Композиция моделей классификации для распознавания скорости течения жидкостей в капиллярах

Цель исследования. Разработка методики оценки средней скорости течения физиологических жидкостей в капиллярах по изображениям, полученным с помощью лазерной спекл-контрастной визуализации. Методика включает получение экспериментальных данных в виде изображения течения жидкости в тонкой трубке, их предварительную обработку, включая отсеивание и сжатие данных, а также обучение и тестирование приближенных моделей с использованием современных методов машинного обучения.
Методы. Экспериментальное исследование течения жидкости в трубке основано на применении метода лазерной спекл-контрастной визуализации, по полученным изображениям рассчитываются значения пространственного спекл-контраста. Полученные данные подвергаются предварительной обработке, включающей отсеивание данных до установившегося режима течения, а также сжатие полученных изображений с помощью метода главных компонент, что позволяет снизить размерность признакового пространства. Задача прогнозирования средней скорости по изображению течения жидкости решается как задача классификации на основе композиции решающих деревьев, построенных с помощью процедуры бэггинга, а также в виде «случайного» леса.
Результаты. Разработана методика предсказания средней скорости течения жидкости в капилляре по изображениям, полученным с помощью метода лазерной спекл-контрастной визуализации. Точность предсказания средней скорости (или расхода) на обучающей выборке составила около 91%, на валидационной и тестовой выборках - не менее 81,5%.
Заключение. На основе разработанной методики планируется определять кинематические характеристики параметров течения физиологических жидкостей, что позволит улучшить разработанный ранее авторами инерционный способ измерения вязкости испытуемых жидкостей, избавившись от ряда допущений относительно профиля скорости.

1. Xu J., Vilanova G., Gomez H. Phase-field model of vascular tumor growth: Threedimensional geometry of the vascular network and integration with imaging data // Comput. Methods Appl. Mech. Engrg. 2020; Vol. 359: 1-19.

2. Applying Methods of Diffuse Light Scattering and Optical Trapping for Assessing Blood Rheological Parameters: Erythrocytes Aggregation in Diabetes Mellitus / A.N. Semenov, A.E. Lugovtsov, K. Lee, and et. al. // Izv. Saratov Univ. (N.S.), Ser. Physics. Vol. 17. Iss. 2. P. 85–97 (in Russian). 2017; http://doi.org/10.18500/1817-3020-2017-17-2-85-97.

3. Yeow N. , Tabor R., Garnier G. Atomic force microscopy: From red blood cells to immunohematology // Advances in Colloid and Interface Science. 2017. Vol. 249. P. 149– 162. http://dx.doi.org/10.1016/j.cis.2017.05.011.

4. Harris M. J., Wirtz D., Wu P. Dissecting cellular mechanics: Implications for aging, cancer, and immunity // Seminars in Cell & Developmental Biology. 2018. P. 1 – 10.

5. Gertz M. A.. Acute hyperviscosity: syndromes and management // Blood. 2018. Vol. 132. Iss. 13. P. 1379-1385. https://doi.org/10.1182/blood-2018-06-846816.

6. Goodman J.W. Speckle Phenomena in Optics: Theory and Applications. Robert and Company Publisher. 2007.

7. Laser Doppler flowmetry in blood and lymph monitoring, technical aspects and analysis / V.V. Dremin, E.A. Zherebtsov, I.N. Makovik, and et al. // Proceedings of SPIE. 2017. Vol. 10063. P. 1006303. http://doi.org/10.1117/12.2252427.

8. Laser speckle contrast imaging of blood microcirculation in pancreatic tissues during laparoscopic interventions / E. Potapova, E. Seryogina., V. Dremin and et. al. // Quantum Electronics. 2020. Vol. 50. P. 33-14, http://doi.org/10.1070/QEL17207.

9. Image-guided simulation in comparison with laser speckle contrast imaging for fullfield observation of blood flow in a microvasculature model / Y. Yang, J. Geng, H. Zhang, and et. al. // Microvasc Res. 2021. Vol. 133. http://doi.org/10.1016/j.mvr.2020.104092.

10. Wavelet Analysis of the Temporal Dynamics of the Laser Speckle Contrast in Human Skin / I. Mizeva, V. Dremin, E. Potapova and et al. // IEEE Transactions on Biomedical Engineering. 2020. Vol. 67. No. 7. P. 1882-1889. http://doi.org/10.1109/TBME.2019.2950323.

11. Monitoring oxidative metabolism while modeling pancreatic ischemia in mice using a multimodal spectroscopy technique / V. Dremin, E. Potapova, A. Mamoshin and et al. // Laser Physics Letters. 2020. Vol. 11. No. 17. P. 115605. http://doi.org/10.1088/1612-202X/abbefa.

12. Clinical applications of laser speckle contrast imaging: a review / W. Heeman W. Steenbergen, Gooitzen M. van Dam et al. // Journal of biomedical optics. 2019. Vol. 24. No. 8. P. 1-11. http://doi.org/10.1117/1.JBO.24.8.080901.

13. Goodfellow Y. Y, Bengio Y., Courville A.. Deep learning. MIT Press. 2016.

14. Review of laser speckle contrast techniques for visualizing tissue perfusion / M. Draijer, E. Hondebrink, T. van Leeuwen, W. Steenbergen // Lasers in medical science. 2009; Vol. 24. No. 4: 639-651. http://doi.org/10.1007/s10103-008-0626-3.

15. Sarah Guido, Andreas Muller. Introduction to Machine Learning with Python: A Guide for data scientists. O'Reilly & Associates. 2017.

16. Geron A. Hands-On Machine Learning with Scikit-Learn and TensorFlow. Tokyo, 2019.

17. Scikit-learn. Machine Learning in Python. URL: https://scikit-learn.org/stable/modules/tree.html#tree

18. Kornaeva E., Kornaev A., Savin L., and et al. Theoretical premises of a vibro-inertial method of viscosity measurement // Vibroengineering Procedia. 2016. Vol. 8. P. 440 – 445.

19. NVidia Jetson Nano Datasheet // nvidia.com. URL: https://developer.download.nvidia.com/assets/embedded/secure/jetson/Nano/docs/JetsonNano_DataSheet_DS09366001v1.0.pdf? (дата обращения: 15.03.2021).

20. Süzen A. A., Duman B., Şen B.. Benchmark Analysis of Jetson TX2, Jetson Nano and Raspberry PI using Deep-CNN // 2020 International Congress on Human-Computer Interaction, Optimization and Robotic Applications (HORA). 2020. P.1-5.