通过声学换能器对颅内压的无创确定
2019-11-22

通过声学换能器对颅内压的无创确定

提供了一种根据采用无创或微创技术测量得到的参数确定ICP的系统和方法,其中根据一个或多个可变输入采用非线性相关确定ICP。第一可变输入与颅侧血管和/或血流的一个或多个特性相关,例如由对颅侧血管聚焦的声学换能器得到的声学后向散射、颅侧血管血液流速等。其它变量,例如动脉血压(ABP)也用于与第一可变输入相结合,所述第一可变输入与颅血管的一个或多个特性相关,例如大脑中动脉(MCA)的流速,以使用非线性关系导出ICP。本发明也提供了一种根据目标区域的声学特性定位目标区域和对该区域进行声学扫描的方法和系统,所述方法和系统根据声学特征识别感兴趣的目标区域,自动将声源和/或检测器聚焦在希望的目标区域内。本发明也描述了声学换能器组件。

神经网络设计

然后,仅使用21位验证患者的声后向散射和ABP数据,在迭代模式中对导出算法进行测试以确定21位患者的ICP,其中对于上述21位验证患者,有创测量ICP数据已经被收集。图18显示了上述验证测试的结果,图中为21位验证患者中的每一位患者绘制了与有创测量的ICP相对的无创确定的ICP。如图18中的空心圆数据点所示,只使用21位患者中15位患者的声后向散射和ABP数据,模拟算法提供了一种ICP的高准确度确定。21验证位患者中的另外6位患者的ICP确定超出了预设的可接受标准,尽管在出现数据点偏离的六位患者中有4位患者的数据位于可接受的误差范围内。使用较大的患者总体进行ICP算法的推导期望能够基本上消除所有偏离患者ICP确定值的数据。

使用被动或主动声学模式进行的血压测量在PCT国际公开文本W002/43564和美国专利申请公开文本US2002/0095087Al中进行了描述,这些公开文本在此全部引入并作为参考。本发明的无创系统和方法提供一种动脉或静脉血压的测量方法,这种测量方法使用声学技术测量动脉或静脉的横截面或其它几何或材料属性的交替压缩和扩张,并使用根据经验建立的关系和/或数学模型。另一方面,可以使用声学技术测量血管周围组织的交替压缩和扩张,从而确定血压,其中上述血管周围组织由于血管在心动周期中被压缩和扩张而被移动。可以使用声学检测技术确定的几何属性包括直径、横截面面积、纵横比、直径变化率、速度等的变化。可以使用声学检测技术确定的材料属性包括血管壁或血管壁邻近组织的硬度。血压可以被估计,例如在主动和/或被动模式中,通过从位于或接近一个或多个血管的目标组织位置中采集声学数据。声学数据能够和血管壁或支持组织的硬度相关,该声学数据能够和血压相关,正如来自CNS目标组织位置的声学数据能够和组织硬度相关,该声学数据能够和ICP相关。用于确定动脉或静脉血压的恰当的目标组织位置可以包括任何血管或周围组织。例如,超声散射数据的检测可以与同一血管内的同步多普勒流量测量关联。

假设每一位患者均具有特有的血管阻力k,血管阻力k开始未知但是能够从生理数据中计算。尤其是,心脏可以看作是具有给定脉冲高度和合成流脉冲响应的阶梯函数发生器。这两个量之间的关系决定k。假设体积流量和Vjnca成正比。最后,假设MCA入口压カ、特性阻力k和体积流量从Vjnca中导出,ICP作为所需的颅侧出口压カ被计算。

图18表示应用使用神经网络和来自25位患者的训练集的声散射和ABP数据制定的算法,确定21位验证患者中姆位患者的ICP,所述21位患者不是25位患者训练集中的一部分。

ANN已显示了在预测时间序列数据方面特别有价值,参见EisnerJB,Predictingtimeseriesusinganeuralnetworkasamethodofdistinguishingchaosfromnoise,J.Phys.A:Math199225:843和MozerMC,Neuralnetarchitecturesfortemporalsequenceprocessing,InWeigendAandGershenfeldN,editors,Predictingthefutureandunderstandingthepast,Addison-Wesley1993。ANN也显不出能够从经验数据中学习预测血流参数,参见AllenJ,MurrayA,Modelingtherelationshipbetweenperipheralbloodpressureandbloodvolumepulsesusinglinearandneuralnetworksystemidentificationtechniques,PhysiolMeas.1999Aug;20(3):287_301o ANN被训练为通过暴露给ー组训练集来模拟输入和期望目标或输出值之间的给定关系,所述训练集即输入与已知输出或目标值匹配的一组数据。在训练期间,在已知目标值和实际ANN输出之间的误差以迭代方式使用,以修改网络连接权重,以便使网络误差最小化。在训练后,验证(或测试)数据集用于验证网络性能,所述验证(或测试)数据类似于训练集但不用于神经网络训练中。通过使用统计学有代表性的训练和验证数据集,ANN能够被产生,其可能在提供真实世界的输入数据时表现良好。在ー种示例情况下,训练集可由包含从ABP和Vjnca測量值导出数据的输入,包含从有创ICP測量值中导出的数据的匹配的目标值组成。用数据集进行训练的网络适当地代表了临床群体,其中使用的滤波器将能够从将来的ABP和V_mca输入数据中预测ICP。

网络件能的验证

经颉多普勒(TO):TranscranialDoppler)技术要求对骨头较薄的颉骨区域施加超声。多普勒信号的频率也进行了调整,使用脉冲超声波而不是连续超声波增强超声波通过颅骨传输的能力。脑动脉、颈内动脉、基底和椎动脉的流速都能够通过改变换能器的位置和角度以及器械的深度设置进行采样。在这种颅骨中最常见的窗口位于眶(眼睛的)内,并在颞和枕骨下区域内。

血管和/或中枢神经系统(CNS)组织的其他生理特性,例如组织硬度、内生和/或诱发组织移位,与脑呼吸和新陈代谢相关的部分气体压力,例如PCO2,血液灌流,血细胞比容,EKG和/或组织电生理特性,例如诱发电位,也可以根据本发明的方法和系统用于确定ICP。在许多实施方案中,使用了血液和/或CNS组织的一种或多种这些生理特性,与声散射数据和/或散射数据的多普勒分析,和/或ABP—起确定瞬时ICP。在另一个实施方案中,可以使用血液和/或CNS组织的一个或多个生理特性,而不需要与流速相关的数据来确定瞬时ICP。

O. 80mmHg,且具有下述可能性:95%的预测ICP值将在测量值的I.68mmHg之内。图12A和12B显示了这位示例患者的示例数据。对于8位患者中的6位患者(1-5号和8号),测量和预测ICP之间瞬时差值的平均值小于ImmHg-有创ICP测量中的平均不确定度。对于另ー个患者(6号),測量和预测ICP之间瞬时差值的平均值小于2mmHg。此外,对于这7位患者,大多数瞬时差值要小于2mmHg。

Mick的美国专利US5117835公开了一种通过测量颅骨的固有频率和频率响应频谱无创测量颅内压改变的装置和方法,颅骨的固有频率和频率响应频谱的变化通过施加机械加压的振荡刺激物进行测量,所述刺激物产生了通过骨传播的机械波,然后检测该频率响应频谱。比较随时间变化的频谱响应数据显示了ICP的趋势和变化。

且舒张压BP>正常界线内”

cMUT换能器阵列由多个独立的cMUT超声换能器单元结构组成,这些cMUT超声换能器单元排列成多个元件,这些按行和/或列和/或更小划分排列的元件构成了阵列。图8图解说明上述阵列60。构成每一个换能器元件64的cMUT换能器单元62的数目和构成阵列的元件的数目可以变化,这取决于阵列的应用。图8所示cMUT换能器阵列60包括多个cMUT换能器元件64,每一个换能器元件64包括一个独立cMUT单元62的6X6排列。因此,阵列60包括36个元件62的6X6排列,每一个换能器元件62有36个独立cMUT换能器单元组成。具有多种配置的cMUT换能器阵列可以被组装并被用在本发明中。