Utilizamos cookies para comprender de qué manera utiliza nuestro sitio y para mejorar su experiencia. Esto incluye personalizar el contenido y la publicidad. Para más información, Haga clic. Si continua usando nuestro sitio, consideraremos que acepta que utilicemos cookies. Política de cookies.

Presenta Sitios para socios Información LinkXpress
Ingresar
Publique su anuncio con nosotros
GLOBETECH PUBLISHING LLC

Deascargar La Aplicación Móvil




Inteligencia artificial personaliza el modelaje musculoesquelético

Por el equipo editorial de MedImaging en español
Actualizado el 18 Nov 2019
Print article
Imagen: El aprendizaje profundo puede identificar los músculos individuales en la TC (Fotografía cortesía de NAIST)
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

Miembro Oro
Solid State Kv/Dose Multi-Sensor
AGMS-DM+
Crossover Angiography System
Trinias C16/C12/F12 Unity Smart Edition
New
Computed Tomography (CT) Scanner
Aquilion Serve SP
Laptop Ultrasound Scanner
PL-3018

Print article

Canales

Radiografía

ver canal
Imagen: Saige-DX es un sistema de IA categórico personalizado diseñado para ayudar en la detección del cáncer de mama (Fotografía cortesía de DeepHealth)

IA ayuda a radiólogos generales a lograr un rendimiento de nivel de especialista en interpretación de mamografías

El cáncer de mama, que afecta a una de cada ocho mujeres a lo largo de su vida, se vuelve mucho más tratable cuando se detecta a tiempo. La tasa de supervivencia relativa a cinco años... Más

RM

ver canal
Imagen: Se ha encontrado que 0.55T son suficiente para obtener una imagen de calidad diagnóstica de una resonancia magnética (Fotografía cortesía de 123RF)

Imágenes de resonancia magnética de 0,55 T de campo bajo ofrecen utilidad diagnóstica similar a la de 1,5 T para exploraciones abdominales

La resonancia magnética (RM) es una herramienta vital en el diagnóstico médico, pero el alto costo de los sistemas clínicos de cuerpo entero es una barrera importante.... Más

Medicina Nuclear

ver canal
Imagen: La técnica de imágenes PET puede detectar de manera no invasiva la inflamación activa antes de que surjan síntomas clínicos (Fotografía cortesía de 123RF)

Nuevo trazador PET detecta artritis inflamatoria antes de que aparezcan síntomas

La artritis reumatoide, la forma más común de artritis inflamatoria, afecta a 18 millones de personas en todo el mundo. Es una enfermedad autoinmune compleja caracterizada por inflamación... Más

TI en Imaginología

ver canal
Imagen: La nueva Medical Imaging Suite hace que los datos de imágenes de atención médica sean más accesibles, interoperables y útiles (Fotografía cortesía de Google Cloud)

Nueva suite de imágenes médicas de Google Cloud hace los datos de imágenes médicas más accesibles

Las imágenes médicas son una herramienta fundamental que se utiliza para diagnosticar a los pacientes, y cada año se escanean miles de millones de imágenes médicas en... Más
Copyright © 2000-2024 Globetech Media. All rights reserved.