Indocyanine green (ICG) fluorescence imaging has been clinically used for non-invasive visualizations of vascular structures. Diagnostic system based on dynamic ICG fluorescence imaging has previously devel-oped for sensitive detection of vascular disorders. However, because high-dimensional raw data were used, the analysis of the ICG dynamics proved difficult. In this study, principal component analysis (PCA) was used to extract important elements without significant loss of information. ICG spatiotemporal profiles were examined and critical features related to vascular disorders were identified. PCA time courses of the first three components showed a distinct pattern in diabetic patients. The explained variance of PC2 in diabetic patients was significantly lower than in normal controls. To visualize the spatial pattern of PCs, pixels were mapped with red, green, and blue channels. The PC2 score showed an inverse pattern between normal controls and diabetic patients. Using extracted features from PCA, support vector machine (SVM) and adaptive boosting (Adaboost) classifier were trained. The classification results showed that PCA-SVM and PCA-Adaboost of ICG fluorescence dynamics are useful methods for diagnosis of diabetic vasculopathy.
본 연구의 목적은 다 변량 분석기법과 머신 러닝 알고리즘을 적용하여 말초 혈관 질환의 진단 시스템을 개발하는 것이다. 데이터 분석을 위해 말초 조직에서의 Indocyanine green (ICG) 약물동역학을 근적외선 광학 형광 영상으로 획득하였다. 획득한 형광 동역학을 시공간의 정보를 갖는 행렬로 변환하고, 변수 간의 상관 관계를 기초로 하여 자료의 손실을 최소화 하면서도 고차원의 정보를 저차원으로 축소하였다. 분석 결과, 주성분벡터로 사영시킨 픽셀의 값이 추출 영역에 따라 다르며, 제 2 주성분벡터를 기준으로 정상군과 환자군을 분류할 수 있음을 발견하였다. 또한 동역학 그래프를 주성분벡터로 복원함으로써, 고차원의 데이터를 95% 이상 재현할 수 있음을 증명하였다. 본 연구에서 발견한 파라미터와 진단 방법은 근적외선 광학 영상 기기에 탑재함으로써 혈관 질환 검진 및 조기 진단으로의 활용 가치가 있다.
