Inteligencia artificial personaliza el modelaje musculoesquelético
Por el equipo editorial de MedImaging en español Actualizado el 18 Nov 2019 |
Imagen: El aprendizaje profundo puede identificar los músculos individuales en la TC (Fotografía cortesía de NAIST)
Un estudio nuevo muestra cómo una herramienta de aprendizaje profundo puede segmentar los músculos individuales, a partir de las imágenes de tomografía computarizada (TC) para crear un modelo biomecánico personalizado.
Desarrollado por investigadores del Instituto de Ciencia y Tecnología de Nara (NAIST; Japón) y la Facultad de Medicina de la Universidad de Osaka (Japón), la nueva herramienta de inteligencia artificial (IA) se basa en redes neuronales convolucionales (CNN) que utilizan la arquitectura U-Net con el abandono de Monte Carlo, que infiere una métrica de incertidumbre, además de la etiqueta de segmentación. Al segmentar los músculos individuales para formar un modelo integral del sistema musculoesquelético, las personas que sufren de esclerosis lateral amiotrófica (ELA), por ejemplo, pueden recibir un dispositivo de rehabilitación personalizado, y los atletas pueden alcanzar mejores niveles de rendimiento.
Para evaluar el desempeño del método propuesto, los investigadores utilizaron dos conjuntos de datos: 20 TC totalmente anotadas de las regiones de la cadera y el muslo, y 18 TC anotadas parcialmente disponibles públicamente. Descubrieron que la U-Net Bayesiana tenía una mejor exactitud de segmentación que otros métodos, incluido el método jerárquico multi-atlas, que es visto como el más avanzado, y lo hizo al tiempo que reducía el lapso para entrenar y validar el sistema por un cirujano. Según los investigadores, el análisis exacto y específico del músculo individual del paciente ayudará a la simulación biomecánica y a la evaluación cuantitativa de la atrofia muscular. El estudio fue publicado el 10 de septiembre de 2019 en la revista IEEE Explore.
“Una vez que tenemos las imágenes de TC, necesitamos segmentar los músculos individuales para construir nuestro modelo. El desafío para poder segmentar los músculos individuales es el bajo contraste de las imágenes en las regiones fronterizas de los músculos vecinos”, dijo el autor principal, el profesor Yoshinobu Sato, PhD, de NAIST. “La U-Net Bayesiana aprendió la anatomía musculoesquelética para crear segmentaciones que habrían sido creadas por expertos de alta fidelidad y nuestro cirujano ortopédico colaborador, el profesor Nobuhiko Sugano del Hospital Universitario de Osaka, está bastante satisfecho con este logro”.
El aprendizaje profundo es parte de una familia más amplia de métodos de aprendizaje automático de IA, basados en representaciones de datos de aprendizaje, en oposición a los algoritmos específicos de la tarea. Involucra algoritmos CNN que usan una cascada de muchas capas de unidades de procesamiento no lineales para la extracción, conversión y transformación de características, y cada capa sucesiva utiliza la salida de la capa anterior como entrada para formar una representación jerárquica.
Enlace relacionado:
Instituto de Ciencia y Tecnología de Nara
Facultad de Medicina de la Universidad de Osaka
Desarrollado por investigadores del Instituto de Ciencia y Tecnología de Nara (NAIST; Japón) y la Facultad de Medicina de la Universidad de Osaka (Japón), la nueva herramienta de inteligencia artificial (IA) se basa en redes neuronales convolucionales (CNN) que utilizan la arquitectura U-Net con el abandono de Monte Carlo, que infiere una métrica de incertidumbre, además de la etiqueta de segmentación. Al segmentar los músculos individuales para formar un modelo integral del sistema musculoesquelético, las personas que sufren de esclerosis lateral amiotrófica (ELA), por ejemplo, pueden recibir un dispositivo de rehabilitación personalizado, y los atletas pueden alcanzar mejores niveles de rendimiento.
Para evaluar el desempeño del método propuesto, los investigadores utilizaron dos conjuntos de datos: 20 TC totalmente anotadas de las regiones de la cadera y el muslo, y 18 TC anotadas parcialmente disponibles públicamente. Descubrieron que la U-Net Bayesiana tenía una mejor exactitud de segmentación que otros métodos, incluido el método jerárquico multi-atlas, que es visto como el más avanzado, y lo hizo al tiempo que reducía el lapso para entrenar y validar el sistema por un cirujano. Según los investigadores, el análisis exacto y específico del músculo individual del paciente ayudará a la simulación biomecánica y a la evaluación cuantitativa de la atrofia muscular. El estudio fue publicado el 10 de septiembre de 2019 en la revista IEEE Explore.
“Una vez que tenemos las imágenes de TC, necesitamos segmentar los músculos individuales para construir nuestro modelo. El desafío para poder segmentar los músculos individuales es el bajo contraste de las imágenes en las regiones fronterizas de los músculos vecinos”, dijo el autor principal, el profesor Yoshinobu Sato, PhD, de NAIST. “La U-Net Bayesiana aprendió la anatomía musculoesquelética para crear segmentaciones que habrían sido creadas por expertos de alta fidelidad y nuestro cirujano ortopédico colaborador, el profesor Nobuhiko Sugano del Hospital Universitario de Osaka, está bastante satisfecho con este logro”.
El aprendizaje profundo es parte de una familia más amplia de métodos de aprendizaje automático de IA, basados en representaciones de datos de aprendizaje, en oposición a los algoritmos específicos de la tarea. Involucra algoritmos CNN que usan una cascada de muchas capas de unidades de procesamiento no lineales para la extracción, conversión y transformación de características, y cada capa sucesiva utiliza la salida de la capa anterior como entrada para formar una representación jerárquica.
Enlace relacionado:
Instituto de Ciencia y Tecnología de Nara
Facultad de Medicina de la Universidad de Osaka
Últimas Imaginología General noticias
- Herramienta de IA predice con precisión los resultados de la extracción de coágulos arteriales
- Dispositivo de neuroimagen permite escaneos cerebrales por PET mientras se camina
- Las tomografías computarizadas rutinarias pueden identificar a personas en riesgo de diabetes tipo 2
- Algoritmo basado en IA reduce significativamente las tasas de error en la detección de embolia pulmonar
- Una plataforma de próxima generación para el análisis interactivo de placas evalúa el riesgo de enfermedad coronaria
- Sistema innovador de PET cerebral ayuda en el diagnóstico de trastornos neurológicos
- Sistema PET de ultra alto rendimiento proporciona imágenes cerebrales nunca antes vistas
- Herramienta de inteligencia artificial mejora la usabilidad de imágenes médicas
- Nueva herramienta de IA detecta con precisión seis tipos diferentes de cáncer en escáneres PET/TC de cuerpo entero
- Técnica de imágenes innovadora ayuda a evaluar la pérdida ósea después de la cirugía bariátrica
- Software de imágenes mejora diagnóstico pulmonar en pacientes alérgicos al medio de contraste
- Prueba de densidad ósea utiliza imágenes de tomografía computarizada existentes para predecir fracturas
- La IA predice el riesgo cardíaco y la mortalidad a partir de tomografías computarizadas de tórax de rutina
- Solución de tomografía computarizada para radioterapia aumenta la precisión de imagenes
- Las exploraciones PET revelan inflamación oculta en pacientes con esclerosis múltiple
- Inteligencia artificial evalúa el riesgo cardiovascular a partir de tomografías computarizadas