Politechnika Łódzka

Metody i narzędzia do obrazowania dróg moczowych na podstawie danych pochodzących z tomografii dwumodalnej

Jednym z głównych celów realizacji Etapu nr 1 projektu było opracowanie metod i narzędzi do nieinwazyjnego obrazowania dróg moczowych na podstawie danych pochodzących z systemów tomografii impedancyjnej EIT (ang. Electrical Impedance Tomography) i ultradźwiękowej UST (ang. Ultrasound Tomography). W ramach Etapu nr 1 prowadzono prace, których rezultatem jest zestaw nowych algorytmów przetwarzania, fuzji i wizualizacji danych pochodzących z systemów pomiarowych tomografii dwumodalnej. W szczególności opracowano i zaimplementowano technikę akwizycji dużej ilości danych pomiarowych (zestawów w tym obrazów medycznych o dużej objętości). Skupiono się również na zagadnieniach wstępnego przygotowania obrazów tomograficznych do dalszego ich przetwarzania, w tym z zastosowaniem algorytmów segmentacji i filtracji. Zbudowano wieloetapowy model fuzji obrazów pochodzących z systemów tomografii dwumodalnej oraz opracowano i zaimplementowano metody wizualizacji 2D i 3D, zarówno dla danych z tomografu impedancyjnego, jak i z tomografu ultradźwiękowego. Podsumowaniem działań w ramach każdego z podzadań była integracja opracowanych algorytmów z laboratoryjną wersją oprogramowania. Całość zadań programistycznych z Etapu nr 1 została zrealizowana przy użyciu: hybrydowej platformy deweloperskiej skonstruowanej na bazie języka C++, środowiska Matlab i języka Python. Platformę sprzętową stanowiły stacje robocze z procesorami AMD Ryzen 5800X i serwer obliczeniowy Supermicro z dwoma 38-rdzeniowymi procesorami Intel Xeon i 8 kartami graficznymi Nvidia RTX A5000, zakupione w ramach projektu.

Modele 3D dolnej części tułowia człowieka obejmujące układ moczowy

Dla celów weryfikacji opracowanych metod tomograficznych w ramach etapu 1 wykonane zostały modele 3D badanych fragmentów ciała. Wykonano prace na rzecz przygotowania modelu i doboru odpowiednich materiałów do wykonania fantomu. Modele wykonane zostały w technologii druku 3D (w tym celu zakupiono w projekcie drukarkę Stratasys F370) pozwalającej na jednoczesny wydruk filamentami wspierającymi i bazowymi z bardzo wysoką dokładnością odwzorowania struktur. Ponieważ nie są znane podobne modele do weryfikacji EIT i UT prace w tym zadaniu w sprawozdawanym okresie skupiły się głównie na doborze i wytworzeniu odpowiednich materiałów, które pozwoliłyby na uzyskanie jak najlepszych parametrów odwzorowania właściwości elektrycznych i akustycznych ciała ludzkiego. Na bazie tych prac wytypowano materiały, z których wykonano modele 3D dolnych części tułowia ludzkiego (obejmujące pęcherz moczowy, fragmenty moczowodów, cewkę moczową/fragment cewki moczowej). Zadania badawcze objęły prace nad (1) fantomem do tomografii ultradźwiękowej (UT) oraz (2) fantomem do tomografii impedancyjnej (EIT).

System informatyczny do przechowywania danych medycznych i wspomagania diagnostyki medycznej

W ramach etapu zrealizowano następujące prace:

• Projekt architektury sprzętowo-programowej serwera baz danych. Wybór stosu technologicznego gromadzenia i przetwarzania danych medycznych. Opracowanie konceptu technicznego systemu gromadzenia i przetwarzania danych medycznych przy zastosowaniu znanych formatów danych medycznych w tym DICOM.
• Opracowanie, implementacja i testy schematów baz danych. Projekt struktury bazy danych wraz z konfiguracją narzędzi zarządzania schematem bazodanowym.
• Opracowanie i wdrożenie podstawowych procedur uwierzytelniania dostępu, ochrony i bezpieczeństwa danych w tym przygotowanie mechanizmu autentykacji i autoryzacji na platformie webowej gromadzenia danych medycznych przy zastosowaniu Framework Spring.
• Opracowanie, implementacja i testy schematów komunikacyjnych dla architektury klient-serwer. Opracowanie i implementacja protokołu komunikacyjnego w stylu architektonicznym REST. Opracowanie mechanizmów komunikacji opartych na technologii webSocket
• Wdrożenie mechanizmów wizualizacji w trybie off-line danych medycznych gromadzonych w formacie DICOM.

Protokół komunikacyjny TomoPS systemu UROTOM

Komunikacja sieciowa urządzeń kontrolno-pomiarowych w systemie UROTOM (tj. system bezinwazyjnego monitorowania i diagnozowania czynnościowych zaburzeń dróg moczowych) wykorzystuje centralny węzeł komunikacyjny w postaci brokera komunikatów Apache Kafka, działającego w trybie publikacji/subskrypcji.

Zaprojektowany protokół TomoPS (Załącznik 4), schemat oraz metoda komunikacji Publisher-Subscriber cechuje się elastycznością wykorzystania (usługi można dowolnie podłączać i odłączać od sieci bez wpływu na działanie innych aktywnych jej elementów) jak i możliwością wygodnej rozbudowy (protokół nie jest z góry narzucony i ograniczony). Jego nadrzędnym celem jest integracja i zapewnienie szybkiej komunikacji poszczególnych modułów (tj. urządzenia tomograficzne, komputery) systemu UROTOM, które przeważnie są zadaniami złożonymi i czasochłonnymi obliczeniowo. Protokół TomoPS uwzględnia potrzeby poszczególnych usług, zarówno ze względu na charakterystykę przesyłanych danych, ich objętość jak i częstotliwość generacji.

Projekt architektury i implementacja systemu informatycznego wspomagania diagnostyki medycznej

Zaprojektowana została architektura systemu wspomagania diagnostyki medycznej. W toku pracy dokonano analizy znanych i dostępnych standardów, takich jak Hl7, RIM, DICOM oraz narzędzi do zbierania danych medycznych, a także poddano analizie wyniki uzyskane przy ich użyciu. Opracowana architektura ma zapewnić dużą moc obliczeniową oraz możliwość przetwarzania współbieżnego i rozproszonego. Dokonano implementacji zaprojektowanego systemu. Opracowano i wdrożono procedury uwierzytelniania dostępu, ochrony i bezpieczeństwa danych.

Algorytmy przetwarzania i analizy danych zgromadzonych w trakcie badań klinicznych

W ramach etapu 4 zostały opracowane i zaimplementowane algorytmy dla diagnostów umożliwiające przetwarzanie i analizę zgromadzonych danych medycznych. Diagnostyka medyczna wymaga odpowiednich narzędzi do jej przeprowadzenia. Wstępnym jej etapem jest odpowiednia selekcja i przygotowanie danych obejmujące wstępnie przetwarzanie (np. filtracja, normalizacja, eliminacja informacji nadmiarowej, segmentacja) oraz analizę (np. opis ilościowy, ekstrakcja cech). Przeprowadzenie tych procedur jest niezbędne zarówno dla diagnosty jak i oprogramowania go wspomagającego. Przeprowadzono następujące prace:

1. Przygotowanie algorytmów do opracowania i analizy danych medycznych za pomocą metod statystycznych – algorytmy analizy mocy testów

2. Przygotowanie algorytmów do opracowania i analizy danych medycznych za pomocą metod statystycznych – algorytmy związane z czyszczeniem danych

3. Przygotowanie algorytmów do opracowania i analizy danych medycznych za pomocą metod statystycznych – algorytmy związane z testowaniem hipotez i oceną zależności

4. Opracowanie algorytmów do analizy danych medycznych za pomocą metod statystycznych – algorytmy związane z oceną zależności

5. Opracowanie algorytmów do analizy danych medycznych za pomocą metod statystycznych – algorytmy związane z selekcją cech 

6. Opracowanie algorytmów do analizy danych medycznych za pomocą metod statystycznych – algorytmy związane z automatycznym budowaniem skupień.

Model 3D "Smart" (dynamiczny) dolnej części tułowia ludzkiego ze szczególnym uwzględnieniem dynamiki procesów zachodzących w drogach moczowych

W trakcie realizacja zadnia 3 w okresie raportowania za rok 2022 zespół projektował i realizował kolejne wersje fantomów dynamicznych 3D do testowania urządzeń do tomografii ultrasonograficznej i impedancyjnej. W oparciu o badania i testy wykonanych modeli modyfikowano zarówno materiały jak i sposób wykonania kolejnych wersji.

W ramach prowadzonych prac uzyskano założony KM4.

Rozwój algorytmów fuzji, wizualizacji i analizy obrazów tomograficznych z uwzględnieniem zgromadzonych danych medycznych (KM1 i KM2), optymalizacja złożoności obliczeniowej czasowej i pamięciowej opracowanych algorytmów (KM 3)

W ramach prac badawczych etapu nr 4 zbudowany został kompletny model diagnostyczny zdolny do identyfikacji poszczególnych organów Dolnych Dróg Moczowych (DDM) z trójwymiarowych danych tomograficznych.

Założeniem przyjętym do opracowania algorytmów analizy danych medycznych jest wykorzystanie narzędzi sztucznej inteligencji opartych na uczeniu głębokim (ang. deep learning).

Zaprojektowana została ścieżka (ang. pipeline) działań w procesie przetwarzania, analizy i wizualizacji danych medycznych (rys. 2) podzielona na 5 etapów:

1. Przygotowanie danych tj. odczyt z formatu DICOM, filtracja nieistotnych danych, przekształcenie struktury obrazu, konwersja do jednolitego typu danych.

2. Selekcja i maska tj. opracowanie zestawu algorytmów wizualizacji i analizy obrazów tomograficznych na potrzeby budowy wzorca do predykcji modelu ANN.

3. Augmentacja danych, której celem jest budowa obszernego zbioru uczącego na bazie oryginalnych i syntetycznych obrazów diagnostyki medycznej, została zrealizowana jako zestaw opracowanych algorytmów analizy danych medycznych.

4. Uczenie modelu ANN tj. budowa modelu ANN (struktura sieci, wartości wag neuronów w warstwach).

5. Predykcja ANN tj. implementacja zbudowanego wyuczonego modelu do predykcji organów DDM z nowych obrazów diagnostycznych.