A hasi elhízást vagy a gyomor és a has körül felhalmozódó zsírt régóta magas kockázatnak tekintik az embereknél. Ezért a „központi elhízás” mérése - ahogyan gyakran nevezik - segít megjósolni a hasi súlyfelesleg okozta rendellenességekre való hajlamot.

kell

A "SIAM Journal on Imaging Sciences" a jövő héten megjelent cikkében a Zürichi Szövetségi Műszaki Iskola (ETH), Svájcban, és Szöuli Yonsei Egyetem, Dél-Koreában javasoljon egy új technikát a hasi elhízás felmérésére a bőr alatti zsír vastagságának becslésével.

"A legújabb tanulmányok kimutatták, hogy a hasi elhízás olyan betegségekhez kapcsolódik, mint a pangásos szívelégtelenség és a metabolikus szindróma" - mondja a szerző Jin Keun Seo. A statikus elektromos impedancia tomográfiát vagy az EIT-t nem invazív helyettesítőként lehet használni a betegség előrehaladásához ilyen körülmények között. ".

Amellett, hogy nem invazív, az EIT, egy képalkotó technika valós idejű adatokat szolgáltat ionizáló sugárzás használata nélkül, előnyösebbé téve a számítógépes tomográfiát (CT), mivel kevésbé káros a betegek számára. Egy másik, erre a célra általánosan használt képalkotó technika, a mágneses rezonancia képalkotás (MRI) térbeli felbontása alacsonyabb, mint az EIT.

"A CT-hez képest az EIT előnyösebb, mivel nem ionizáló, ezért a betegek folyamatos önellenőrzésére felhasználható a testzsír állapotának napi rutinban történő nyomon követésére" - magyarázza Seo. A CT-vel és az MRI-vel ellentétben az EIT olcsó, hordozható és könnyen használható ágy melletti technika az elektromos vezetőkép eloszlásához ”.

Mivel a biológiai szövet elektromos vezetőképessége sejtszerkezetétől függ, ez segíthet a test különböző szöveteinek leképezésében és megkülönböztetésében. A zsír és az izom sejtszerkezete nagyon különbözik; ezért a zsír és az izom elektromos vezetőképességi értékei különböző frekvenciákon különböznek.

A többfrekvenciás EIT (MFEIT) rekonstruálja az emberi testben a vezetőképesség képét a szöveti vezetőképesség ezen frekvenciafüggése alapján. És mivel a csont, az izom és a zsír különböző frekvenciákon eltérő módon vezeti az elektromosságot, az MFEIT felhasználhatja a határ-stressz adatait különböző frekvenciákon a zsír mennyiségének becsléséhez. Ismételten, mivel a testzsír kevésbé vezetőképes, mint a víz és a szövetek, például az izom, ez a különbség felhasználható a zsigeri és a szubkután zsírszövet vastagságának becslésére.

Korábbi anatómiai információk felhasználásával

A konkrét folyamat magában foglal egy speciálisan kiválasztott jelenlegi mintát, amely egy mélységfüggő adatsort generál, amelyet a zsír és az izom közötti határok körvonalazására használnak. Az áramot az egyik elektródpáron keresztül injektálják, és az azt követő feszültségesést megmérik egy másik elektródpáron.

A befecskendezett áram és a feszültségesés kapcsolata adja meg az áteresztőképességet, vagyis az áram/feszültség arányt, amely a két elektródpár helyzetétől, a test geometriájától és a belépési eloszlástól függ, amely egyesíti a a vezetőképesség, mint a permittivitás.

Feltételezve, hogy az elektródák mérete a különböző szövetrégiók közötti határ nagyságához képest nagyon kicsi, a szerzők egy pontelektródamodellt alkalmaznak, amely jó közelítést nyújt a megoldáshoz, miközben jelentősen leegyszerűsíti a modellt.

Az EIT egyik problémája, hogy a technika hajlamos a közvetlen modellezési hibákra; ezek a hibák gyakran magukban foglalják a határgeometriát és az elektróda helyzetének bizonytalanságait. Ebben a munkában a szerzők egy új rekonstrukciós módszert javasolnak, amely kompenzálja ezt az EIT-csapdát, a korábbi anatómiai információk felhasználásával a térbeli felbontás rovására és a reprodukálhatóság javításával. A numerikus szimulációk azt mutatják, hogy a rekonstrukció eredménye kielégítő a szubkután zsír azonosításában.

"A statikus vezetőképesség leképezésének jelenlegi megközelítései a mért stressz és a numerikus szimulációkkal kapott különbség minimalizálásán alapulnak" - magyarázza Hyeuknam. Ezért a megbízható vezetőképességi eloszlások eléréséhez az elektródtartomány és a konfiguráció pontos modellezése szükséges. Ez az új módszer a kép pontos eloszlását eredményezheti a modellezési hibák törlésével ".