Vessel Detection and Red Blood Cells Velocity Algorithm for Microcirculation Analysis

Monitorování mikrocirkulace je stále více považováno za významný nástroj při hodnocení zdravotního stavu kriticky nemocných pacientů. Změny v mikrocirkulaci lze sledovat například u pacientů se sepsí či orgánovými selháními. Zatímco parametry, které popisují množství a rozmístění cév (TVD, deBacker score) jsou určovány automaticky, deskriptory toku erytrocytů (MFI, FHI) jsou zatím určovány manuálně. Cílem práce je vyvinout software na automatickou analýzu mikrocirkulačních videí získaných SDFI (sidestream dark field imaging) technologií, přičemž důraz bude kladen na hodnocení toku krve, především rychlosti. Základem softwaru jsou stabilizace videa, automatická segmentace cév, měření rozměrů cév a tradiční deskriptory mikrocirkulace, jež lze určit automaticky. Funkce zmíněných implementací byla ověřena porovnáním hodnot tradičních deskriptorů s hodnotami, které byly získány analýzou komerčním softwarem. Hodnoty se lišily v průměru o 25 % (deBacker score) a 22 % (deBacker score pro malé cévy). Následně byly implementovány dva nové deskriptory toku, jeden založený na odhadu optického toku (opical flow descriptor (OFD)), druhý na sledování časových fluktuací pixelových intenzit (pixel intensity fluctuations (PIF)). Z experimentu na umělých datech vyšlo najevo, že OFD určuje správně rychlost do 17 pixelů/snímek. Pro popis reálných videí se však nehodí, protože určuje totožnou rychlost u videí s vizuálně odlišnými rychlostmi toku. Software byl použit na analýzu souboru videí, který obsahoval fyziologickou (pacienti v normálním stavu) a patologickou mikrocirkulaci (pacienti na mimotělním oběhu). Data z analýzy byla použita na vytvoření klasifikátoru obou typů videí. Významný rozdíl se potvrdil u tří z 16 hodnocených parametrů (každý ze čtyř deskriptorů byl určen pro čtyři skupiny cév dělené podle velikosti), a to jak u tradičního (deBacker score, p=0.035), tak u nového deskriptoru (PIF pro všechny cévy (p=0.034), PIF pro velké cévy (p=0.001)). Hlavním výsledkem práce je software pro kvantitativní automatickou analýzu mikrocirkulace, který poskytuje dva tradiční (TVD a deBacker score) a dva nové (PIF, OFD) deskriptory. Experiment prokázal, že na základě PIF lze klasifikovat fyziologickou a patologickou mikrocirkulaci. Úskalím experimentu je malý objem dat (151 videí). Zjistili jsme, že naše implementace optického toku není vhodná pro určování rychlosti toku červených krvinek ze SDFI videí, nejspíše kvůli nedostatečnému kontrastu, nedostatečné textuře uvnitř cév a přílišnému šumu. Výsledkem práce je software na automatickou kvantitativní analýzu mikrocirkulačních videí, který kromě stávajících parametrů jsou rozmístění či plocha cév, popisuje také tok krve.The monitoring of microcirculation becomes an attractive tool for evaluation of state of health of critically ill patients. Microcirculary alternations have been observed by patients with sepsis or organ failures. Those parameters, which describe number and distribution of vessels (TVD, deBacker score) can be assessed automatically, but the properties of blood flow (MFI, FHI) have to be determined manually. The goal of the thesis is to develop a software for automatic analysis of blood flow velocity from SDFI (sidestream dark field imaging) microcirculation videos. The software contains automatic correction of video instability, automatic vessel segmentation, measurement of vessel dimensions, two traditional (TVD, deBacker score) and two novel (optical flow descriptor (OFD), pixel intensity fluctuations (PIF)) descriptors. The function of software was verified by comparison of deBacker score values with those, which were determined by commercial software. The average difference was 25 % for deBacker score for all vessels and 22 % for deBacker score for small vessels. OFD estimates optical flow, the estimation is correct up to the velocity of 17 pixels/frame in artificial videos. However, it is not suitable for real data assessment, because it estimates identical values in vessels with visually different blood flow velocity. We analysed the videos with both physiological and pathological (patients on CPB) microcirculation and used the data to create a classifier of pathological microcirculation. We found a significant difference in three from 16 (each of four descriptors was computed for the vessels in four different ranges of diameter) parameters (deBacker score, p=0.035), (PIF for all vessels (p=0.034), PIF for large vessels (p=0.001). The main outcome of the thesis is the software for automatic analysis of microcirculation, which provides two conventional and two novel descriptors. We found out, that software enables to classify pathological microcirculation. However, just a small dataset of 151 videos was used to train and test the classifier. We discovered, that our implementation of optical flow is not suitable for blood flow velocity estimation, probably due to unsufficient contrast and texture and presence of noise. We developed the software for automatic microcirculation analysis. It describes number and distribution of vessels and blood flow