空気結合型トランスデューサを用いたレーザーオステオトームの機械学習ベース光音響組織分類法

Machine Learning-Based Optoacoustic Tissue Classification Method for Laser Osteotomes Using an Air-Coupled Transducer.

• Hervé Nguendon Kenhagho
• Ferda Canbaz
• Tomas E Gomez Alvarez-Arenas
• Raphael Guzman
• Philippe Cattin
• Azhar Zam

抄録

背景と目的:

骨の切断に機械的なツールの代わりにレーザーを使用することは、機能的な切断、非接触の相互作用、より速い創傷治癒など、多くの利点を持っています。従来の機械的なツールよりもレーザーの利点を十分に活用するために、組織を分類するためのリアルタイムフィードバックが提案されています。

BACKGROUND AND OBJECTIVES: Using lasers instead of mechanical tools for bone cutting holds many advantages, including functional cuts, contactless interaction, and faster wound healing. To fully exploit the benefits of lasers over conventional mechanical tools, a real-time feedback to classify tissue is proposed.

研究デザイン・材料・方法:

本論文では、発生したレーザー誘起音響衝撃波(ASW)に基づいて、5種類の組織(硬骨と軟骨,筋肉,脂肪,皮膚)を同時に分類した。レーザーアブレーションのために、532nmのナノ秒周波数倍増Nd:YAGレーザー光源と2940nmのマイクロ秒Er:YAGレーザー光源を使用して、各近位および遠位大腿骨の表面に10個のクレーターを作成しました。用途に応じて、Ｎｄ：ＹＡＧまたはＥｒ：ＹＡＧを骨切りに使用することができる。ASW記録のために、空気結合型変換器を切除スポットから5cm離れた位置に配置した。組織分類のために、Er:YAGおよびNd:YAGについてそれぞれ最小の平均分類誤差を提供する0.11〜0.27および0.27〜0.53MHzの振幅周波数帯を見て、測定された音響を分析した。データ削減のために、主成分分析(PCA)の入力として振幅周波数帯を用いた。PCAスコアに基づいて、組織型分類のための人工ニューラルネットワーク(ANN)、2次およびガウス支持ベクトルマシン(SVM)の性能を比較した。大腿骨近位部と遠位部の4つの大腿骨の10個のクレーターから測定した14,400点のデータセットをトレーニングデータとし、残りの大腿骨近位部と遠位部の10個のクレーターから測定した3,600点のデータセットをテストデータとし、各レーザーについて検討した。

STUDY DESIGN/MATERIALS AND METHODS: In this paper, we simultaneously classified five tissue types-hard and soft bone, muscle, fat, and skin from five proximal and distal fresh porcine femurs-based on the laser-induced acoustic shock waves (ASWs) generated. For laser ablation, a nanosecond frequency-doubled Nd:YAG laser source at 532 nm and a microsecond Er:YAG laser source at 2940 nm were used to create 10 craters on the surface of each proximal and distal femur. Depending on the application, the Nd:YAG or Er:YAG can be used for bone cutting. For ASW recording, an air-coupled transducer was placed 5 cm away from the ablated spot. For tissue classification, we analyzed the measured acoustics by looking at the amplitude-frequency band of 0.11-0.27 and 0.27-0.53 MHz, which provided the least average classification error for Er:YAG and Nd:YAG, respectively. For data reduction, we used the amplitude-frequency band as an input of the principal component analysis (PCA). On the basis of PCA scores, we compared the performance of the artificial neural network (ANN), the quadratic- and Gaussian-support vector machine (SVM) to classify tissue types. A set of 14,400 data points, measured from 10 craters in four proximal and distal femurs, was used as training data, while a set of 3,600 data points from 10 craters in the remaining proximal and distal femur was considered as testing data, for each laser.

結果:

ANNは、Nd:YAGレーザーとEr:YAGレーザーを用いた場合、全組織の平均分類誤差がそれぞれ5.01±5.06%、9.12±3.39%となり、両レーザーで最も優れた性能を示しました。その結果、ガウス-SVMの方が二次SVMよりも良好な結果が得られた。その結果、Nd:YAGレーザーでは15.17±13.12%、Er:YAGレーザーでは16.85±7.59%の平均分類誤差が得られ、2次SVMでは15.17±13.12%、2次SVMでは16.85±7.59%となった。最悪の性能を示したのは2次-SBMで、Nd:YAGレーザーでは50.34±35.04%、Er:YAGレーザーでは69.96±25.49%の分類誤差であった。

RESULTS: The ANN performed best for both lasers, with an average classification error for all tissues of 5.01 ± 5.06% and 9.12 ± 3.39%, using the Nd:YAG and Er:YAG lasers, respectively. Then, the Gaussian-SVM performed better than the quadratic SVM during the cutting with both lasers. The Gaussian-SVM yielded average classification errors of 15.17 ± 13.12% and 16.85 ± 7.59%, using the Nd:YAG and Er:YAG lasers, respectively. The worst performance was achieved with the quadratic-SVM with a classification error of 50.34 ± 35.04% and 69.96 ± 25.49%, using the Nd:YAG and Er:YAG lasers.

結論:

我々は、レーザー骨切りの際にリアルタイムで組織を分化させるためにANNを使用することを想定しています。Lasers Surg.医学©2020 Wiley Periodicals LLC.

CONCLUSION: We foresee using the ANN to differentiate tissues in real-time during laser osteotomy. Lasers Surg. Med. © 2020 Wiley Periodicals LLC.

© 2020 Wiley Periodicals LLC.