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.

Please note that the MedImaging website is also available in a complete English version
Presenta Sitios para socios Información LinkXpress
Ingresar
Publique su anuncio con nosotros
Thales AVS France

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


Print article
Radcal
Control-X Medical

Canales

Radiografía

ver canal
Imagen: El sistema de RF FluoroSpeed X1 edition (Fotografía cortesía de Shimadzu Medical Systems)

Mesa novedosa de RF mejora los flujos de trabajo y las eficiencias de los operadores

Un sistema de mesa de radio/fluoroscopia (RF), convencional, multifuncional, realiza fácilmente exámenes fluoroscópicos y radiográficos bariátricos y de rutina diarios. El sistema de RF FluoroSpeed... Más

TI en Imaginología

ver canal
Imagen: El software empresarial uPath proporciona mejores herramientas de patología digital (Fotografía cortesía de Roche).

Un software de patología digital mejora la eficiencia del flujo de trabajo

Una plataforma de software novedosa reduce drásticamente los tiempos de generación de imágenes, integra el análisis automatizado de imágenes y permite un mejor intercambio de casos entre patólogos.... Más

Industria

ver canal
Imagen: AI-Rad Companion Chest CT genera automáticamente informes estandarizados, reproducibles y cuantitativos en formato DICOM SC (Fotografía cortesía de Siemens Healthineers).

Software para la TC de tórax basada en IA de Siemens Healthineers recibe aprobación de la FDA de los EUA

La Administración de Medicamentos y Alimentos de los Estados Unidos (FDA) aprobó tres módulos de AI-Rad Companion Chest CT, un asistente de software inteligente de Siemens Healthineers (Erlangen, Alemania)... Más
Copyright © 2000-2019 Globetech Media. All rights reserved.