Gast ::
Camera-based vital signs monitoring of neonates in real-time using deep learning = Kamerabasierte Überwachung der Vitalparameter von Frühgeborenen in Echtzeit mittels Deep Learning
2025
Dissertation, RWTH Aachen University, 2025
Genehmigende Fakultät
Fak06
Hauptberichter/Gutachter
; ;
Tag der mündlichen Prüfung/Habilitation
2025-05-16
Einrichtungen
Inhaltliche Beschreibung (Schlagwörter)
Frühgeborene (frei) ; camera-based (frei) ; deep learning (frei) ; kamerabasiert (frei) ; neonates (frei) ; vital signs monitoring (frei) ; vitalsignal monitoring (frei)
Thematische Einordnung (Klassifikation)
DDC: 621.3
Kurzfassung
Fast eines von zehn Kindern weltweit wird zu früh geboren. Aufgrund ihrer unreifen Physiologie benötigen diese Frühgeborenen eine umfassende medizinische Versorgung und ständige Überwachung, um den Entwicklungsprozess zu unterstützen und die damit verbundenen Komplikationen zu minimieren. Zu den modernsten Überwachungstechniken gehören heute kabelgebundene Sensoren und Elektroden, die mit medizinischen Adhesionsstoffen auf der Haut des Patienten angebracht werden. Während die genaue Überwachung der Vitalparameter ein Schlüsselfaktor in der Neugeborenenpflege ist, um in pathologische Verläufe eingreifen zu können, stellen die Adhesionsstoffe ein erhebliches Risiko für die unreife und daher verletzliche Haut dar, da sie Verletzungen verursachen können, die zu lebensbedrohlichen Infektionen führen können. Alternative Techniken zur kontinuierlichen Überwachung von Früh- und Neugeborenen, die eine unauffällige Fernbeurteilung der Vitalparameter ermöglichen, haben daher das Potenzial, kabelgebundene Sensoren zu ersetzen und das Gesamtergebnis der Versorgung zu verbessern, indem das Risiko von Hautverletzungen minimiert wird. Eine Technologie, die zunehmend untersucht wird, um diese Anforderungen zu erfüllen, sind kamerabasierte Sensoren, die Vitalparameter in Echtzeit ohne direkten Hautkontakt messen können. In dieser Arbeit werden neuartige Ansätze zur multimodalen kamerabasierten Überwachung von Vitaldaten bei Frühgeborenen vorgestellt, um die neonatale Versorgung zu verbessern. Drei verschiedene Software-Pipelines wurden unter Verwendung von Echtzeit-Bildverarbeitungstechniken aus dem sich schnell entwickelnden und innovativen Bereich des Deep Learning implementiert. Diese Tools wurden durch die Analyse multimodaler Bilddaten von Früh- und Neugeborenen validiert, die im Rahmen von zwei klinischen Studien und einer Laborstudie unter Verwendung eines neuartigen Phantoms mit Hardwarekomponenten zur Simulation von Vitalzeichen erfasst wurden. In den beiden klinischen Studien wurden insgesamt 33 Probanden in neonatalen Intensivstationen in Indien und Deutschland erfasst. Die Daten wurden verarbeitet, um die Herzaktivität, die Atmung, die Thermoregulation und die Bewegungen der Patienten zu extrahieren. Jede Studie wurde mit einem speziell entwickelten Kamerasystem durchgeführt, das eine RGB-Kamera und eine Infrarot-Thermografieausrüstung für die Wärmebildgebung umfasste. Das Neugeborenen-Phantom wurde im Rapid-Prototyping-Verfahren hergestellt und zur Validierung eines kostengünstigen Kamerasystems verwendet, indem pathologische Bedingungen der in Echtzeit überwachten kardialen und thermoregulatorischen Prozesse simuliert wurden. Um die Herausforderung der begrenzten Verfügbarkeit öffentlicher medizinischer Bilddaten zu bewältigen, die für das Training datengesteuerter Prognosemodelle von entscheidender Bedeutung sind, wurde ein neuartiger Ansatz zur Deep-Learning-basierten Datenerweiterung auf die in der Klinik aufgezeichneten Daten angewandt. Die vorgestellten Ergebnisse demonstrieren das Potenzial der auf Deep Learning basierenden Bildverarbeitung für die Echtzeitüberwachung von Vitalzeichen bei Früh- und Neugeborenen und zeigen die Möglichkeiten der Verwendung von Hardware-Phantomen für Laborstudien, wodurch teure und zeitaufwändige klinische Studien reduziert werden können. Schließlich stellt diese Arbeit einen Schritt in Richtung des Ersatzes potenziell schädlicher kabelgebundener Sensoren in der Neugeborenenversorgung dar.Almost one in ten children worldwide is born prematurely. Due to their immature physiology, these newborns require extensive medical care and constant monitoring to support the development process and minimize associated complications. Today’s state-of-the-art monitoring techniques include wired sensors and electrodes attached to the patient’s bare skin with medical-grade adhesives. While close monitoring of vital signs is a key factor in neonatal care to intervene in pathological progression, the adhesives pose a significant risk to the immature and therefore vulnerable skin, as they can cause injuries that can lead to life-threatening infections. Thus, alternative techniques for continuous monitoring of neonatal patients that allow unobtrusive remote assessment of vital signs have the potential to replace wired sensors and improve the overall outcome of neonatal care by minimizing the risk of skin injury. One technology that is increasingly being investigated to meet these requirements is camera-based sensors that can measure vital signs in real-time without direct skin contact. This thesis presents novel approaches to multi-modal camera-based monitoring of vital signs in preterm infants with the aim of improving neonatal care. Three different software pipelines have been implemented using real-time image processing techniques from the rapidly advancing and innovative field of Deep Learning. These tools were validated by analyzing multi-modal image data from neonatal patients acquired during two clinical studies and one laboratory study using a novel phantom implemented with hardware components to simulate vital signs. The two clinical trials recorded a total of 33 subjects in neonatal intensive care units in India and Germany. The data was processed to extract cardiac activity, respiration, thermoregulation, and patient movement. Each study was conducted using a specially designed camera system, including an RGB camera and Infrared Thermography equipment for thermal imaging. The neonatal phantom was manufactured using rapid prototyping and used to validate a low-cost camera setup by simulating pathological conditions of cardiac and thermoregulatory processes monitored in real-time. To address the challenge of the limited availability of public medical image data, which is crucial for training data-driven prediction models, a novel approach for Deep Learning-based data augmentation was applied to the clinic-recorded data. The results presented demonstrate the potential of Deep Learning-based image processing for real-time monitoring of vital signs in neonates and show the possibilities of using hardware phantoms for laboratory studies, reducing expensive and time-consuming clinical trials. Finally, this work represents a step towards replacing potentially harmful wired sensors in neonatal care.
Dokumenttyp
Dissertation / PhD Thesis/Book
Format
print
Sprache
English
Externe Identnummern
HBZ: HT031201282
Interne Identnummern
RWTH-2025-04894
Datensatz-ID: 1012152
Beteiligte Länder
Germany
|
The record appears in these collections: |