Bioimpedance-Based Real-Time Tissue-Sensing for Needle Guidance

Abstract

Lääkärit joutuvat tekemään haastavia pistoja ja ottamaan kudosnäytteitä usein näkemättä suoraan kohdetta. Epätarkkuus neulan kärjen sijainnissa injektion tai näytteenoton yhteydessä voi lisätä komplikaatioriskiä, viivästyttää diagnoosia ja hoitoa, lisätä piston kestoa, aiheuttaa ylimääräistä kipua sekä kudosvaurioita.

Bioimpedanssi voisi tarjota käytännöllisen neulaohjausmenetelmän haastaviin pistoihin. Bioimpedanssi mittaa kudosten sähköisiä ominaisuuksia, on turvallinen, kustannustehokas menetelmä, joka voidaan toteuttaa monenlaisiin instrumentteihin. Ennen tätä väitöskirjatutkimusta, tutkimus on kuitenkin pääasiassa keskittynyt kehittämään mittausteknologiaa laboratorio-olosuhteissa. Reaaliaikaista bioimpedanssipohjaista neulaohjaus- ja kudostunnistuslaitteistoa ei ole tutkittu riittävästi elävällä kudoksella sovelluskohtaisesti optimoiden todellisessa kliinisessä käytössä.

Tämän työn tavoitteena on kehittää ja arvioida reaaliaikaista bioimpedanssipohjaista neulaohjaus- ja kudostunnistuslaitteistoa haastaviin pistoihin. Työssä tarkastellaan laitteiston toimivuutta ensin nestetunnistukseen, sitten pehmytkudos- ja lopuksi kasvainkudostunnistukseen. Työssä keskitytään teknologian toimivuuden tarkasteluun todellisessa kliinisessä käytössä, mihin kuuluu myös kudoksen mikrorakenteiden vaikutus sekä sovelluskohtainen vaihteleva potilasaineisto. Esimerkkisovellukset, joissa laitteiston soveltuvuutta ja toimivuutta tutkitaan käytännön kliinisessä työssä ovat nivelpistot, selkäydinpuudutuksen lannepistot sekä maksabiopsiat.

Bioimpedanssipohjainen kudostunnistuslaitteisto koostuu mittauselektrodista, im-pedanssianalysaattorista sekä kudosluokitusalgoritmista. Kehitetyn laitteiston mittauselektrodina toimii tyypillinen neula ja sen sisälle laitettu, kärkeä lukuun ottamatta eristetty metallilanka. Mittaus tapahtuu neulaputken ja sisälangan väliltä bipolaarisesti. Useampaa injektioneulakokoa sekä yhtä biopsianeulakokoa testattiin. Reaaliaikainen mittaus on toteutettu käyttäen monitaajuusbinääriherätesignaalia, jonka teho on suunniteltu keskittymään 15 eri taajuudelle väliltä 1–349 kHz. Luokittelija-algoritmi on tilastollinen, Bayesian luokittelijaan perustuva. Algoritmi muuttaa impedanssianalysaattorin impedanssispektrin informaation 15 taajuudelta ensin ominaispiirteiksi ja sitten ominaispiirteiden perusteella tekee kudosluokituksen. Käytetyt ominaispiirteet, sisällytetyt kudosluokat, kohdekudos ja algoritmin parametrit valitaan, optimoidaan ja opetetaan sovelluskohtaisesti.

Menetelminä käytin elementtimenetelmä tietokonesimulaatioita, yhden sian <i>in vivo</i> eläinkoetta sekä kolmea <i>in vivo</i> kliinistä koetta. Reaaliaikaista nesteen tunnistusta tutkittiin 80 nivelen nivelpistoissa (51 potilasta) sekä 45 potilaan selkäydinpuudutuksissa ja kasvainten erottuvuutta 26 potilaan maksabiopsiatutkimuksessa.

Kliiniset <i>in vivo</i> tutkimukset nivelpistoissa ja selkäydinpuudutuksissa osoittivat, että laitteisto soveltuu hyvin reaaliaikaiseen nestetunnistukseen myös kliinisessä ympäristössä todellisilla potilailla. Nivelnesteen tunnistuksen luotettavuus oli 85 % kokeessa, jossa tehtiin 80 nivelpistoa eri niveliin, ja selkäydinnesteelle 91 % selkäydin-puudutuksissa 45 potilaalle. Eläinkoe osoitti, että laitteisto pystyy luokittelemaan luotettavasti myös pehmytkudoksia, joiden johtavuuserot itsessään voivat olla pieniä. Kokonaisluotettavuus tunnistaa pehmytkudos oli 94 % yhdestä elävästä siasta kerätyllä aineistolla luokitellessa maksaa, pernaa, lihasta, rasvaa ja verta. Impedanssisignaali vaihteli suuresti elävästä kudoksesta mitattaessa ja jo pienikin neulan siirtymä hieman eri kohtaan kudoksessa vaikutti mittausarvoon. Simulaatiot osoittivat, että jo 0,2 mm paksuiset kudosrakenteet vaikuttavat merkittävästi signaaliin aiheuttaen siihen vaihtelua. Toisaalta simulaatiot näyttivät myös miten paikallisesti tarkka toteutetun mittauselektrodin herkkyysjakauma on. Herkkyysjakauma keskittyi voimakkaasti neulan kärjelle, eikä kudosrakenteet neulan sivulla vaikuttaneet mittaus-signaaliin. Kohteet, jotka olivat kooltaan 2 x 2 x 2 mm³ tai suurempia mittautuivat oikein. Kliininen <i>in vivo</i> tutkimus 26 potilaan maksabiopsiasta osoitti, että kasvainkudoksen impedanssispektri on erilainen verrattuna ympäröivään kasvaimettomaan kudokseen. Ero oli merkittävä impedanssimagnitudissa alle 25 kHz taajuuksilla ja vaihekulmassa alle 3 kHz sekä yli 30 kHz taajuuksilla. Luotettavan kasvaintunnistusalgoritmin kehitys vaatii kuitenkin lisää tutkimusta ja laajempaa mittausaineistoa.

Tässä työssä tutkittu reaaliaikainen bioimpedanssipohjainen kudostunnistusmenetelmä osoittautui hyvin tarkaksi paikallisesti sekä toimivaksi kliinisessä ympäristössä todellisilla potilailla. Koska laitteisto pystyy reaaliaikaisesti tunnistamaan, missä kudoksessa neulan kärki sijaitsee, menetelmällä on potentiaalia haastavien pistojen helpottamisessa. Tulevaisuudessa se voisi jopa muuttaa käytänteitä tehdä haastavia pistoja.

Physicians need to perform demanding injections and biopsies without visual control, even though achieving the right location is essential for proper treatment and diagnosis. Uncertainty in needle tip location during injection or sampling may increase complication risks, cause delays in diagnosis and treatment, increase puncture duration, unnecessary pain and tissue damage.

Bioimpedance may provide a feasible answer to the need of simple needle guidance. It measures tissue electrical properties and is safe, non-invasive and possible to implement in various of instruments. Prior to this thesis, the research has been focused on developing the measurement technology mainly in the laboratory environment. Robust real-time bioimpedance-based tissue-sensing measurement device and classification algorithms for needle guidance have not been satisfyingly studied and optimized application specifically in clinical practice <i>in vivo</i>.

The aim of this thesis was to develop and evaluate real-time bioimpedance-based needle guidance and tissue detection device for demanding clinical punctures. In this work the performance and feasibility of the method is studied and evaluated first in detecting body fluids, then in detecting soft tissues and finally in detecting tumorous tissue from surrounding non-tumorous tissue. Thesis work focuses on evaluating the method in real clinical use, which includes tissue microstructures and patient variation. The example applications studied are intra-articular injections, lumbar punctures for spinal anesthesia and liver biopsies.

Bioimpedance based tissue detecting device consists of sensor electrodes, impedance analyzer and classification algorithm. The measurement electrode utilized in this thesis is conventional looking needle which includes insulated metal wire. The measurement is performed between the needle cannula and the tip of the inner metal wire. Multiple injection needle sizes and one biopsy needle size are implemented. Real-time measurement is implemented using binary multifrequency excitation signal which has most of its power within 15 frequencies between 1 kHz and 349 kHz.

The classification algorithm utilized in this thesis is statistical, based on Bayesian clas-sifier. First the information within impedance spectra is transformed into features and then classified into tissue type. The features, classifier parameters, included tissue classes and the target tissue is selected and optimized application specifically.

The methods included finite element method simulations, <i>in vivo</i> animal study of one pig and three clinical in vivo studies. Real-time fluid detection was studied in intra-articular injections to 80 joints (51 patients) and in spinal anesthesia lumbar punctures to 45 patients. Tumor detection was studied in liver biopsy study with 26 patients.

Clinical <i>in vivo</i> studies in intra-articular injections and spinal anesthesia lumbar punctures showed that the method is very feasible for real-time fluid detection also in clinical environment with real patients. The accuracy to detect synovial fluid was 85% in 80 injections to different joint types, and accuracy to detect cerebrospinal fluid was 91% in 45 patients. Animal study of one pig showed that the device is capable to accurately classify also soft tissues which can have very small conductivity differences. Total accuracy to detect soft tissues was 94% to classify liver, spleen, muscle, fat and blood. Impedance signal varies a lot when measuring living tissue. Already small movement of the needle to another location changed the impedance signal significantly. Finite element method computer simulations showed that already 0.2 mm thin heterogeneities change the impedance values significantly. On the other hand, the simulations also showed that the measurement is spatially precise. Heterogeneities next to the needle tip do not affect the measurement. The sensitivity distribution is focused on the needle facet and targets with size 2 x 2 x 2 mm³ and larger are correctly measurable. Clinical <i>in vivo</i> liver biopsy study with 26 patients showed that tumor impedance spectrum is different from impedance spectrum from non-tumorous tissue. Difference was significant in impedance magnitude at frequencies below 25 kHz and in phase angle below 3 kHz and above 30 kHz. Developing accurate real-time tumor tissue detection requires more studies and larger data sets.

The studied real-time bioimpedance-based tissue detection method was proven to be spatially precise and feasible in clinical environment with real patients. Since the device is capable to detect tissue at the needle tip in real-time adequately accurately, it has potential to help performing demanding punctures. In the future the method may change the state-of-the-art in performing demanding punctures.