TU Darmstadt / ULB / TUprints

Signal and Image Processing Techniques for Image-Based Photometry With Application to Diabetes Care

Demitri, Nevine (2016)
Signal and Image Processing Techniques for Image-Based Photometry With Application to Diabetes Care.
Technische Universität Darmstadt
Ph.D. Thesis, Primary publication

[img]
Preview
Text
kt_thesis.pdf
Copyright Information: CC BY-NC-ND 4.0 International - Creative Commons, Attribution NonCommercial, NoDerivs.

Download (3MB) | Preview
Item Type: Ph.D. Thesis
Type of entry: Primary publication
Title: Signal and Image Processing Techniques for Image-Based Photometry With Application to Diabetes Care
Language: English
Referees: Zoubir, Prof. Abdelhak M. ; Krim, Prof. Hamid
Date: 2016
Place of Publication: Darmstadt
Date of oral examination: 14 June 2016
Abstract:

This PhD thesis addresses the problem of measuring blood glucose from a photometric measurement setup that requires blood samples in the nano litre-range, which is several orders of magnitude less than the state of the art. The chemical reaction between the blood sample and the reagent in this setup is observed by a camera over time. Notably, the presented framework can be generalised to any image-based photometric measurement scheme in the context of modern biosensors.

In this thesis a framework is developed to measure the glucose concentration from the raw images obtained by the camera. Initially, a pre-processing scheme is presented to enhance the raw images. Moreover, a reaction onset detection algorithm is developed. This eliminates unnecessary computation during the constant phase of the chemical reaction. To detect faulty glucose measurements, methods of texture analysis are identified and employed in a detection scheme.

Image segmentation constitutes an important contribution of this thesis. In this work, the segmentation of glucose images is interpreted as a clustering problem and is tackled using two approaches. In the first approach the mean-shift and the medoid-shift algorithms are adapted to the glucose segmentation problem. Moreover, two novel variations are derived: the robust mean-shift and the sparse mean-shift. The former is able to deal with heavy-tailed noise in the images. The latter reduces computation of the mean-shift algorithm, while not compromising in accuracy, by only processing a subset of the data vectors. The robust and sparse variations are applied to the medoid-shift. Convergence proofs for all developed algorithms are provided. The second approach to tackle the image segmentation problem is based on the union of subspaces model. To this end, sparse subspace clustering and low-rank representation methods are adapted to the glucose segmentation problem. Two novel formulations of sparse subspace clustering are derived that outperform the state of the art in producing more accurate segmentations of the video data. Additionally, a sequential version of subspace clustering is derived that achieves more accurate and earlier segmentations results.

Convergence detection of the chemical reaction constitutes a further major contribution of the presented framework. For this purpose, a non-linear model of the chemical kinetics is established. Thereby, a linear relation between the reaction rate and the convergence value is exploited to facilitate the application of state estimation and prediction techniques. These succeed at increasing the accuracy of the converged remission value and decreasing measurement time drastically. To this end, the first technique is based on the extended Kalman filter and the second technique is a region-based particle filter.

An extensive set of real glucose measurements is used to prove the validity of the developed approaches w.r.t. segmentation results, clinical accuracy and measurement time. Furthermore, a study is performed using real data, determining a lower limit for the blood sample volume.

Alternative Abstract:
Alternative AbstractLanguage

Diese Dissertation befasst sich mit dem Problem der bildbasierten, photometrischen Blutzuckermessung in tragbaren Geräten, die eine Blutmenge im Nanoliterbereich erfordern, d.h. eine um mehrere Größenordnungen kleinere Menge als in herkömmlichen Blutzuckermessgeräten. Die chemische Reaktion zwischen der Blutprobe und dem Reagens wird in dem betrachteten Aufbau mithilfe einer Kamera beobachtet. Allerdings kann das präsentierte Konzept für den Einsatz in beliebigen bildbasierten, photometrischen Messkonzepten basierend auf moderner Bildsensorik verallgemeinert werden.

In dieser Arbeit wird ein Konzept zur Ermittlung der Glukosekonzentration anhand von Rohbildern der Kamera entwickelt. Zunächst wird ein Vorverarbeitungsschema präsentiert, das die Rohbilder für die weitere Verarbeitung vorbereitet. Außerdem wird ein Detektionsalgorithmus zum Erkennen des Reaktionsbeginn entwickelt, der unnötige Berechnungen während der konstanten Phase der chemischen Reaktion vermeidet. Des Weiteren werden Verfahren zur Texturanalyse vorgestellt zur Erfassung fehlerhafter Glukosemessungen.

Bildsegmentierung ist ein wichtiger Beitrag dieser Arbeit. Die Segmentierung von Glukosebildern wird als Clustering-Problem interpretiert und mit zwei Ansätzen gelöst. Im ersten Ansatz werden die Mean-Shift und die Medoid-Shift-Algorithmen auf das Glukosesegmentierungsproblem angepasst. Darüber hinaus werden zwei neue Varianten entwickelt, die auf Robustheit und Sparsity beruhen. Die erste Variante ist in der Lage mit heavy-tailed-verteilten Bildern umzugehen. Die zweite Variante reduziert den Rechenaufwand des Mean-Shift Algorithmus ohne die Genauigkeit der Schätzwerte zu beeinträchtigen, indem nur eine Teilmenge der Datenvektoren verarbeitet wird. Darüber hinaus werden robuste und sparse Variationen des Medoid-Shift Algorithmus hergeleitet und die Konvergenzbeweise für alle entwickelten Algorithmen präsentiert. Der zweite Ansatz zur Bildsegmentierung basiert auf den Model der Vereinigung von Teilmengen (Union of Subspaces). Er passt die Methoden Sparse Subspace Clustering und Niedrigrangdarstellung an das Problem der Segmentierung der Glukosebilder an. Zwei neue Formulierungen von Sparse Subspace Clustering werden hergeleitet, die genauere Segmentierungsergebnisse als den Stand der Technik liefern. Zudem wird eine sequentielle Version von Subspace Clustering hergleitet, die sowohl genauere als auch schnellere Segmentierungsergebnisse bereitstellt.

Die Konvergenzdetektion der chemischen Reaktion stellt einen weiteren wichtigen Beitrag des präsentierten Konzepts dar. Hierfür wird ein nichtlineares Modell der chemischen Kinetik aufgestellt, das die lineare Beziehung zwischen der Reaktionsgeschwindigkeit und dem Konvergenzwert der chemischen Reaktion ausnutzt, um die Anwendung von Zustandsschätzung und Prediktionsmethoden zu erleichtern. Diese Methoden sind in der Lage mittels eines Extended-Kalman-Filter zum einen und eines regionsbasierten Partikelfilters zum anderen, die Genauigkeit der Schätzwerte zu erhöhen, sowie die Messzeit drastisch zu kürzen.

Eine umfangreiche Messreihe von Echtdaten wird verwendet, um die Gültigkeit der entwickelten Ansätze in Bezug auf die Segmentierungsergebnisse, die klinische Genauigkeit der geschätzten Glukosewerte und die benötigte Messzeit aufzuzeigen. Ferner wird eine Untersuchung zur Bestimmung einer unteren Grenze für das Blutprobenvolumen mittels Echtdaten durchgeführt.

German
URN: urn:nbn:de:tuda-tuprints-55641
Classification DDC: 600 Technology, medicine, applied sciences > 600 Technology
600 Technology, medicine, applied sciences > 610 Medicine and health
600 Technology, medicine, applied sciences > 620 Engineering and machine engineering
Divisions: 18 Department of Electrical Engineering and Information Technology
18 Department of Electrical Engineering and Information Technology > Institute for Telecommunications > Signal Processing
Date Deposited: 01 Sep 2016 10:19
Last Modified: 09 Jul 2020 01:20
URI: https://tuprints.ulb.tu-darmstadt.de/id/eprint/5564
PPN: 38648807X
Export:
Actions (login required)
View Item View Item