Модельные исследования возможности широкополосной электроимпедансной спектроскопии по обнаружению и различению ишемических и геморрагических инсультов

Цель исследования заключается в изучении факторов, влияющих на детекцию и дифференцировку очагов нарушения кровообращения с помощью широкополосных измерений параметров электрического импеданса.

Методы. Измерения проведены на анатомически реалистичном фантоме головы, состоящем из трех компонентов, имитирующих скальп, костные структуры и головной мозг. Моделирование очагов нарушения кровообращения проводилось путем инъекции водных растворов хлорида натрия различной концентрации. Использована измерительная установка собственной разработки, обеспечивающая широкополосные измерения в полосе частот от 10 кГц до 1 МГц и базовую погрешность не более 1 %.

Результаты. Ранняя диагностика нарушений мозгового кровообращения является необходимым условием успешного лечения и последующей реабилитации. Наилучшими диагностическими возможностями обладает метод компьютерной томографии, однако он доступен только в стационарах. Электроимпедансная спектроскопия как метод оценки электрических параметров биологических тканей потенциально может быть использована как способ экспресс-диагностики на догоспитальном этапе. В статье представлены результаты численного и фантомного моделирования возможностей электроимпедансной спектроскопии по обнаружению и дифференциации ишемических и геморрагических очагов.

Заключение. Широкополосная электроимпедансная спектроскопия может рассматриваться как перспективный метод скрининга нарушений мозгового кровообращения, однако имеет ряд ограничений, которые должны быть приняты во внимание при разработке биотехнических систем для клинического применения. В частности, минимальный размер детектируемого очага ишемического повреждения зависит от разрешающей способности и динамического диапазона системы. Для обнаружения очагов объемом не более 5 мл, расположенных близко к электродам, необходим динамический диапазон системы не менее 60 Дб. При типичных для электроимпедансных систем значениях около 40 Дб минимально детектируемый объем возрастает до 30 мл.

1. Stroke: a global response is needed / W. Johnson, O. Onuma, M. Owolabi, S. Sachdev // Bulletin of the World Health Organization. 2016. Vol. 94. P. 634-634A.

2. Multi-frequency electrical impedance tomography and neuroimaging data in stroke patients / N. Goren, J. Avery, T. Dowrick [et al.] // Scientific Data. 2018. Vol. 5. P. 180112. https://doi.org/10.1038/sdata.2018.n2.

3. Dowrick T., Blochet C., Holder D. In vivo bioimpedance measurement of healthy and ischaemic rat brain: implications for stroke imaging using electrical impedance tomography // Measurements. 2015. Vol. 36. P. 1273-1282. https://doi.org/10.1088/0967-3334/36/6/1273.

4. Use of an Interactive Method for Classification in Problems of Medical Diagnosis / N. A. Korenevskiy, S. V. Degtyarev, S. P. Seregin, A. V. Novikov // Biomedical Engineering. 2013. Vol. 47, is. 4. P. 169-172. https://doi.org/10.1007/s10527-013-9361-6.

5. An expert system for assessment of the state of cognitive functions using a fuzzy hybrid knowledge base / N. A. Korenevskiy, S. N. Rodionova, N. L. Korzhuk [et al.] // Biomedical Engineering. 2021. Vol. 55. P. 263-268. https://doi.org/10.1007/s10527-021-10115-w.

6. Developing a biotech scheme using fuzzy logic model to predict occurrence of diseases using person's functional state / R. T. A. Kasasbeh, N. A. Korenevskiy, A. A. Aikeyeva [et al.] // International Journal of Computer Applications in Technology. 2020. Vol. 62, N 3. P. 257267.

7. Fan Y., Ying L. Solving electrical impedance tomography with deep learning // Journal of Computational Physics. 2020. Vol. 404. P. 109119. https://doi.org/10.1016/jjcp.2019.109119.

8. Candiani V., Santacesaria M. Neural networks for classification of strokes in electrical impedance tomography on a 3D head model // Mathematics in Engineering. 2022. Vol. 4, N 4. P. 1-22. https://doi.org/10.3934/mine.2022029.

9. Residual convolutional neural network-based stroke classification with electrical impedance tomography / Y. Shi, Z. Tian, M. Wang [et al.] // IEEE Transactions on Instrumentation and Measurement. 2022. Vol. 71. P. 1-11. https://doi.org/10.1109/TIM.2022.3165786.

10. A versatile and reproducible multi-frequency electrical impedance tomography system / J. Avery, T. Dowrick, M. Faulkner, N. Goren, D. Holder // Sensors. 2017. Vol. 17. P. 280. https://doi.org/10.3390/s17020280.

11. In vivo bioimpedance spectroscopy characterization of healthy, hemorrhagic and ischemic rabbit brain within 10 Hz-1 MHz / L. Yang, W. Liu, R. Chen, G. Zhang, W. Li, F. Fu, X. Dong // Sensors. 2017. Vol. 17, N 4. P. 791. https://doi.org/10.3390/s17040791.

12. IT’IS database for thermal and electromagnetic parameters of biological tissues, Version 4.0 / P. A. Hasgall, F. Di Gennaro, C. Baumgartner, E. Neufeld [et al.]. URL: http://www.itis.swiss/database (дата обращения: 17.02.2022).

13. Pinto A. M. R., Bertemes-Filho P., Paterno A. S. Gelatin as a skin phantom for bioimpedance spectroscopy // VI Latin American Congress on Biomedical Engineering CLAIB 2014. https://doi.org/10.13140/2.1.2704.9762.

14. Brazovskii K. S., Koroluk E. S. A device for measuring electrical parameters of biological tissues during cryodestruction // Biomedical Engineering. 2021. Vol. 54, N 6. P. 402406.

15. Brain haemorrhage detection using a SVM classifier with electrical impedance tomography measurement frames / B. McDermott, M. O'Halloran, E. Porter, A. Santorelli // PLoS ONE. 2018. Vol. 13, N 7. Р. e0200469. https://doi.org/10.1371/journal.pone.0200469.

16. Classification of stroke using neural networks in EIT / J. P. Agnelli, A. Qol, M. Lassas [et al.] // Inverse Problems. 2020. Vol. 36, N 11. P. 115008. https://doi.org/10.1088/1361- 6420/abbdcd.

17. Approach to compensate measurement errors in electrical impedance tomography / T. Menden, J. Orschulik, T. Tholen [et al.] // IEEE Biomedical Circuits and Systems Conference (BioCAS). 2017. P. 1-4. https://doi.org/10.1109/BIOCAS.2017.8325139.

18. Multiplexing error and noise reduction in electrical impedance tomography imaging / В. Martina, P. Sanchez, V. Julian [et al.] // Frontiers in Electronics. 2022. Vol. 3. https://doi.org/10.3389/felec.2022.848618.

19. Learning and correcting non-Gaussian model errors / D. Smyl, T. N. Tallman,

20. J. A. Black [et al.] // Journal of Computational Physics. 2021. Vol. 432. Р. 110152. https://doi.org/10.1016/jjcp.2021.110152.

21. Approximation error method for imaging the human head by electrical impedance tomography / V. Candiani, N. Hyvonen, J. P. Kaipio, V. Kolehmainen // Inverse Problem. 2021. Vol. 37, N 12. Р. 125008. https://doi.org/10.1088/1361-6420/ac346a.

22. Polynomial collocation for handling an inaccurately known measurement configuration in electrical impedance tomography / N. Hyvonen, V. Kaarnioja, L. Mustonen, S. Stabou- lis // SIAM Journal on Applied Mathematics. 2017. Vol. 77, N 1. P. 202-223. https://doi.org/10.1137/16M1068888.