ANALYSIS OF UPPER RESPIRATORY TRACT SEGMENTATION FEATURES TO DETERMINE NASAL CONDUCTANCE

W pracy przeanalizowano cechy segmentacji górnych dróg oddechowych w celu określenia powietrznego przewodnictwa nosowego. Przedstawiono zdjęcia 2D i 3D procesu segmentacji oraz uzyskanych wyników. Podczas formowania analitycznego modelu aerodynamiki jamy nosowej głównym wskaźnikiem charakteryzującym konfigurację kanału nosowego jest ekwiwalentna średnica, którą wyznacza się na każdym skrzyżowaniu jam nosowych. Jest ona obliczana na podstawie pola powierzchni i obwodu odpowiedniego odcinka kanału nosowego. Podczas segmentacji jamy nosowej w pierwszej kolejności należy wyeliminować struktury powietrzne, które nie wpływają na aerodynamikę górnych dróg oddechowych – są to przede wszystkim nienaruszone przestrzenie zatok przynosowych, w których dominuje rozproszona wymiana powietrza. W trybie automatycznym jest to możliwe dzięki eliminacji niepołączonych izolowanych obszarów i znalezieniu, w kolejnym kroku, współczynników różnicy obszarów połączonych konfluencjami z przewodem nosowym. Wysokie współczynniki różnic przekrojów pomiędzy skrzyżowaniami będą wskazywały na obecność wydzielonych obszarów i przyczynią się do ich eliminacji. Złożona konfiguracja i duża zmienność osobnicza struktur jamy nosowej nie pozwala na pełną automatyzację segmentacji, jednak takie podejście przyczynia się do braku konieczności interaktywnej korekcji w 80% zestawów danych tomograficznych. Zaproponowana metoda, uwzględniająca intensywność elementów obrazu znajdujących się blisko konturu, pozwala na nawet 2-krotne zmniejszenie błędu uśredniania z rekonstrukcji tomograficznej, wynikającego ze sztucznej subrozdzielczości. Perspektywą pracy jest opracowanie metod w pełni automatycznej segmentacji struktur jamy nosowej z uwzględnieniem indywidualnej zmienności anatomicznej górnych dróg oddechowych.

Słowa kluczowe:

aerodynamika oddychania przez nos, jama nosowa, rekonstrukcja tomograficzna, segmentacja, górne drogi oddechowe, przewodzenie powietrza

Bibliografia

Aras A. et al.: Dimensional changes of the nasal cavity after transpalatal distraction using bone-borne distractor: an acoustic rhinometry and computed tomography evaluation. J. Oral Maxillofac. Surg. 68(7), 2010, 1487–1497.

Avrunin O. G. et al.: Features of image segmentation of the upper respiratory tract for planning of rhinosurgical surgery. Paper presented at the 2019 IEEE 39th International Conference on Electronics and Nanotechnology, ELNANO 2019, 485–488.

Avrunin O. G. et al.: Principles of computer planning in the functional nasal surgery. Przeglad Elektrotechniczny 93(3), 2017, 140–143 [http://doi.org/10.15199/48.2017.03.32].

Avrunin O. G. et al.: Study of the air flow mode in the nasal cavity during a forced breath. Proc. of SPIE 10445, 2017 [http://doi.org/10.1117/12.2280941].

Avrunin O. G. et al.: Possibilities of Automated Diagnostics of Odontogenic Sinusitis According to the Computer Tomography Data. Sensors 21, 1198, 2021 [http://doi.org/10.3390/s21041198].

Berger M. et al.: Agreement between rhinomanometry and computed tomography-based computational fluid dynamics. International Journal of Computer Assisted Radiology and Surgery 16(4), 2021, 629–638 [http://doi.org/10.1007/s11548-021-02332-1].

Cankurtaran M. et al.: Acoustic rhinometry in healthy humans: accuracy of area estimates and ability to quantify certain anatomic structures in the nasal cavity. Ann Otol. Rhinol. Laryngol. 116(12), 2007, 906–916.

Churchill S. E. et al.: Morphological Variation and Airflow Dynamics in the Human Nose. Am. J. Of Hum. Biol. 16, 2004, 625–638.

Cilluffo G., et al.: Assessing repeatability and reproducibility of anterior active rhinomanometry (AAR) in children. BMC Medical Research Methodology 20(1), 2020 [http://doi.org/10.1186/s12874-020-00969-1].

Clement P. A.: Standardisation Committee on Objective Assessment of the Nasal Airway. Consensus report on 43, 2005, 169–179.

Fyrmpas G. et al.: The value of bilateral simultaneous nasal spirometry in the assessment of patients undergoing. Rhinology 49(3), 2011, 297–303.

Hsu Y. et al.: Role of rhinomanometry in the prediction of therapeutic positive airway pressure for obstructive sleep apnea. Respiratory Research 21, 2020, 115 [http://doi.org/10.1186/s12931-020-01382-4].

Kang Y. J. et al.: The diagnostic value of detecting sudden smell loss among asymptomatic COVID-19 patients in early stage: The possible early sign of COVID-19. Auris Nasus Larynx 47(4), 2020, 565–573 [http://doi.org/10.1016/j.anl.2020.05.020].

Kirichenko L. et al.: Machine learning in classification time series with fractal properties. Data 4(1), 2019, 5 [http://doi.org/10.3390/data4010005].

Kuo C. J. et al.: Application of intelligent automatic segmentation and 3D reconstruction of inferior turbinate and maxillary sinus from computed tomography and analyze the relationship between volume and nasal lesion. Biomedical Signal Processing and Control 57, 2020, 101660 [http://doi.org/10.1016/j.bspc.2019.101660].

Li C. et al.: Nasal structural and aerodynamic features that may benefit normal olfactory sensitivity. Chemical Senses 43(4), 2018, 229–237.

Mlynski G. et al.: Correlation of nasal morphology and respiratory function. Rhinology 39(4), 2001, 197–201.

Moghaddam M. G.et al.: Virtual septoplasty: A method to predict surgical outcomes for patients with nasal airway obstruction. International Journal of Computer Assisted Radiology and Surgery 15(4), 2020, 725–735 [http://doi.org/10.1007/s11548-020-02124-z].

Ohlmeyer S. et al.: Cone beam CT imaging of the paranasal region with a multipurpose X-ray system-image quality and radiation exposure. Applied Sciences 10(17), 2020, 5876 [http://doi.org/10.3390/app10175876].

Ott K.: Computed tomography of adult rhinosinusitis. Radiologic Technology 89(6), 2018, 571–593.

Paul M. A. et al.: Assessment of functional rhinoplasty with spreader grafting using acoustic rhinomanometry and validated outcome measurements. Plastic and Reconstructive Surgery – Global Open. 6(3), 2018, p e1615 [http://doi.org/10.1097/GOX.0000000000001615].

Pavlov S. V. et al.: Information Technology in Medical Diagnostics. CRC Press, 2017.

Radulesco T. et al.: Correlations between computational fluid dynamics and clinical evaluation of nasal airway obstruction due to septal deviation: An observational study. Clinical Otolaryngology 44(4), 2019, 603–611 [http://doi.org/10.1111/coa.13344].

Romanyuk S. et al.: Using lights in a volume-oriented rendering. Proc. of SPIE 10445, 2017, 104450U.

Rovira J. R. et al.: Methods and resources for imaging polarimetry. Proc. of SPIE 8698, 2012, 86980T.

Tang H. et al.: Dynamic Analysis of Airflow Features in a 3D Real-Anatomical Geometry of the Human Nasal Cavity. 15th Australasian Fluid Mechanics Conference, University of Sydney, Australia, 2004.

Toriumi D.M.: Assessment of rhinoplasty techniques by overlay of before-and-after 3D images. Facial Plast Surg Clin North Am. 19(4), 2011, 711–723.

Valtonen O. et al.: Three-dimensional printing of the nasal cavities for clinical experiments. Scientific Reports 10, 2020, 502 [http://doi.org/10.1038/s41598-020-57537-2].

Vogt K., Jalowayski A. A.: 4-Phase-Rhinomanometry Basics and Practice. Rhinology 21, 2010, 1–50.

Wójcik W., Pavlov S., Kalimoldayev M.: Information Technology in Medical Diagnostics II. London: Taylor & Francis Group, CRC Press, Balkema book, 2019.

Zhang G. et al.: Correlation between subjective assessment and objective measurement of nasal obstruction. Zhonghua 43(7), 2008, 484–489.

ANALIZA CECH SEGMENTACJI GÓRNYCH DRÓG ODDECHOWYCH W CELU OKREŚLENIA PRZEWODNICTWA NOSOWEGO. (2022). Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, 12(4), 35-40. https://doi.org/10.35784/iapgos.3274

##plugins.themes.bootstrap3.article.sidebar##

Numer Tom 12 Nr 4 (2022)

Archiwum

##plugins.themes.bootstrap3.article.main##

Authors

Abstrakt

Słowa kluczowe:

Bibliografia

##plugins.themes.bootstrap3.article.details##

Licencja