittelfrequenzwellenform beinhalten. Die Mittelfrequenzwellenform oder die Betriebsartkonturlinie wird mit einer feldmäßig angelegten, diskreten Fourier-Transformation analysiert, um die Haupt-Doppler-Frequenzkomponenten zwischen 1-20 Hz zu extrahieren. Vierundneunzig Charakteristika werden zu Beginn als potentielle Charakteristika zu Vergleichszwecken identifiziert und diese sind in Tabelle 1 umrissen.
Tabelle 1Mögliche wichtige Mustererkennungscharakteristika
Einige dieser Charakteristika wurden skaliert oder transformiert unter Verwendung von Logarithmus- oder Potenzfunktionen, um die Charakteristika zu erhalten, die man tatsächlicriminantengleichungen verwendet.
I. Proximale, gemeinsame Karotisarterie
(1) Bereich unter mittlerer Strömungswellenform
(2) Kosinus (
R
)
(3) Sinus (
R
)
(4) Bereich unter der systolischen Spitze/Kosinus (
R
) ± 15 ms bins
A. Formfrequenzcharakteristika
(5) verspätete Diastole (50 ms vor der EKG R-Welle)
(6) systolische Spitze
(7) erster Null-Steigungspunkt nach der systolen Spitze
(8) Doppelknoten
(9) Abnahme der Frequenz von der systolen Spitze zu dem ersten Null-Steigungspunkt nach systolen Spitze/ Kosinus (
R
)
B. Diastolische Strömungsgeschwindigkeitscharakteristika
(10) 125 ms nach Doppelknoten/Kosinus (
R
)
(11) 50 ms vor R-Welle/Kosinus (
R
)
(12) maximale Amplitudenfrequenz bei der feldförmig angelegten diskreten Fourier-Transformation (WDFT) zwischen den Harmonischen 4 und 9
(13) maximale Amplitudenfrequenz bei WDFT zwischen den Harmonischen 5 und 9
(14) maximale Amplitudenfrequenz bei WDFT zwischen den Harmonischen 6 und 9
(15) Pourcelot'sches Verhältnis
(16) mittlere systolische Frequenz/Wert vor der diastolischen Frequenz
C. Charakteristika, die das Vorhandensein/Fehlen eines "systolischen Feldes" wiedergeben
(18) Max. niedriger 3 dB Frequenz zwischen
t
= (Systole - 30 ms) und
t
= (Systole + 50 ms)
(19) Max. niedriger als 9 dB Frequenz zwischen
t
= (Systole - 30 ms) und
t
(Systole + 50 ms).
D. Phaseninformationscharakteristika (abgewickelt)
(20) Phase der zweiten Harmonischen
(21) Phase der dritten Harmonischen
(22) Phase der vierten Harmonischen
E. Charakteristika, die auf der Spektralverbreiterung basieren
(für ± 3 dB und ± 9 dB Konturen jeweils)
(23-26) verspätete Diastole
(27-30) Systole
(31-34) erster Null-Steigungspunkt nach Systolenspitze
(35-38) 100 ms nach Systole
(39-42) Systole/Kosinus (
R
)
(43-46) 75 ms nach Systole/Kosinus (
R
)
(47-50) 100 ms nach Systole/Kosinus (
R
)
II. Charakteristika der proximalen inneren Karotis
(1) Bereich unter der durchschnittlichen Strömungswellenform
(2) Kosinus (
R
)
(3) Sinus (
R
)
(4) Bereich unter der systolischen Spitze/Kosinus (
R
) ± 15 ms bins
A. Formwertcharakteristika
(5) verspätete Diastole (50 ms vor der EKG-R-Welle)
(6) systolische Spitze
B. Maximumcharakteristika
(7) Spitze 3 dB Frequenz
(8) Spitze 9 dB Frequenz
(9) Größe der Verlangsamung im Anschluß an Systole/ Kosinus (
R
)
(10) Energie bei maximaler Amplitude zwischen den Harmonischen 5 und 9
(11) Frequenz der minimalen Amplitude bei WDFT von 2 zu dem vorstehend genannten Maximum
(12) Pourcelot'sches Verhältnis = (Systole - erste Null-Steigung)/Mittel), unter Verwendung der Mittelwellenform
(13) Verhältnis = (Systole - 1. Null-Steigung)/ Systole); unter Verwendung der oberen 9 dB Konturwellenform
(14) Verhältnis = (Systole unter Verwendung der geschätzten mittleren Wellenform)/verspätete Diastole, unter Verwendung der oberen 9 dB- Wellenform.
C. Charakteristika, die das Vorhandensein/Fehlen eines "systolischen Bereiches" wiedergeben
(15) maximale untere 3 dB Frequenz zwischen
t
= (Systole - 30 ms) und
t
= (Systole + 50 ms)
(16) maximale untere 9 dB Frequenz zwischen
t
= (Systole - 30 ms) und
t
= (Systole + 50 ms)
D. Auf der Spektral-Verbreiterung basierende Charakteristika
(für ± 3 dB und ± 9 dB Konturen jeweils)
(17-20) verspätete Diastole (50 ms vor der R-Welle)
(21-24) systolische Spitze
(25-28) 50 ms nach systolischer Spitze
(29-32) 100 ms nach systolischer Spitze
(33-36) systolische Spitze/Kosinus (
R
)
(41-44) 100 ms nach systolischer Spitze/Kosinus (
R
)
wobei
R
= Winkel von Doppler-Strahl zu Gefäßachse.
Für Eigenschaften, die Zeitrelationen beinhalten, wurde das 5-Konturen-Phasenmittelwertspektrum weiter auf eine einzige, gewichtete Mittelkontur komprimiert, wobei Wichtungen den relativen Amplituden der betreffenden Kontur nach Maßgabe folgender Gleichungen zugeordnet wurden:
f (t) = {m(t) + 2 [U 1 (t) + L 1(t)] + b[U 2(t) + L 2(t)]}/ (1 + 2 [a + b])
wobei
m(t) = Spektralform zur Zeit t;
U 1(t) = obere 3 dB Frequenz bei Zeit t;
L 1(t) = untere 3 dB Frequenz zur Zeit t;
U 2(t) = obere 9 dB Frequenz zur Zeit t;
L 2(t) = untere 9 dB Frequenz zur Zeit t;
a = 10-3/20, und
b = 10-9/20
Die systolische Spitze und die erste Beugung der systolischen Spitze wurden lokalisiert unter Verwendung der mittleren geglätteten ersten Ableitung der maximalen Amplitudenfrequenz (oder Form) Kontur 100. Die Kontur wurde nach Maßgabe der Methode von Mosteller und Tukey geglättet.
Für Charakteristika, die die Breite des Spektrums beinhalten, wurde die Breite aus der Formkontur zu der Skalierungskontur gemessen und sie wurde für einen ± 12,5 ms (5 Bins) Bereich zentrisch um die spezifizierte Zeit gemittelt.
Da das Mustererkennungssystem die Charakteristika linear richtet, ist es wichtig, die "Rohcharakteristik" (jene, die aus der Tabelle 1 ausgewählt sind) nicht linear zu transformieren, um die Effektivität bei den linearen Diskriminantengleichungen zu maximalisieren. Daher werden Exponential- und Potenzfunktionen der Grundcharakteristika ermittelt und aufgezeichnet, um diese für die Linearität zu testen. Aus Übersichtlichkeitsgründen und aus Vereinfachungsgründen wurde die schrittweise lineare Regression zur Auswahl der Charakteristika angewandt und sie hat sich insofern als zweckmäßig erwiesen, als die ausgewählten Charakteristika eher eindeutige als redundante Informationen enthalten.
Die Charakteristika wurden reskaliert für Null-Mittelung und Einheitsvarianz. Durch schrittweise Diskriminantenanalyse der 94 Charakteristika wurde die Klassifikation der bekannten Gefäße in der Datenbank (Lernteil) unter Verwendung der besten Kombination der 5 Charakteristika erstellt, die aus den 94 für jede hierarchische Entscheidung ausgewählt wurden. Anschließend wurden nur 5 Charakteristika verwendet, um das Ausmaß der Stenose von den Amplitudenmittelwerten des Patienten zu diagnostizieren. Die 5 Charakteristika, die für jede hierarchische Entscheidung (d. h. normal bzw. krankhaft; größer als 50% Stenose bzw. weniger als 5% Stenose, etc.) verwendet wurden, wurden gesondert durch die Diskriminantenanalyse aus allen 94 ursprünglichen Charakteristika im Vergleich mit Daten der bekannten Arterienzustände ausgewählt. Natürlich können andere Charakteristika oder zusätzliche Charakteristika verwendet werden, die auf verschiedene Weisen ausgewählt werden. Fünf Charakteristika sind bevorzugt, da man mit ihnen eine hohe Genauigkeit erzielen kann. Eine akzeptierbare Ausgewogenheit wird erzielt, so daß jede Charakteristik signifikant ist, während relativ bedeutungslose oder redundante Charakteristiken keinen Eingang in die Diagnose finden. Obgleich das System durch die Auswahl der Charakteristika mit Hilfe dieser Diskriminantenanalysenmethode beeinflußt wird, zeigen empirische Nachweise, daß diese Form äußerst genau, automatisch und objektiv eine korrekte Diagnose der Karotisarterienstenose ermöglicht.
Die bevorzugt für jede Entscheidung ausgewählten Charakteristika sind folgende:
Tabelle I
1. Normal bzw. krankhaft
ln (der Wert der verfrühten diastolischen Mittelströmung in der gemeinsamen Karotisarterie/Kosinus (R)
- (postsystolische Änderung der Frequenz [Kosinus R]4 in der gemeinsamen Karotisarterie
ln (Form der DFT-Wellenform) an der inneren Karotisarterie
(unterer 9 dB-Punkt der Wellenform)4 in der inneren Karotisarterie
ln (verspätete diastolische Mittelströmung/Kosinus R) in der gemeinsamen Karotisarterie
2. Größer als 50% Stenose bzw. weniger als 50% Stenose
[Spitze 9 dB-Frequenz]2 an der inneren Karotisarterie
[Maximum untere 9 dB-Frequenz zwischen ± 50 ms der systolischen Spitze]4 in der inneren Karotisarterie
- [postsystolische Änderung der Frequenz/Kosinus R] in der inneren Karotisarterie
ln [erstes Minimum der DFT-Wellenform] in der inneren Karotisarterie
[obere 9 dB-Breite 50 ms nach der Systole]4 in der inneren Karotisarterie
3. Größer als 35% Stenose bzw. weniger als 35% Stenose
Spitze 9 dB-Frequenz an der inneren Karotisarterie
ln [Frequenz 125 ms vor dem Doppelknoten der gemeinsamen Karotisarterie]
ln [Änderung der systolischen Frequenz an der inneren Karotisarterie/Kosinus R]
ln [untere 9 dB-DFT-Wellenform] in der inneren Karotisarterie
4. Größer als 15% Stenose bzw. kleiner als 15% Stenose
ln [Bereich unter Spitze für die Periode ± 37,5 ms um die Systole] in der gemeinsamen Karotisarterie
ln [Spitze 9 dB-Frequenz] in der inneren Karotisarterie
Spitze 9 dB-Frequenz an der inneren Karotisarterie
obere 9 dB-Breite 125 ms nach Diastole in der gemeinsamen Karotisarterie
ln [untere 3 dB-Breite 125 ms nach Diastole] in der inneren Karotisarterie
5. Größer als 20% Stenose bzw. kleiner als 20% Stenose
ln [Bereich unter der Spitze für eine Periode ± 35,5 ms um die Systole] in der gemeinsamen Carotisarterie
ln [Spitze 9 dB-Frequenz] in der gemeinsamen Karotisarterie
Spitze 9 dB-Frequenz in der inneren Karotisarterie
untere 9 dB-Breite 100 ms nach der Systole in der gemeinsamen Karotisarterie
ln [Form der DFT-Wellenform] in der gemeinsamen Karotisarterie
Die Bestimmung von 20% Stenose ist offensichtlich ausreichend genau, wenn man einen Vergleichstest unter Berücksichtigung der Spitzenfrequenz von 9 dB vornimmt.
Wenn es erwünscht ist, zu bestimmen, ob die Gefäßstenose größer bzw. kleiner als 80% ist, werden bevorzugt folgende Charakteristika berücksichtigt:
6. Größer als 80% Stenose bzw. kleiner als 80% Stenose
ln [obere 9 dB-Breite an der Systole] in der inneren Karotisarterie
ln [Maximum 3 dB-Frequenz zwischen ± 50 ms der systolischen Spitze] in der inneren Karotisarterie
ln [erster Moment der systolischen Spitze/obere 9 dB-Frequenz 125 ms nach Diastole] in der gemeinsamen Karotisarterie
ln [Form der DFT-Wellenform] in der inneren Karotisarterie.
Eine Hyperebenen-Lösungsmethode der Mustererkennung basierend auf der linearen Regressionsanalyse in der ARTHUR-Software wird verwendet. Die bevorzugte Methode nach Pietrantonio und Jurs (üblicherweise bekannt als Pjurs) minimalisiert iterativ folgende Funktion:
[Y - tanh (Wo + Σw i i )]
wobei:
Y = +1m, wenn es bekannt ist, daß die Daten in Kategorie 2 sind,
  = -1, wenn es bekannt ist, daß die Daten in Kategorie 1 sind,
Y = vorausgesagte Kategorie
K = Anzahl der Charakteristika
W i = Wichte der Charakteristika
X i = gemessener Wert der Charakteristika i
w 0 = konstant.
Um eine höhere Genauigkeit zu gewährleisten, kann eine Kreuzvalidation verwendet werden. Die Kreuzvalidation beinhaltet, daß die lernende Datenbank in zwei Untergruppen für jede Kategorie der zu testenden Stenose unterteilt wird, das Klassifizierungskriterium, basierend auf einer Untergruppe, erlernt wird, und daß dann die Entscheidungsregel der Klassifizierweise nochmals getestet wird, indem das Klassifizierkriterium nochmals auf die zweite Datenuntergruppe angewandt wird.
Eine zufällig ausgewählte Anzahl von komprimierten Spektraldaten, die etwa 50% der Datenbank umfassen, wurde für jede Iteration des Kreuzvalidationsprozesses in einem "Zwischenprobe plus Komplement"-Kreuzvalidationsschema ausgewählt. Die Untergruppen wurden beschränkt, um Überschätzungen der wirklichen Genauigkeit der Klassifikationsregel zu vermeiden, die ansonsten auftreten könnte, wenn die ausgewählte Untergruppe einen größeren Teil der Datenbank umfaßt.
Die geschätzte Genauigkeit des Klassifizierkriteriums, die man bei dieser Kreuzvalidationsmethode erreichen kann, ist der mittlere Richtigprozentsatz bei den Testgruppen. Bei jeder Entscheidung in der Hierarchie der Form A betrug der Richtigprozentsatz 97% für die erste Entscheidung (normal bzw. krankhaft), 95% für die zweite Entscheidung (größer bzw. kleiner als 50%), und 84,3% für die dritte Entscheidung (größer bzw. kleiner als 20%). Die Summe der fünf gewichteten Charakteristika wurde zur Bestimmung der Diskriminantenrechnung für jede Entscheidung verwendet.
Das Klassifikationsschema, das gegenwärtig verwendet wird, durchläuft vier separate Binärentscheidungen in einer hierarchischen Reihenfolge, nämlich:
(1) ENTSCHEIDUNG normal bzw. krankhaft;
(2) wenn krankhaft, dann ENTSCHEIDUNG größer bzw. kleiner als 50% Stenose;
(3) wenn kleiner als 50% Stenose, dann ENTSCHEIDUNG größer bzw. kleiner als 35% Stenose; und
(4) wenn kleiner als 35% Stenose, dann ENTSCHEIDUNG größer bzw. kleiner als 15% Stenose.
Auf diese Weise erhält man sechs Kategorien, nämlich: (1) nicht krankhaft, (2) 0-15% Stenose, (3) 16-35% Stenose; (4) 36-50% Stenose, (5) über 50% Stenose, und (6) vollständig verschlossen (100% Stenose). Die Kategorien sind zufällig für die Zwischenteile und sie wurden auf der Basis der Daten aus den Arteriographen ausgewählt und unter der Zielsetzung, eine relativ hohe Auflösung der Progression und der Krankheit zu erhalten. Andere Unterscheidungspunkte können aufgestellt werden, wie 0-20, 20-50 und größer als 50% Stenose, wie dies bereits diskutiert worden ist. Die Trennung zwischen größer oder kleiner als 15% Stenose gibt eine ernsthafte Warnung für eine gefährliche Progression der Krankheit. Der Radiologe machte die erste diagnostische Abschätzung bei 15% verschlossen oder weniger, so daß dieser Punkt der erste Schritt für die Progression der Krankheit ist, den man mit dieser Datenbank erfassen kann.
Der abschließende Test des Leistungsverhaltens des Systems der Klassifizierungsweise jedoch ist jener, bei dem Daten von Patienten abgeschätzt werden, deren Stenosegrad bekannt ist, deren Daten jedoch nicht bei der Auslegung der Klassifizierungskriterien genutzt wurden. Die Testpatienten, die zum Test der Klassifizierungskriterien verwendet wurden, waren 9 Freiwillige, die man hinsichtlich der Krankheit als normal bezeichnen kann und 95 Patienten mit extrakranialer Arterienerkrankung, die durch Angiographie erkannt wurde. In der gesamten Gruppe waren 170 Personen für das Studium geeignet. Die restlichen 38 Personen wurden bei der Analyse aus den folgenden Gründen nicht miterfaßt: (1) 16 Personen hatten eine Okklusion der inneren Karotisarterie; (2) 12 Personen hatten eine Endarterierektomie vor der Ultraschalluntersuchung; und (3) 10 Personen gingen aufgrund eines mechanischen Versagens des Datenaufzeichnungssystems verloren.
Eine doppelter Blindtest wurde ausgeführt, bei dem der Radiologe, der die biplanaren Kontrastarteriogramme las, die mit der Rechneranlayse erstellte Diagnose nicht kannte und der Anwender der Doppler-Technik die Diagnose des Radiologen nicht kannte.
Die Kappa-Statistik, wie sie bei Cohen, Fleiss und Langlois verwendet wurde, wurde kalkuliert, um das Ausmaß der Übereinstimmung zwischen den beiden Begutachtungen zu messen, die die Datenbank unabhängig auswerteten. Bei der Berechnung der Wahrscheinlichkeit der Diagnose oder Entscheidung lautete die Gleichung wie folgt:
Kappa = (P o -P e )/(1-P e )
wobei P o die beobachtete Wahrscheinlichkeit der Übereinstimmung und P e die Übereinstimmung ist, die auf der Basis der Wahrscheinlichkeit alleine auftreten würde. Das Maß 1-P e mißt den Übereinstimmungsgrad, den man über und über jenen hinaus, erhalten kann, den man lediglich durch Wahrscheinlichkeit vorausgesagt hätte. Der Übereinstimmungsgrad, der tatsächlich über die Wahrscheinlichkeit hinaus erreichbar ist, beläuft sich auf P o -P e . Wenn die beobachtete Übereinstimmung größer als oder gleich der Wahrscheinlichkeitsübereinstimmung ist, wird Kappa größer als oder gleich Null werden, wobei ein Maximalwert von +1 für eine perfekte Übereinstimmung gilt. Wenn in ähnlicher Weise die beobachtete Übereinstimmung kleiner als die Wahrscheinlichkeitsübereinstimmung ist, so wird der Kappa-Wert negativ. Zum Zwecke der Durchführung dieser Ermittlungen wurde angenommen, daß die Probengröße groß war. Basierend auf den empirischen Ergebnissen erscheint diese Annahme als akzeptabel.
Die Übereinstimmung zwischen den Rechnerergebnissen und die Angiographie belief sich auf 96,5% (164/170) für die Entscheidung normal bzw. krankhaft, 93% (158/170) für die Entscheidung größer oder kleiner als 50% und 93% (158/170) für die Entscheidung größer oder kleiner als 20%. Von den 29 normalen Personen wurden 27 (93%) richtig klassifiziert. Die anderen beiden Personen wurden in der Kategorie 1-20% klassifiziert und beide wurden als normal angenommen (Alter 27 und 34). Bei diesen wurde in Wirklichkeit nie eine Kontrastangiographie vorgenommen. Daher ist es möglich, daß sie in Wirklichkeit eine geringfügige Stenose haben können.
Von den 54 Personen in der Kategorie 10-20% Stenose wurden 44 (81,5%) richtig klassifiziert. Die restlichen 10 Personen wurden vier als normal klassifiziert, und sechs in die Kategorie 21-50% eingereiht. Von den 37 Personen in der Kategorie 21-50% wurden 29 (78%) richtig klassifiziert. Von den restlichen 8 Personen wurden 4 in die Kategorie 1-20% fehlklassifiziert und 3 in die Kategorie 51-99% klassifiziert (für alle drei wurde eine 50%ige Durchmesserreduktion bei der Angiographie diagnostiziert). Von den 50 Personen in der Kategorie 51-99% wurden 41 (82%) richtig klassifiziert. Von den restlichen 9 Personen wurde eine in die Kategorie 1-20% fehlklassifiziert und 8 in die Kategorie 21-50% eingereiht.
Die Gesamtgenauigkeit der Rechnerklassifikation mittels den Kategorien belief sich auf 83% (141/170). Die Empfindlichkeit der Methode oder ihr Leistungsvermögen im Hinblick auf die Erkennung des Vorhandenseins der Krankheit belief sich auf 97% (137/141) und die Spezifität belief sich auf 93% (27/29). Der Übereinstimmungsgrad zwischen der Mustererkennung und der Angiographie, gemessen nach der Kappa- Statistik, belief sich auf: K = 0,769 ± 0,039 (Standardabweichung).
Sechzehn Personen, bei denen durch die Angiographie eine Okklusion festgestellt wurde, wurden ausgelassen. Die Diagnose einer Okklusion wurde dadurch erkannt, daß ein Signal in der inneren Karotisarterie fehlte, so daß man keine Rechneranalyse durchführen mußte. In keinem Fall wurde an den Rechner zu Analysezwecken ein Signal weitergeleitet, wenn die Arterie nach der Angiographie als verschlossen diagnostiziert wurde, da die Klassifizierungskriterien so abgefaßt sind, daß eine Strömung in dem Gefäß aufzufinden ist. Kein Gefäß wurde bei der Rechneranalyse ausgelassen. Der Grund hierfür ist jedoch hauptsächlich darin zu sehen, daß die Okklusion bei der Duplexabtastung und nicht bei der Angiographie diagnostiziert wurde.
Die Entscheidung nach verschlossen (vollständig abgesperrt) bzw. offen kann gegebenenfalls der Entscheidungshierarchie hinzugefügt werden, indem man eine Rechnerabsuchung für ein Doppler-Verschiebungssignal in der inneren Karotisarterie vornimmt. Auf diese Weise können alle Entscheidungen mit dem Rechner gemacht werden und dem Benutzer bleibt keine Beurteilung überlassen.
Da die Doppler-Verschiebungsfrequenz direkt proportional zu dem Kosinus des Doppler-Winkels relativ zum Strömungsfluß ist, kann eine Bestimmung der Strömungsgeschwindigkeit nur gemacht werden, wenn dieser Doppler-Winkel bekannt ist. Wandverkalkungen und anatomische Veränderungen (die beide bekanntlich das Strömungssignal verändern) lassen sich einfach durch die B-Formabbildung abschätzen).
Eine gepulste Doppler-Einheit ermöglicht durch Bereichstastung eine Strömungsabfrage in spezifischen Tiefen längs der Strahlenachse. Frühere klinische Versuche haben gezeigt, daß eine Abtasteinrichtung mit einem Brennpunkt an oder in der Nähe von zwei Zentimetern unterhalb der Hautoberfläche für die nähere Untersuchung der Karotisarterien geeignet ist. Auch ermöglicht ein kleines Probenvolumen relativ zum Durchmesser des Gefäßes eine Strömungsuntersuchung von der Mittelströmungsfadenseite, wodurch die Berücksichtigung von Strömungsgradienten in der Nähe der Gefäßwandung vermieden wird. Die Abtasteinrichtung hatte eine Brennlänge von 25 mm und eine Probenvolumengröße von 3 mm3 am Vokalpunkt, um die gewünschte Auflösung zu erhalten. Das Bild der Abtasteinrichtung erstellte anatomische Kennungsmarken zur Verwendung für die Standardisierung der Prüfstellen. Diese Kennungsmarkierungen sind wesentlich für den Vergleich der Zustände von unterschiedlichen Patienten oder für den Vergleich der sequentiellen Untersuchungen am gleichen Patienten.
Da bei dem bevorzugten Klassifizierungsprozeß aus den distalen inneren Karotisarterien oder von der oberen gemeinsamen Carotisarterie, die gegebenenfalls häufig zu Fehlklassifizierungen führen) keine charakteristischen Daten ausgewählt wurden, lassen sich die tatsächlich von jedem Patienten zu sammelnden Daten auf jene Doppler-Verschiebungsdaten von der unteren gemeinsamen Karotisarterie (etwa 2 cm oberhalb der Abzweigung) und von der proximalen inneren Karotisarterie reduzieren und zwar anstelle jener Daten für die vier Stellen, die bei unseren Experimenten angewandt wurden. Somit lassen sich die Daten noch weiter komprimieren.
Obgleich die von uns angewandte komprimierte Datenform einige Vorteile gegenüber anderen Schemata hat, braucht diese nicht die optimale Form darzustellen. Das Schema erlaubt: (1) eine empfindliche Abschätzung von schnellen Änderungen, die im Doppler-Signal mit der Zeit auftreten; (2) eine leichte Interpretation des Spektrums; (3) eine adäquate Darstellung der üblichen Asymmetrie der Signalspektraldichte; (4) eine zuverlässige Erfassung des Signals beim Vorhandensein von engem und breitbandigem Geräusch mit sich ändernder Intensität; (5) eine Datenverminderung, die so ausreichend ist, daß die Speicherung, die Handhabung und die Analyse derselben erleichtert werden; und (6) adäquate Daten zur Extraktion und Identifikation von informativen Charakteristika, die für eine gute Feststellung des Zustands der Krankheit notwendig sind.
Eine typische Wellenform für den Blutstrom in der gemeinsamen Karotisarterie proximal zu einer normalen inneren Karotisarterie zeichnet sich durch eine hohe, scharfe, schmale systolische Spitze mit einer geringfügigen oder keiner Knotenbildung der Verlangsamungsphase und einen hohen diastolischen Spitzenstrom aus. Eine typische Wellenform für den Blutstrom in der gemeinsamen Karotisarterie proximal zu einer minimal krankhaften inneren Karotisarterie führt zu einem wesentlich niedrigeren, breiteren und "abgerundeten" systolischen Spitzenwert, einem ausgeprägten Knoten zu Beginn der Verlangsamungsphase und in einem gedämpfteren diastolischen Strom. Diese allgemeinen Unterschiede lassen sich nach Kategorien analysieren, abschätzen und klassifizieren unter Verwendung der komprimierten Daten und des Mustererkennungsverfahrens nach der Erfindung.
Die erste Entscheidung (normal bzw. krankhaft) und die zweite Entscheidung (größer bzw. kleiner als 50%) erscheint als wichtig für die Entscheidung über die Behandlung des Patienten. Gründe für die Definition weiterer Kategorien der Stenose jedoch sind weniger schnell erkennbar. Ein Entscheidungspunkt im ersten Bereich (15 oder 20% verschlossen) basierte ursprünglich auf folgendem: (1) die Notwendigkeit, die Krankheit genauer als nur mit dem Bereich größer oder kleiner als 50% Stenose zu erfassen, um die Progression der Krankheit abschätzen zu können; (2) die Tatsache, daß die Übereinstimmung zwischen der Auswertung durch Radiologen ein und desselben Arteriographs bei 20% größer als bei 10% ist; und (3) ein natürliches Minimum bei der Verteilung der lernenden Datenbank bie 20% auftritt. Eine Erweiterung der Größe der Datenbank kann eine weitere graduelle Unterscheidung in der Kategorie 51-99% ermöglichen. Obgleich eine Unterscheidung der Kategorie 51-99% möglich ist, erscheint eine feinere Abstimmung des Programms zur Unterscheidung von Änderungen von größer oder kleinerals 15% als unrealistisch, wenn man die fehlende Genauigkeit bei der Auslegung von tatsächlichen Arteriogrammen berücksichtigt.
Bei den gegenwärtigen Experimenten wurde versucht, die Bedeutung des Benutzers abzuschätzen, wenn man eine korrekte Diagnose für den Stenosegrad erreichen möchte. Unsere Tests beinhalten daher, daß die Doppler-Ultraschalldaten an demselben Patienten an drei verschiedenen Krankenhäusern erfaßt wurden und die Daten (aufgenommen von unterschiedlichen technischen Anwendern) mit dem Digitalrechner nach dem Mustererkennungsschema analysiert wurden, das nach der Erfindung beschrieben wird. Es hat sich gezeigt, daß in etwa 90% der Fälle die Rechnerdiagnosen die gleichen waren oder in einer benachbarten Kategorie lagen. Dies bedeutet, daß, wenn wir den Stenosegrad als 36-50% bei 90% der Zeit als verschlossen betrachten, ein technischer Anwender in einem anderen Krankenhaus beim Test als Stenosegrad von 15-35%, 36-50% oder größer als 50% (innerhalb einer Kategorie) feststellen wird. Daher hat sich das System als eine nicht-invasive Einrichtung als erfolgreich erwiesen, um die Krankheit zu identifizieren und wenigstens grob das Ausmaß der Stenose zu spezifizieren. Es wird nach weiteren Verfeinerungen der Methode gesucht, um die Rproduzierbarkeit zu verbessern und um die Fehler zu reduzieren, die während der Datenerfassung in das System eingebracht werden.
Das Klassifizierungsschema nach der Erfindung ist diskret und ignoriert mögliche Konflikte bei der jeweiligen Entscheidung. Es erzwingt eine Entscheidung für eine Kategorie. Beispielsweise kann eine in der ersten Entscheidung als normal klassifizierte Arterie auch als eine solche klassifiziert werden, die in einem zweiten Entscheidungsschritt mehr als 50% Stenose hat. Nach dem gegenwärtigen Lernprogramm und nach den zu erwartenden Testergebnissen ist die Wahrscheinlichkeit, daß eine Arterie, die mehr als 20% Okklusion oder Stenose hat, nur 2,5%, diese in der ersten Entscheidung als normal bezeichnet wird. In ähnlicher Weise sind keine Gefäße mit einer Stenose von weniger als 20% als solche klassifiziert worden, die eine Stenose von mehr als 50% haben, wenn man die gegenwärtigen Klassifizierungskriterien anwendet. Die Klassifizierungskriterien können im allgemeinen nur Abweichungen bei der Anordnung in eine Kategorie fehlgehen.
Fehlklassifizierungen resultieren häufig aus sehr starker Stenose bei den Patienten, bei denen die Daten sich durch eine quasi-stationäre, nicht pulsierende Form des Strömungsmusters auszeichnen. Diese Form des Strömungsbildes ist nur schwach bei der lernenden Datenbank ausgeprägt. Je mehr diese Arten von Daten zur Verfügung stehen, wird natürlich der Klassifizierungsalgorithmus zweifellos modifiziert, da die lernende Datenbank eine bessere Basis bildet, auf der die Entscheidungen hinsichtlich der Klassifikation getroffen werden. Strömungsbilder dieser Art werden zusätzlich in die Datenbank mitaufgenommen, um die Datenbank und die Entscheidungsfindung zu verbessern.
Der Übereinstimmungsgrad zwischen der Rechnerdiagnose und der Angiographie, gemessen nach der Kappa-Statistik, ist gleich 0,77 ± 0,04 (Standardabweichung). Dieses Maß der Übereinstimmung läßt sich leicht mit dem Übereinstimmungsgrad vergleichen, den man erreichen kann, wenn unterschiedliche Radiologen dieselben Arteriogramme auswerten, so daß man eine große Überlegenheit des Systems nach der Erfindung erkennen kann.
Die Definition der Charakteristika und der Auswahl der Charakteristika wird natürlich ständig weiterentwickelt. Um eine weitere Unterscheidung oder graduelle Unterscheidung der Kategorie 51-99% zu erreichen, ist eine adäquatere Überwachung des Fortschreitens der Arterienerkrankung während Langzeitfolgestudien notwendig. Um mit Präzision die Prüfstelle in dem Gefäß zu bestimmen und um die mögliche Variabilität beim Anlegen des gepulsten Doppler-Prüfvolumens zu reduzieren, werden auch die Möglichkeiten der Anwendung einer dreidimensionalen Positionslokalisierungseinrichtung untersucht. Es ist zu erwarten, daß eine Strömung innerhalb 1 mm einer vorangehenden Untersuchungsstelle untersucht werden kann und eine solche Methode könnte speziell Anwendung finden, wenn man serielle Doppelstudien ausführt.
Ausgewählte Teile der analytischen Software
Die im Anhang 2 angegebene Software ist eine bevorzugte Darstellung, die bei den erforderlichen Ermittlungen angewandt wurde, um die Charakteristika an den Stellen der gemeinsamen und der inneren Karotisarterie zu analysieren und die wichtigen Erkennungsmarken bei den Daten zu identifizieren, wie Systole, relative Minima oder relative Maxima. Die Kommentierung in der Software und die übliche FORTRAN-Programmiersprache zeigen dem Fachmann auf diesem Gebiet die Art und Weise, mit der die Größen der betreffenden Charakteristika ermittelt werden.
Anhang 1Literaturübersicht I. Patente
1. Reid et al., "Vorrichtung für die Ultraschallarteriographie", US-PS 41 09 642, 29. August 1978.
2. Huebscher et al., Doppler-Ultraschall-Strömungsmesser", US-PS 43 24 258, 13. April 1982.
3. Fox, "Kreuzstahl-Ultraschall-Strömungsmesser", US-PS 40 62 237, 13. Dezember 1977.
II. Technische Veröffentlichungen
1. K. Adiga et al., "Noninvasive Methode in the Diagnosis of Extracranial Carotid Artery Disease: A Correlation with Carotid Arteriography in Eighty Patients", Angiology, Juni 1984, 35 (6), 331-40.
2. W. Blackshear, Jr., et al., "Correlation of Hemodynamically Significant Internal Carotid Stenosis with Pulsed Doppler Frequency Analysis", Ann. Surg., April 1984, 199 (4), 475-81.
3. J. Murie et al., "Pulsed Doppler Imaging and Spectrum Analysis for Detection of Carotid Artery Disease", Angiology, April 1984, 35 (4), 215-21.
4. J. Murie et al., "Carotid Artery Bruit: Association with Internal Carotid Stenosis and Intraluminal Turbulence" Br. J. Surg., Jan. 1984, 71 (1), 50-2.
5. A. James, Jr., et al, "Studies of Blood Flow Employing Duplex, Pulsed Doppler Real-Time Sonography", Eur. J. Radiol., Aug. 1983, 3 Suppl. 1, 268-72.
6. P. Bendick et al., "Comparison of Ultrasound Scanning/ Doppler with Digital Subtraction Angiography in Evaluating Carotid Arterial Disease", Med. Instrum., Mai-Juni 1983, 17 (3), 220-2.
7. K. Garth et al., "Duplex Ultrasound Scanning of the Carotid Arteries with Velocity Spectrum Analysis", Radiology, Juni 1983, 147 (3), 823-7.
8. J. Murie et al., "Pulsed Doppler Imaging for Carotid Artery Disease", Scott Med. J. (Scotland), Jan. 1983, 28 (1), 21-4.
9. W. Blackshear, Jr., et al., "Carotid Endarterectomy without Angiography", J. Cardiovasc. Surg. (Turin), Nov.-Dez. 1982, 23 (6), 477-82.
10. L. D'Luna et al., "In Vitro Doppler Detection of Axisymmetric Stenoses from Transverse Velocity Measurements", J. Biomech., 1982, 15 (9), 647-60.
11. T. Doorly et al., "Carotid Ultrasonis Arteriography Combined with Real-Time Spectral Analysis: A Comparison with Angiography", J. Cardiovasc. Surg. (Turin), Mai-Juni 1982, 23 (3), 243-6.
12. B. Keagy, et al., "Objective Criteria for the Interpretation of Carotid Artery Spectral Analysis Patterns", Angiology, Apr. 1982, 33 (4), 213-20.
13. B. Diebold et al., "Noninvasive Assessment of Aortocoronary Bypass Graft Patency Using Pulsed Doppler Echocardiography", Am. J. Cardiol., Jan. 1979, 43 (1), 10-6.
14. R. Lewis et al., "Imaging the Carotid Bifurcation using Continuous-Wave Doppler-Shift Ultrasound and Spectral Analysis", Stroke, Sept.-Okt. 1978, 9 (5), 465-71.
15. Noninvasive Cardiovascular Diagnosis (Monograph), NLM Call No. W3 IN1263 1. 1977n.
16. C. Roberts, "Ultrasound in the Assessment of Vascular Function", Med. Prog. Technol., Juli 76 1920, 4 (1-2), 3-10.
17. H. Keller et al., Noninvasive Measurement of Velocity Profiles and Blood Flow in the Common Carotid Artery by Pulsed Doppler Ultrasound", Stroke, Juli-Aug. 1976, 7 (4), 370-7.
18. R. Barnes et al., "Noninvasisve Ultrasonic Carotid Angiography: Prospective Validation by Contrast Arteriography", Surgery, Sept. 1976, 80 (3), 328-35.
19. R. Felix, Jr., et al., "Pulsed Doppler Ultrasound Detection of Flow Disturbances in Arteriosclerosis", J. Clin. Ultrasound, Aug. 1976 4 (4), 275-82.
20. C. Joyner, "Transcutaneous Doppler Detector in the Study of Arterial and Venous Flow Patterns", Cardiovasc. Clin., 1975, 6 (3), 385-99.
21. H. Brunner et al., "Bestimmung instantaner Stromgeschwindigkeitsprofile in der A. femoralis communis mit gepulstem Doppler-Ultraschall bei Stenosen und Verschlüssen der Beckenarterien", Dtsch. Med. Wochenschr., 4 Jan. 1974, 99 (1), 3-7.
22. D. Strandness et al., "Clinical Applications of Continuous Wave and Pulsed Doppler Velocity Detectors", Velocimetrie Ultrasonore Doppler (Monograph), NLM Call No. WC 106 V443, 1974.
23. D. Baker et al., "Pulsed Doppler Techniques: Some Examples from the University of Washington", Ultrasound Med. Biol., 2 (4), 251-62 (1977).
24. Y. Langlois et al., "Evaluating Carotid Artery Disease. The Concordance Between Pulsed Doppler/Spectrum Analysis and Angiography", Ultrasound Med. Biol., Jan.-Feb. 1983, 9 (1), 51-63.
25. R. Knox et al., "Computer Based Classification of Carotid Arterial Disease: A Prospective Assessment", Stroke, Sept.-Okt. 1982, 13, 589-94.
26. F. Greene et al., "Computer Based Pattern Recognition of Carotid Arterial Disease Using Pulsed Doppler Ultrasound", Ultrasound Med. Biol., 8 (2), 161-76.
27. K. Bodily et al., "Spectral Analysis of Doppler Velocity Patterns in Normals and Patients with Carotid Artery Stenosis", Clin. Physiol., August 1981, 1 (4), 365-74.
28. Y. Langlois et al., "The Use of Common Carotid Waveform Analysis in the Diagnosis of Carotid Occlusive Disease", Angiology, Okt. 1983, 34 (10), 679-87.
29. D. Phillips et al., "Flow Velocity Patterns in the Carotid Bifurcations of Young, Presumed Normal Subjects", Ultrasound Med. Biol., Jan.-Feb. 1983, 9 (1), 39-49.
30. G. Fell et al., "Ultrasonic Duplex Scanning for Disease of the Carotid Artery", Circulation, Dec. 1981, 64 (6), 1191-5.
31. W. Blackshear, Jr., et al., "Ultrasonic Demonstration of External and Internal Carotid Patency with Common Carotid Occlusion: A Preliminary Report", Stroke, Mai-Juni 1980, 11 (3), 249-52.
32. W. Blackshear, Jr., et al., "Carotid Artery Velocity Patterns in Normal and Stenotic Vessels", Stroke, Jan-Feb. 1980, 11 (1), 67-71.
33. W. Blackshear, Jr., et al., "Detection of Carotid Occlusive Disease by Ultrasonic Imaging and Pulsed Doppler Spectrum Analysis", Surgery, Nov. 1979, 86 (5), 698-706.
34. P. Breslau et al., "Evaluation of Carotid Bifurcation Disease: The Role of Common Carotid Artery Velocity Patterns", Arch. Surg., Jan. 1982, 117, 58-60.
35. R. Knox et al., "Empirical Findings Relating Sample Volume Size to Diagnostic Accuracy in Pulsed Doppler Cerebrovascular Studies", J. Clin. Ultrasound, Mai-Juni 1982, 10, 227-232.
36. P. Breslau et al., "Effect of Carbon Dioxide on Flow Patterns in Normal Extracranial Arteries", J. Surg. Res. 32, 97-103 (1982).
37. W. Hass et al., "Joint Study of Extracranial Occlusion - II. Arteriography, Techniques, Sites and Complications", JAMA 203, 159-166 (1968).
38. D. Phillips at al., "Detection of Peripheral Vascular Disease Using the Duplex Scanner III", Ultrasound Med. Biol. 6, 205-218 (1980).
39. F. Greene, Jr., "A Microprocessor Based Pattern Recognition Approach to Diagnosing Atherosclerosis", Master's Thesis, University of Washington (1979).
40. S. Sheriff, "Mathematical Feature Extraction Applied to the Entire Doppler Shifted Frequency Signal Obtained from the Common Carotid Artery (Abstract), Blood Flow Theory and Practice, The Biol. Eng'g Soc., London (1980), 34-1, 34-4.
41. R. Rutherford et al., "The Use of Velocity Waveform Analysis in the Diagnosis of Carotid Artery Occlusive Disease", Surgery 695-702 (1977).
42. B. Kowalski, "Pattern Recognition in Chemical Reserarch", Computers in Chem. and Biochem. Res., Vol. 2, Academic Press, N.Y., (1976).
43. R. Lerski et al., "Computer Analysis of Ultrasonic Signals in Diffuse Liver Disease", Ultrasound Med. Biol., 5, 341-350 (1979).
Anhang 2a
Anhang 2b
00683 00070 552 001000280000000200012000285910057200040 0002003643162 00004 00564

Claims (34)

1. Nicht-invasives Verfahren zum automatischen und objektiven Diagnostizieren des Ausmaßes der Gefäßstenose in einem Patientenkörper, gekennzeichnet durch die Schritte:
(a) Übertragen eines entsprechenden Ultraschallsignals in den Körper, wobei das Signal in der Nähe des Mittelstromes des Gefäßes fokussiert wird, um den Mittelstrom- Blutfluß in dem Gefäß durch die Doppler-Verschiebungsmethode zu messen,
(b) Empfangen des rückgestreuten Doppler-Verschiebungssignales, das von der Strömung in dem Gefäß erzeugt wird,
(c) gleichzeitiges Aufzeichnen des EKG des Patienten mit dem Doppler-Signal, um ein periodisches Synchronisierungssignal zur Unterteilung des Doppler-Signals in periodische Segmente zu erhalten,
(d) Synchronisieren des EKG-Signales mit dem Doppler- Signal, um ein standardisiertes, periodisches Doppler- Signal der einzelnen Spektralsegmente zu erhalten,
(e) Ausführen einer Frequenzanalyse für jedes Spektralsegment des Doppler-Signals durch eine Fourier-Transformationsmethode auf Realzeitbasis, wobei die Analyse von einem vorbestimmten Punkt des EKG-Signals getriggert wird und die Analyse Frequenz/Amplituden-Daten liefert,
(f) Verarbeiten der Frequenz-Amplituden-Daten, um die Daten zu komprimieren, wobei die Kompression die Bildung eines Phasenmittelwertes der Spektralsegmente umfaßt,
(g) Vergleichen des komprimierten Phasenmittelwertes mit einer gespeicherten Datenbank von bekannten, vorklassifizierten Spektren, um den Phasenmittelwert in eine Kategorie von einer Mehrzahl von Kategorien einzureihen, die den Grad der Stenose angeben, und
(h) Diagnostizieren des Grades der Stenose des Patienten, basierend auf der Klassifikationskategorie.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß der Schritt zum Vergleichen des Phasenmittelwertes eine Mustererkennung zwischen den Patientendaten und den Datenbankspektren umfaßt, um den Phasenmittelwert mit den bekannten Spektren in der Datenbank zu kategorisieren.
3. Verfahren nach Anspruch 2, bei dem der Schritt zum Vergleichen des Phasenmittelwertes eine Reihe von Entscheidungen in einem hierarchischen Entscheidungsablauf umfaßt.
4. Verfahren nach Anspruch 3, dadurch gekennzeichnet, daß der hierarchische Ablauf wenigstens die gesonderten folgenden Entscheidungen umfaßt:
(a) erkrankt bzw. normal, und
(b) mehr als 50% Stenose oder weniger als 50% Stenose, wenn Erkrankung vorliegt.
5. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß der Schritt zur Verarbeitung der Frequenz/Amplitudendaten die folgenden Unterschritte umfaßt:
(a) Eliminieren der Arhythmien von den analysierten Spektralsegmenten, und
(b) Bildung eines Mittelwertes von etwa 15 bis 20 Spektralsegmenten, die, abgesehen von Arhythmien, aufeinanderfolgen, um den Phasenmittelwert zu bilden.
6. Verfahren nach Anspruch 5, dadurch gekennzeichnet, daß der Schritt der Verarbeitung den Unterschritt umfaßt, bei dem die Daten des Phasenmittelwertes dadurch komprimiert werden, daß man eine vorbestimmte Anzahl von Amplituden bzw. Zeitkonturen bei vorbestimmten Frequenzen aus dem Phasenmittelwert als eine repräsentative Darstellung der gesamten Phasenmittelwertsdaten auswählt.
7. Verfahren nach Anspruch 6, dadurch gekennzeichnet, daß der Schritt der Verarbeitung die Amplitude bzw. die Zeitkontur für die maximale Amplitudenfrequenz und wenigstens einer Amplitude bzw. einer Zeitkontur mit höherer oder niedriger Frequenz umfaßt, um den Streubereich des wirklichen Doppler-Bewegungssignales darzustellen.
8. Verfahren nach Anspruch 7, dadurch gekennzeichnet, daß nicht mehr als fünf Konturen für die Darstellung verwendet werden, und daß die fünf Konturen im wesentlichen die Amplituden bzw. Zeitkontur für die maximale Amplitudenfrequenz und zwei vorbestimmte Skalierungskonturen auf jeder Seite der maximalen Amplitudenfrequenzkontur sind.
9. Verfahren nach Anspruch 5, dadurch gekennzeichnet, daß Arhythmien auf der Basis eliminiert werden, daß die Periode des EKG-Signales für eine Arhythmie um mehr als ein vorbestimmter Betrag länger als die Periode eines typischen und als normal angenommenen Segments ist.
10. Verfahren nach Anspruch 5, dadurch gekennzeichnet, daß die Arhythmien eliminiert werden, wenn die Periode eine vorbestimmte Zeit überschreitet oder wenn die Periode um einen vorbestimmten Betrag größer als die unmittelbar vorausgehende Periode ist.
11. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß der Verarbeitungsschritt den Unterschritt umfaßt, bei dem die Daten des Phasenmittelwertes dadurch komprimiert werden, daß eine vorbestimmte Anzahl von Spektralcharakteristika aus dem Phasenmittelwert für eine Darstellung des gesamten Phasenmittelwertes ausgewählt wird.
12. Verfahren nach einem der Ansprüche 1 bis 11, dadurch gekennzeichnet, daß das Gefäß eine Karotisarterie ist.
13. Verfahren nach einem der Ansprüche 1 bis 12, dadurch gekennzeichnet, daß der Schritt, bei dem der Phasenmittelwert mit der Datenbank verglichen wird, die Kreuzvalidation der Klassifikation für jede Entscheidung umfaßt.
14. Verfahren nach Anspruch 13, dadurch gekennzeichnet, daß der Vergleichsschritt ein Hypereben- Lösungsverfahren der Mustererkennung, basierend auf einer linearen Regressionsanalyse nach Art von Pietrantonio und Jurs, allgemein als Pjurs bekannt, anwendet, bei der der Mustererkennungsalgorithmus iterativ die folgende Funktion minimalisiert: wobei:
Y = +1, wenn es bekannt ist, daß die Daten der Kategorie 2 angehören,
Y = -1, wenn es bekannt ist, daß die Daten der Kategorie 1 angehören,
Y = die vorausgesagte Kategorie
K = Anzahl der Charakteristika
w i = Wichtung der Charakteristika
X i = Meßwert der Charakteristik i
w 0 = konstant
15. Verfahren nach einem der Ansprüche 1 bis 14, dadurch gekennzeichnet, daß das Signal ein kombiniertes B- Form- und gepulstes Ultraschallsignal in einem Arbeitsbereich von etwa 5 MHz ist.
16. Verfahren nach einem der Ansprüche 1 bis 15, dadurch gekennzeichnet, daß der Schritt zur Ausführung der Frequenzanalyse in einer automatischen Spektralanalysiereinrichtung erfolgt und daß die Schritte zum Verarbeiten und Vergleichen der Daten in einem entsprechend programmierten Digitalrechner durchgeführt werden.
17. Verfahren nach einem der Ansprüche 1 bis 16, dadurch gekennzeichnet, daß der Vergleichsschritt die Mustererkennung im Vergleich zu einer gespeicherten Datenbank umfaßt, die anstelle der vollständigen Spektren in ähnlicher Weise wie die Phasenmittelwertdaten komprimiert sind.
18. Nicht-invasives Verfahren zum automatischen und objektiven Diagnostizieren des Ausmaßes der Stenose der Karotisarterien eines Patienten, gekennzeichnet durch die folgenden Schritte:
(a) Übertragen eines entsprechenden, kombinierten B-Form- und gepulsten Doppler-Ultraschallsignals in einem Arbeitsbereich von etwa 5 MHz in den Patienten in der Nähe der zu untersuchenden Karotisarterie, wobei das Signal in der Nähe der Mittelstromlinie der Arterie gebündelt wird, um den Mittelstromblutfluß in der Arterie durch die Doppler- Verschiebungsmethode zu messen,
(b) Empfangen des umgekehrt gerichteten Doppler-Signals, das durch die Strömung in der Arterie erzeugt wird,
(c) gleichzeitiges Aufzeichnen des EKG des Patienten, um ein periodisches Synchronisierungssignal für die Unterteilung des Doppler-Signals in periodische Spektralsegmente zu erhalten,
(d) Digitalisieren des Doppler-Signals in einer Spektralanalysiereinrichtung auf Realzeitbasis,
(e) Definieren der Spektralsegmente des Doppler-Signals in der Analysiereinrichtung, basierend auf einer Triggerung der R-Welle des EKG, wobei jedes Spektralsegmente eine so ausreichende Erstreckung hat, daß die Detektion einer Vorwärtsströmung, einer Rückwärtsströmung oder einer unstabilen Strömung in der Arterie ermöglicht wird,
(f) Analysieren jedes Spektralsegmentes in der Analysiereinrichtung durch eine Fourier-Transformationsmethode, um die Frequenz/Amplituden/Zeitdaten zu extrahieren,
(g) Übertragen der Frequenz/Amplituden/Zeitdaten des Schrittes (f) zu einem entsprechend programmierten Digitalrechner zusammen mit den EKG-Signaldaten,
(h) Ermitteln eines Phasenmittelwertes der Spektralsegmente durch Eliminierung von Arhythmien aus den Mittelwerten, basierend auf einer größeren Periode für die Arhythmien im Vergleich zu typischen als normal angenommenen Segmenten und einer Mittelwertbildung zwischen etwa 15 bis 20 ansonsten aufeinanderfolgenden und akzeptierbaren Spektralsegmenten gemäß folgender Gleichung: wobei:
E = die Fourier-Transformationsamplitude bei f, t und n,
K = Gesamtzahl der Segmente bei der Mittelung,
f = Frequenz,
t = Zeit (gemessen bezüglich der R-Welle des EKG), und
n = Sequenznummer des Segments.
(i) Komprimieren des Phasenmittelwertes, um eine Spektraldarstellung zu erhalten, die für die Mustererkennungsklassifikation geeignet ist, bei dem (1) die maximale Amplitudenfrequenz des Phasenmittelwertes als eine Anzeige des wirklichen Signals frei von Geräuschen gewählt wird, (2) eine Amplituden- Zeitkontur an dieser Frequenz für die Dauer des Segments für diese Frequenz erzeugt wird, und (3) ein repräsentiver Streubereich des Signals dadurch ermittelt wird, daß ein oder mehrere Konturen der Amplitude bzw. der Zeit oberhalb und unterhalb der maximalen Amplitudenfrequenzkontur miteingeschlossen wird, wobei der komprimierte Phasenmittelwert wenigstens drei Amplituden- bzw. Zeitkonturen umfaßt,
(j) Vergleichen des komprimierten Phasenmittelwertes mit einer gespeicherten Datenbank von ähnlichen Phasenmittelwertkonturdaten von Gefäßen mit bekannten Stenosegraden, wobei die Datenbank aus Doppler- Bewegungsdaten von Patienten erstellt wurde, deren Stenosegrad durch Kontrastarteriographie bestätigt war, und wobei der Vergleich durch Mustererkennung in einem hierarchischen Entscheidungsprozeß unter Verwendung wenigstens folgender Entscheidungsschritte erfolgt:
(1) verschlossen bzw. offen;
(2) erkrankt bzw. normal, wenn offen, und
(3) größer als 50% Stenose bzw. weniger als 50% Stenose, wenn Erkrankung vorliegt
wobei der Vergleich den Phasenmittelwert in einer Kategorie mittels einer Hyperebenen-Lösungsmethode klassifiziert, und
(k) Anzeigen der Klassifikation als Diagnose für den Stenosegrad.
19. Verfahren nach Anspruch 18, dadurch gekennzeichnet, daß das Doppler-Signal wenigstens von der unteren gemeinsamen Karotisarterie und der proximalen inneren Karotisarterie abgenommen wird.
20. Verfahren nach Anspruch 19, dadurch gekennzeichnet, daß die Hyperebenen-Lösungsmethode auf einer linearen Regressionsanalyse nach Art von Pietrantonio und Jurs, allgemein bekannt als Pjurs, basiert, wobei der Mustererkennungsalgorithmus iterativ die folgende Funktion minimalisiert: wobei:
Y = +1, wenn es bekannt ist, daß die Daten der Kategorie 2 angehören,
Y = -1, wenn es bekannt ist, daß die Daten der Kategorie 1 angehören,
Y = die vorausgesagte Kategorie
w i = Wichtung der Charakteristika
X i = Meßwert der Charakteristik i
w 0 = konstant
21. Verfahren nach Anspruch 20, dadurch gekennzeichnet, daß die Klassifikation in eine Kategorie bei jeder hierarchischen Entscheidung durch die Kreuzvalidationsanalyse bestätigt wird.
22. Verfahren nach Anspruch 21, dadurch gekennzeichnet, daß die Kreuzvalidationsmethode eine "Zwischenprobe plus Komplement"-Methode ist.
23. Verfahren nach Anspruch 22, dadurch gekennzeichnet, daß die Charakteristiken für den Vergleich zwischen den Doppler-Bewegungsdaten und der Datenbank die folgenden Charakteristiken für jede Entscheidung umfassen:
(a) erkrankt bzw. normal,
(b) größer als 50% Stenose bzw. weniger als 50% Stenose, wenn erkrankt,
(c) zwischen 50 bis 35% Stenose bzw. weniger als 35% Stenose, wenn weniger als 50% Stenose, und
(d) zwischen 35 bis 15% Stenose bzw. weniger als 15% Stenose, wenn weniger als 35% Stenose.
24. Verfahren nach einem der Ansprüche 1 bis 23, dadurch gekennzeichnet, daß der Entscheidungsschritt für Verschlossen oder Offen einen Test umfaßt, um zu bestimmen, wenn ein Doppler-Bewegungssignal von der inneren Karotisarterie und von der gemeinsamen Karotisarterie vorhanden ist, um zu verifizieren, daß die Karotisarterien anstatt vollständig verschlossen offen sind.
25. Nicht-invasives Verfahren zum automatischen und objektiven Diagnostizieren des Ausmaßes der Stenose der Karotisarterien eines menschlichen Patienten aus den Doppler-Ultraschall-Bewegungsdaten von der unteren gemeinsamen Karotisarterie und der proximalen inneren Kartotisarterie, gekennzeichnet durch die folgenden Schritte:
(a) Übertragen eines entsprechenden, kombinierten B-Form- und gepulsten Doppler-Ultraschallsignals in einem Arbeitsbereich von etwa 5 MHz in den Patienten in der Nähe der zu untersuchenden Karotisarterie an gewünschten Stellen, wobei das Signal in der Nähe der Mittellinie der Arterie gebündelt wird, um den Mittelblutflußstrom in der Arterie an jeder Stelle mittels der Dopplerbewegungsmethode zu messen,
(b) Empfangen des rückgestreuten Doppler-Signals, das durch die Strömung in der Arterie erzeugt wird,
(c) gleichzeitiges Aufzeichnen des EKG des Patienten, um ein periodisches Synchronisierungssignal für die Unterteilung der Doppler-Signale in periodische Segmente entsprechend den aufeinanderfolgenden Herzzyklen zu erhalten,
(d) Digitalisieren des Doppler-Signals mit einer Spektralanalysiereinrichtung auf Realzeitbasis mit diskreter, schneller Fourier-Transformation,
(e) Definieren der Spektralsegmente des Doppler-Signals in der Analysiereinrichtung, basierend auf einer Triggerung der R-Welle des EKG,
(f) Analysieren jedes Spektralsegmentes in der Analysiereinrichtung mittels einer Fourier-Transformationsmethode, um Frequenz/Amplituden/Zeitdaten zu extrahieren,
(g) Übertragen der Analyse des Schrittes (f) zu einem entsprechend programmierten Digitalrechner zusammen mit den EKG-Signaldaten,
(h) Ermitteln des Phasenmittelwertes der Spektralsegmente an jeder Stelle durch Eliminierung von Arhythmien aus dem Mittelwert, basierend auf der verlängerten Periode für die Arhythmien und einer Mittelung zwischen etwa 20 ansonsten aufeinanderfolgenden, akzeptierbaren Spektralsegmenten gemäß folgender Gleichung: wobei:
E = die Fourier-Transformationsamplitude bei f, t und n,
K = Gesamtzahl der Segmente bei der Mittelung,
f = Frequenz,
t = Zeit (gemessen bezüglich der R-Welle des EKG), und
n = Sequenznummer des Segments,
(i) Komprimieren des Phasenmittelwertes der Strömung an jeder Stelle, um eine Spektraldarstellung für die effiziente und vereinfachte Mustererkennungsklassifikation zu erhalten, bei der (1) die maximale Amplitudenfrequenz des Phasenmittelwertes aus einer Amplituden- bzw. Frequenzkarte für den Phasenmittelwert für den gesamten Herzzyklus herausgefunden wird, wobei die maximale Amplitudenfrequenz eine Anzeige des wirklichen Signals frei von Geräuschen ist, (2) eine Amplituden- bzw. Zeitkontur bei dieser Frequenz für den gesamten Herzzyklus des Segments erzeugt wird, und (3) ein repräsentativer Streubereich des Signals dadurch ermittelt wird, daß die 3dB und 9dB-Amplituden- bzw. Zeitkonturen oberhalb und unterhalb der maximalen Amplitudenfrequenzkontur miteingeschlossen werden, wobei die komprimierten Phasenmittelwertskonturdaten im wesentlichen fünf Konturen der Amplitude bzw. Zeit sind,
(j) Vergleichen der ausgewählten Charakteristika der komprimierten Phasenmittelwerte im Vergleich zu einer gespeicherten Datenbank ähnlicher Charakteristika, die aus Phasenmittelwertkonturdaten von bekannten, vordiagnostizierten Zuständen ausgewählt sind, wobei man die Datenbank aus Doppler-Bewegungsdaten von Patienten enthält, deren Stenosegrad durch Kontrastarteriographie bestätigt wurde, und wobei der Vergleich durch Musterkennung in einem hierarchischen Entscheidungsprozeß unter Verwendung wenigstens folgender Entscheidungsschritte erfolgt:
(1) verschlossen bzw. offen,
(2) erkrankt bzw. normal, wenn offen, und
(3) größer als 50% Stenose bzw. weniger als 50% Stenose, wenn Erkrankung vorliegt,
wobei der Vergleich zur Klassifizierung des Phasenmittelwertes des Patienten in eine Kategorie durch eine Hyperebenen-Lösungsmethode erfolgt, die auf einer linearen Regressionsanalyse nach Art von Pietrantonio und Jurs, allgemein bekannt als Pjurs, basiert, bei der der Mustererkennungsalgorithmus iterativ die Funktion minimalisiert: wobei:
Y = +1, wenn es bekannt ist, daß die Daten der Kategorie 2 angehören,
Y = -1, wenn es bekannt ist, daß die Daten der Kategorie 1 angehören,
Y = die vorausgesagte Kategorie
K = Anzahl der Charakteristika
w i = Wichtung der Charakteristika
X i = Meßwert der Charakteristik i
w 0 = konstant
wobei das Verfahren bis zu fünf Charakteristika bei jeder Entscheidung berücksichtigt,
(k) Kreuzvalidation jeder Entscheidung mit einer iterativen "Zwischenprobe plus Komplement"-Methode, um die Entscheidung zu verifizieren und die den Daten inhärente Varianz zu reduzieren, und
(l) Anzeigen der Klassifikation, die durch die Rechneranalyse bestimmt wird, als Diagnose des Stenosegrades.
26. Nicht-invasives Verfahren zum automatischen und objektiven Diagnostizieren des Ausmaßes der Stenose der Karotisarterien eines menschlichen Körpers aus den Doppler- Ultraschallbewegungsdaten von der unteren gemeinsamen Karotisarterie und der proximalen, inneren Karotisarterie, gekennzeichnet durch folgende Schritte:
(a) Erzeugen eines Doppler-Bewegungssignals an jeder Stelle während etwa 20 bis 25 aufeinanderfolgender Herzzyklen,
(b) gleichzeitiges Aufzeichnen des EKG des Patienten, um ein Synchronisierungssignal für die Unterteilung der Doppler-Bewegungssignale in periodische Spektralsegmente entsprechend den aufeinanderfolgenden Herzzyklen zu erhalten,
(c) Mittelung der Signale von den Segmenten, um ein repräsentatives Doppler-Bewegungssignal zu erzeugen, das die Strömung in der Arterie an der entsprechenden Stelle darstellt,
(d) Vergleichen des Phasenmittelwertes des Schrittes (c) in einer Datenbank von vorklassifizierten Phasenmittelwerten bekannter Stenose mittels eines Digitalrechners durch Anwendung einer Mustererkennungsmethode, um den Stenosegrad zu klassifizieren, und
(e) Anzeigen der Klassifikation, die durch den Rechnervergleich bestimmt wurde, als Diagnose des Stenosegrades.
27. System zum automatischen und objektiven Diagnostizieren des Stenosegrades eines Gefäßes aus kombinierten B-Form- und gepulsten Doppler-Daten, die in Spektralsegmenten auf Realzeitbasis mittels einer Spektralanalysiereinrichtung mit schneller Fourier-Transformation analysiert werden, gekennzeichnet durch:
einen entsprechend programmierten Digitalrechner zur Ausführung der Mustererkennung entweder der Spektralsegmente oder eines Phasenmittelwertes der Spektralsegmente, um daß Ausmaß der Stenose unter Verwendung einer Datenbank von bekannten Stenoseformen bei vorklassifizierten Spektralsegmenten zu klassifizieren.
28. System zum automatischen und objektiven Diagnostizieren des Stenosegrades eines Gefäßes eines menschlichen Körpers unter Anwendung einer nicht-invasiven Technik, gekennzeichnet durch:
(a) eine kombinierte B-Form- und gepulste Doppler- Ultraschallabtasteinrichtung (10), um ein gebündeltes Signal auf die Mittelströmung des Gefäßes zu richten und das umgekehrt gerichtete Doppler- Bewegungssignal zu empfangen, das die Blutströmung in dem Gefäß wiedergibt,
(b) eine Spektralanalysiereinrichtung, um das analoge Doppler-Bewegungssignal in ein digitales Frequenz/ Amplituden/Zeitsignal umzuwandeln,
(c) einen EKG R-Wellendetektor zur gleichzeitigen Synchronisierung des Dopplerbewegungssignals in periodischen Segmenten entsprechend den aufeinanderfolgenden Herzzyklen,
(d) einen Digitalrechner, der eine gespeicherte Datenbank von vorklassifizierten Doppler-Bewegungssignalsegmenten bekannter Stenoseformen enthält, um das vom Patienten erhaltene Signal der Datenbank mit Hilfe einer Mustererkennungsmethode zu vergleichen und den Stenosegrad zu klassifizieren, und
(e) eine Anzeigeeinrichtung zum Anzeigen der im Digitalrechner ermittelten Klassifikation.
29. System nach Anspruch 28, dadurch gekennzeichnet, daß die Spektralanalysiereinrichtung eine digitalisierte, diskrete, schnelle Fourier-Transformation der Doppler-Bewegungsdaten für den Rechner liefert.
30. System nach Anspruch 29, dadurch gekennzeichnet, daß der Rechner die vom Patienten erhaltenen Signale mit der Datenbank auf die folgende Weise vergleicht:
(a) Eliminieren von Arhythmien aus dem Signal,
(b) Erzeugen eines Phasenmittelwertes von aufeinanderfolgenden periodischen Segmenten des durch eine Synchronisierungsposition zu der R-Welle des EKG- Signals identifizierten Signals,
(c) Komprimieren des Signals auf wenigstens eine Amplituden- bzw. Zeitkontur, die den wirklichen Blutstrom frei von Geräuschen wiedergibt, und
(d) Kategorisieren des Stenosegrades des Patienten durch Vergleichen von ausgewählten Charakteristiken aus dem komprimierten Signal mit ähnlichen Charakteristiken, die man aus der Datenbank von Signalen extrahiert, die man von Gefäßen mit bekannten Stenoseformen erstellt hat.
31. Verfahren zum Diagnostizieren des Ausmaßes der Stenose einer Karotisarterie unter Anwendung einer nicht-invasiven Ultraschalltechnik, dadurch gekennzeichnet, daß aus den Doppler-Bewegungsdaten einer Vielzahl von aufeinanderfolgenden Herzschlägen des Patienten extrahierten Charakteristika mit einer Datenbank von analogen Doppler-Datencharakteristiken von Gefäßen mit bekannter Stenose unter Verwendung einer Mustererkennungsmethode verglichen werden, um den Stenosegrad zu identifizieren.
32. Verfahren nach Anspruch 31, dadurch gekennzeichnet, daß die Diagnose umfaßt, daß Kategorieentscheidungen des Stenosegrades in einem hierarchischen Prozeß durchgeführt werden.
33. Verfahren nach Anspruch 32, dadurch gekennzeichnet, daß die Daten der aufeinanderfolgenden Herzschläge gemittelt werden, um die Daten zu einem Phasenmittelwert zu komprimieren.
34. System zum automatischen und objektiven Diagnostizieren des Stenosegrades einer Karotisarterie eines Patienten unter Anwendung einer nicht-invasiven Ultraschalltechnik, gekennzeichnet durch:
(a) einen Ultraschallabtaster/Empfänger,
(b) eine Einrichtung zum Vergleichen der aus den Ultraschalldaten einer Mehrzahl von aufeinanderfolgenden Herzschlägen des Patienten extrahierten Charakteristiken mit einer Datenbank von analogen Herzschlagdaten von Gefäßen bekannter Stenose, um die vom Patienten erhaltenen Daten in eine Kategorie der Stenose einzureihen, und
(c) eine Anzeigeeinrichtung zur Darstellung der Kategorie des Stenosegrades, der durch die Ultraschalldaten bestimmt ist.
DE19863643162 1985-12-17 1986-12-17 Nicht-invasives diagnoseverfahren fuer die gefaessstenose Withdrawn DE3643162A1 (de)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
US06/810,872 US4770184A (en) 1985-12-17 1985-12-17 Ultrasonic doppler diagnostic system using pattern recognition

Publications (1)

Publication Number Publication Date
DE3643162A1 true DE3643162A1 (de) 1987-06-19

Family

ID=25204926

Family Applications (1)

Application Number Title Priority Date Filing Date
DE19863643162 Withdrawn DE3643162A1 (de) 1985-12-17 1986-12-17 Nicht-invasives diagnoseverfahren fuer die gefaessstenose

Country Status (4)

Country Link
US (1) US4770184A (de)
JP (1) JPS62164441A (de)
DE (1) DE3643162A1 (de)
FR (1) FR2591884A1 (de)

Families Citing this family (84)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4930513A (en) * 1988-07-26 1990-06-05 U.S. Philips Corporation Two dimensional processing of pulsed Doppler signals
US4993418A (en) * 1989-01-26 1991-02-19 Minnesota Mining And Manufacturing Company Doppler blood flow system and method using low frequency noise signal processing
US5107841A (en) * 1989-11-27 1992-04-28 Acoustic Imaging Technologies Corporation Maximum entropy velocity estimator for ultrasonic flow imaging system
WO1992009962A1 (en) * 1990-11-30 1992-06-11 Schwartz Alan N Apparatus and method for sensing erectile function
US5325445A (en) * 1992-05-29 1994-06-28 Eastman Kodak Company Feature classification using supervised statistical pattern recognition
US5327893A (en) * 1992-10-19 1994-07-12 Rensselaer Polytechnic Institute Detection of cholesterol deposits in arteries
US6261235B1 (en) * 1993-01-07 2001-07-17 Seiko Epson Corporation Diagnostic apparatus for analyzing arterial pulse waves
US5379770A (en) * 1993-12-21 1995-01-10 Nicolet Biomedical, Inc. Method and apparatus for transcranial doppler sonography
EP0674185A1 (de) * 1994-03-25 1995-09-27 Laboratoires D'electronique Philips S.A.S. Verfahren und Vorrichtung zum Detektieren und Charakterisieren eines Abschnitts eines Blutgefässes mit Ultraschall-Echographie
US5413105A (en) * 1994-05-09 1995-05-09 Diasonics Ultrasound, Inc. Median temporal filtering of ultrasonic data
WO1997000482A1 (en) * 1995-06-15 1997-01-03 The Regents Of The University Of Michigan Method and apparatus for composition and display of three-dimensional image from two-dimensional ultrasound
US5911691A (en) * 1996-05-21 1999-06-15 Aloka Co., Ltd. Ultrasound image processing apparatus and method of forming and displaying ultrasound images by the apparatus
JP3537594B2 (ja) * 1996-06-13 2004-06-14 アロカ株式会社 超音波診断装置
JPH1043140A (ja) * 1996-08-01 1998-02-17 Fukuda Denshi Co Ltd 生体情報処理装置
IL119713A0 (en) * 1996-11-28 1997-02-18 Diasonics Israel Ltd Coronary stenosis measurements
US7108663B2 (en) 1997-02-06 2006-09-19 Exogen, Inc. Method and apparatus for cartilage growth stimulation
US7789841B2 (en) 1997-02-06 2010-09-07 Exogen, Inc. Method and apparatus for connective tissue treatment
US5904659A (en) 1997-02-14 1999-05-18 Exogen, Inc. Ultrasonic treatment for wounds
US5997477A (en) * 1997-04-14 1999-12-07 The Trustees Of The University Of Pennsylvania Apparatus for imaging an element within a tissue and method therefor
GB9726664D0 (en) * 1997-12-17 1998-02-18 Nycomed Imaging As Improvements in or relating to ultrasonography
DE59914044D1 (de) 1998-02-26 2007-01-25 Alfred Schiller Vorrichtung zum Erzeugen eines Hilfssignals zum Bestimmen des Zeitpunkts einer Herzdefibrillation
EP0947163B1 (de) * 1998-02-26 2006-12-13 Alfred Schiller Vorrichtung zum Erzeugen eines Hilfssignals zum Bestimmen des Zeitpunkts einer Herzdefibrillation
WO1999049775A2 (en) * 1998-03-30 1999-10-07 Echovision, Inc. Echocardiography workstation
US6674879B1 (en) 1998-03-30 2004-01-06 Echovision, Inc. Echocardiography workstation
CA2331694C (en) 1998-05-06 2011-07-05 Exogen, Inc. Ultrasound bandages
US6066095A (en) * 1998-05-13 2000-05-23 Duke University Ultrasound methods, systems, and computer program products for determining movement of biological tissues
WO2000004831A1 (en) 1998-07-21 2000-02-03 Acoustic Sciences Associates Synthetic structural imaging and volume estimation of biological tissue organs
US6048319A (en) * 1998-10-01 2000-04-11 Integrated Medical Systems, Inc. Non-invasive acoustic screening device for coronary stenosis
MXPA01011974A (es) 1999-05-21 2002-05-06 Exogen Inc Aparato y metodo para tratamiento ultrasonico y electromagnetico de tejido.
AU768759B2 (en) 1999-06-14 2004-01-08 Exogen, Inc. Method and kit for cavitation-induced tissue healing with low intensity ultrasound
US6339715B1 (en) 1999-09-30 2002-01-15 Ob Scientific Method and apparatus for processing a physiological signal
US6692443B2 (en) * 2000-09-29 2004-02-17 New Health Sciences, Inc. Systems and methods for investigating blood flow
JP4126228B2 (ja) 2000-10-25 2008-07-30 エクソジェン インコーポレイテッド 変換器取付用組立体
EP1363539B1 (de) 2001-03-02 2005-11-09 PALTI, Yoram Gerät zur detektierung arterieller stenose
US6470749B1 (en) * 2001-05-08 2002-10-29 Halliburton Energy Services, Inc. Method and apparatus for pulsed ultrasonic doppler measurement of wall deposition
US6575914B2 (en) 2001-05-18 2003-06-10 Koninklijke Philips Electronics N.V. Integrated cardiac resuscitation system with ability to detect perfusion
US7429248B1 (en) 2001-08-09 2008-09-30 Exogen, Inc. Method and apparatus for controlling acoustic modes in tissue healing applications
US8775196B2 (en) 2002-01-29 2014-07-08 Baxter International Inc. System and method for notification and escalation of medical data
US10173008B2 (en) 2002-01-29 2019-01-08 Baxter International Inc. System and method for communicating with a dialysis machine through a network
US8234128B2 (en) 2002-04-30 2012-07-31 Baxter International, Inc. System and method for verifying medical device operational parameters
US20050038343A1 (en) * 2003-07-10 2005-02-17 Alfred E. Mann Institute For Biomedical Research At The University Of Southern California Apparatus and method for locating a bifurcation in an artery
WO2007001352A2 (en) * 2004-08-31 2007-01-04 University Of Washington Ultrasonic technique for assessing wall vibrations in stenosed blood vessels
US9066679B2 (en) * 2004-08-31 2015-06-30 University Of Washington Ultrasonic technique for assessing wall vibrations in stenosed blood vessels
WO2007056386A2 (en) * 2005-11-07 2007-05-18 Dvx, Llc. Ultrasound apparatus and method for generating audio signals using doppler
US7796798B2 (en) * 2006-05-17 2010-09-14 International Business Machines Corporation Frequency domain based MICR reader
WO2008073081A1 (en) * 2006-12-11 2008-06-19 Havens Steven W Method and apparatus for acquiring and processing transducer data
US7673525B2 (en) * 2007-01-09 2010-03-09 Schlumberger Technology Corporation Sensor system for pipe and flow condition monitoring of a pipeline configured for flowing hydrocarbon mixtures
US8360635B2 (en) * 2007-01-09 2013-01-29 Schlumberger Technology Corporation System and method for using one or more thermal sensor probes for flow analysis, flow assurance and pipe condition monitoring of a pipeline for flowing hydrocarbons
US11064964B2 (en) * 2007-03-08 2021-07-20 Sync-Rx, Ltd Determining a characteristic of a lumen by measuring velocity of a contrast agent
US10716528B2 (en) 2007-03-08 2020-07-21 Sync-Rx, Ltd. Automatic display of previously-acquired endoluminal images
US11197651B2 (en) 2007-03-08 2021-12-14 Sync-Rx, Ltd. Identification and presentation of device-to-vessel relative motion
US9968256B2 (en) 2007-03-08 2018-05-15 Sync-Rx Ltd. Automatic identification of a tool
US9375164B2 (en) 2007-03-08 2016-06-28 Sync-Rx, Ltd. Co-use of endoluminal data and extraluminal imaging
US9629571B2 (en) 2007-03-08 2017-04-25 Sync-Rx, Ltd. Co-use of endoluminal data and extraluminal imaging
JP5639764B2 (ja) 2007-03-08 2014-12-10 シンク−アールエックス，リミティド 運動する器官と共に使用するイメージング及びツール
EP2358269B1 (de) 2007-03-08 2019-04-10 Sync-RX, Ltd. Bildverarbeitung und instrumentbetätigung für medizinische verfahren
CN101342083B (zh) * 2007-07-12 2012-07-18 深圳迈瑞生物医疗电子股份有限公司 多普勒信号频谱计算方法与装置
US10089443B2 (en) 2012-05-15 2018-10-02 Baxter International Inc. Home medical device systems and methods for therapy prescription and tracking, servicing and inventory
US8554579B2 (en) 2008-10-13 2013-10-08 Fht, Inc. Management, reporting and benchmarking of medication preparation
US9095313B2 (en) 2008-11-18 2015-08-04 Sync-Rx, Ltd. Accounting for non-uniform longitudinal motion during movement of an endoluminal imaging probe
US10362962B2 (en) 2008-11-18 2019-07-30 Synx-Rx, Ltd. Accounting for skipped imaging locations during movement of an endoluminal imaging probe
US9974509B2 (en) 2008-11-18 2018-05-22 Sync-Rx Ltd. Image super enhancement
US9144394B2 (en) 2008-11-18 2015-09-29 Sync-Rx, Ltd. Apparatus and methods for determining a plurality of local calibration factors for an image
US11064903B2 (en) 2008-11-18 2021-07-20 Sync-Rx, Ltd Apparatus and methods for mapping a sequence of images to a roadmap image
US9101286B2 (en) 2008-11-18 2015-08-11 Sync-Rx, Ltd. Apparatus and methods for determining a dimension of a portion of a stack of endoluminal data points
JP5819732B2 (ja) * 2009-02-05 2015-11-24 パルティ、ヨーラム 血管における狭窄の検出
EP2440139B1 (de) 2009-06-09 2016-05-18 Koninklijke Philips N.V. Verfahren und gerät zur erkennung von sich bewegenden anatomischen strukturen mit ultraschall
US11413653B2 (en) 2010-06-24 2022-08-16 Cvr Global, Inc. Sensor, sensor pad and sensor array for detecting infrasonic acoustic signals
EP2585227B1 (de) 2010-06-24 2022-02-09 CVR Global, Inc. Sensor, sensorpad und sensoranordnung zur erkennung von akustischen infraschallsignalen
US8712122B2 (en) 2011-03-31 2014-04-29 International Business Machines Corporation Shape based similarity of continuous wave doppler images
JP6099640B2 (ja) 2011-06-23 2017-03-22 シンク−アールエックス，リミティド 管腔の背景の鮮明化
JP6134789B2 (ja) 2012-06-26 2017-05-24 シンク−アールエックス，リミティド 管腔器官における流れに関連する画像処理
US9375079B2 (en) 2012-10-26 2016-06-28 Baxter Corporation Englewood Work station for medical dose preparation system
KR101974258B1 (ko) 2012-10-26 2019-04-30 백스터 코포레이션 잉글우드 의료 투여분 조제 시스템을 위한 개선된 이미지 취득
US20140303499A1 (en) * 2013-04-09 2014-10-09 Konica Minolta, Inc. Ultrasound diagnostic apparatus and method for controlling the same
JP5877816B2 (ja) * 2013-05-27 2016-03-08 日立アロカメディカル株式会社 超音波画像撮像装置及び超音波画像撮像方法
US11107574B2 (en) 2014-09-30 2021-08-31 Baxter Corporation Englewood Management of medication preparation with formulary management
WO2016090091A1 (en) 2014-12-05 2016-06-09 Baxter Corporation Englewood Dose preparation data analytics
US11020095B2 (en) * 2015-01-14 2021-06-01 Echosense Jersey Limited Data compression to facilitate remote medical analysis and diagnosis
SG11201707114XA (en) 2015-03-03 2017-09-28 Baxter Corp Englewood Pharmacy workflow management with integrated alerts
US11195600B2 (en) 2016-10-17 2021-12-07 International Business Machines Corporation Automatic discrepancy detection in medical data
JP2021520250A (ja) * 2018-04-03 2021-08-19 ザ チルドレンズ マーシー ホスピタル 体液の流れを検出するシステムおよび方法
US11583194B1 (en) * 2020-03-20 2023-02-21 Hemchandra Madhusudan Shertukde Non-invasive angiography device
US20230285002A1 (en) * 2020-07-31 2023-09-14 Timothy Shine Systems and methods for assessing internal lumen shape changes to screen patients for a medical disorder

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4109642A (en) * 1972-04-03 1978-08-29 Institute Of Applied Physiology & Medicine Apparatus for ultrasonic arteriography
US4062237A (en) * 1976-05-07 1977-12-13 Fox Martin D Crossed beam ultrasonic flowmeter
US4324258A (en) * 1980-06-24 1982-04-13 Werner Huebscher Ultrasonic doppler flowmeters

Also Published As

Publication number Publication date
FR2591884A1 (fr) 1987-06-26
JPS62164441A (ja) 1987-07-21
US4770184A (en) 1988-09-13

Similar Documents

Publication Publication Date Title
DE3643162A1 (de) Nicht-invasives diagnoseverfahren fuer die gefaessstenose
DE60207211T2 (de) Gerät zur detektierung arterieller stenose
DE69434152T2 (de) Vorrichtung zur beurteilungshilfe des kardiovaskulären zustandes eines patienten
Savage et al. Electrocardiographic findings in patients with obstructive and nonobstructive hypertrophic cardiomyopathy.
Ahlstrom et al. Feature extraction for systolic heart murmur classification
DE69637337T2 (de) Verbesserungen in Bezug auf physiologische Überwachung
Robert et al. Logistic discriminant analysis improves diagnostic accuracy of exercise testing for coronary artery disease in women.
US20050283070A1 (en) Systems and methods for qualifying symmetry to evaluate medical images
EP2129283A1 (de) Verfahren zum ermitteln mikrovaskulärer schädigungen
DE2215543A1 (de) Vorrichtung zum Erfassen von Kreislauftonsignalen
Wright et al. Artificial neural network analysis of common femoral artery Doppler shift signals: Classification of proximal disease
DE10163348A1 (de) Verfahren und Vorrichtung zur automatisierten Detektion und Differenzierung von Herzrhythmusstörungen
Hasan et al. Fetal electrocardiogram extraction and R-peak detection for fetal heart rate monitoring using artificial neural network and Correlation
DE102010061580A1 (de) Verwendung des Frequenzspektrums eines Artefaktes in der Oszillometrie
EP3592216B1 (de) Verfahren zum betreiben einer blutdruckmessvorrichtung
DE4238641C2 (de) Vorrichtung und Arbeitsverfahren zum Bestimmen und Auswerten des physiologischen Zustandes von Gefäßsystemen
Islam et al. Arrhythmia detection technique using basic ECG parameters
Langlois et al. Computer based pattern recognition of carotid artery Doppler signals for disease classification: prospective validation
Hegde et al. A review on ECG signal processing and HRV analysis
DE112009001006T5 (de) Vorrichtung zum Bewerten des Risikos von zerebrovaskulären Krankheiten
Vacek et al. Techniques for the determination of left ventricular mass by signal-averaged electrocardiography
Sherriff et al. Use of principal component factor analysis in the detection of carotid artery disease from Doppler ultrasound
Kara et al. Utilization of artificial neural networks and autoregressive modeling in diagnosing mitral valve stenosis
Evans The interpretation of continuous wave ultrasonic Doppler blood velocity signals viewed as a problem in pattern recognition
EP1014849A1 (de) Verfahren zur bewertung einer infolge einer lokalen durchstrahlung eines lebewesens erhaltenen streulichtverteilung durch kennwert-ermittlung

Legal Events

Date Code Title Description
8128 New person/name/address of the agent

Representative=s name: VOSSIUS, V., DIPL.-CHEM. DR.RER.NAT. TAUCHNER, P.,

8139 Disposal/non-payment of the annual fee