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
GLOBETECH PUBLISHING LLC

Deascargar La Aplicación Móvil




Herramienta de rayos X con IA estima densidad mineral ósea para diagnóstico temprano de osteoporosis

Por el equipo editorial de MedImaging en español
Actualizado el 20 Oct 2023
Print article
Imagen: Una descripción general del método propuesto (Fotografía cortesía de NAIST)
Imagen: Una descripción general del método propuesto (Fotografía cortesía de NAIST)

La osteoporosis es un problema de salud común que conduce a una baja densidad mineral ósea (DMO), lo que hace que los huesos sean frágiles y aumenta el riesgo de fracturas. Diagnosticar esta afección generalmente implica pruebas especializadas y a menudo costosas, como la absorciometría de rayos X de doble energía (DXA) y la tomografía computarizada cuantitativa (TCC). Debido a estas limitaciones, se necesitan opciones de detección más convenientes y económicas. Recientemente, las técnicas de aprendizaje automático que utilizan imágenes de rayos X para estimar la DMO se han vuelto más populares, pero a menudo requieren datos de entrenamiento extensos. Los investigadores ahora han ideado un método de aprendizaje automático que ofrece una forma más sencilla de detectar la osteoporosis y otras afecciones óseas desde el principio.

Investigadores del Instituto Nara de Ciencia y Tecnología (NAIST, Nara, Japón) han ideado un método innovador que utiliza un tipo de aprendizaje automático conocido como marco de aprendizaje jerárquico. Este método estima la DMO a partir de imágenes de rayos X estándar. El equipo de investigación utilizó exploraciones de TCC originales de pacientes para crear una imagen de rayos X virtual del área del hueso, alineándola con precisión con las radiografías reales del paciente. Luego, estos datos se utilizaron en tres fases de entrenamiento distintas para desarrollar un modelo final de estimación de DMO. Inicialmente, el modelo se centró en descomponer las imágenes de rayos X para crear una imagen de rayos X virtual del área del hueso. En la fase final, se entrenó el modelo para reconocer la relación entre estas imágenes de rayos X virtuales y los valores de DMO.

Este método pudo estimar con precisión la DMO utilizando una sola imagen de rayos X y demostró una alta eficacia incluso con un par de cientos de conjuntos de datos de pares de imágenes de TC y rayos X. El modelo no sólo proporciona el valor de DMO sino que también genera una imagen de rayos X virtual que muestra la distribución de la densidad ósea, lo que que hace que los resultados sena fáciles de comprender. Para evaluar su eficacia en comparación con métodos tradicionales como DXA y TCC, los investigadores realizaron pruebas de validación con datos clínicos reales. Los valores de DMO obtenidos mediante este nuevo método mostraron una fuerte correlación con los derivados de DXA y TCC, lo que confirma su fiabilidad.

Pruebas de validación adicionales demostraron aún más la solidez de este método. Produjo estimaciones consistentes de DMO a pesar de los cambios en la posición del paciente o los diferentes niveles de compresión de la imagen. Los resultados indican que este nuevo método tiene un enorme potencial para uso médico habitual. Ofrece una manera conveniente de detectar la osteoporosis y monitorear el tratamiento, permitiendo una intervención oportuna y mejorando potencialmente las vidas de quienes viven con la afección.

"La osteoporosis generalmente se diagnostica en etapas avanzadas una vez que sus síntomas se vuelven evidentes. Las imágenes de rayos X pueden ser valiosas para el diagnóstico oportunista, pero extraer eficientemente información sobre la DMO de ellas ha sido un desafío importante", dijo Yoshito Otake de NAIST. "Esperábamos resolver este problema utilizando información derivada de la imagen de tomografía computarizada (TC) en la etapa de entrenamiento para desarrollar un modelo para una estimación precisa, eficiente y explicable de la DMO únicamente a partir de una imagen de rayos X".

Enlaces relacionados:
NAIST  

Miembro Oro
Solid State Kv/Dose Multi-Sensor
AGMS-DM+
Radiology System
Riviera SPV AT
New
Ultrasound Software
UltraExtend NX
New
Mammography System
MAMMOVISTA B.smart

Print article
Radcal

Canales

RM

ver canal
Imagen: La IA puede predecir si los pacientes con cáncer cerebral sobrevivirán más de 8 meses después de recibir tratamiento con radioterapia (Fotografía cortesía de KCL)

IA predice sobrevivientes de cáncer cerebral dentro de ocho meses de radioterapia mediante RM

El glioblastoma, un cáncer cerebral primario en adultos particularmente difícil de tratar, tiene una tasa de supervivencia baja: solo uno de cada cuatro pacientes vive más de un año... Más

Medicina Nuclear

ver canal
Imagen: Un agente de imágenes PET recientemente desarrollado es efectivo para identificar el cáncer medular de tiroides (Fotografía cortesía de 123RF)

Nuevo trazador PET mejora detección de lesiones en cáncer medular de tiroides

El cáncer medular de tiroides (CMT) representa aproximadamente el 3 % de todos los casos de cáncer de tiroides y es notablemente raro. Surge de células diferentes en comparación... Más

Imaginología General

ver canal
Imagen: El software LungQ v3.0.0 ha recibido la autorización 510 (k) de la FDA de EUA para el análisis con IA de las imágenes de TC de tórax (Fotografía cortesía de Thirona)

Software de IA para análisis de imágenes de TC de tórax permite tratamiento personalizado para pacientes pulmonares

Un novedoso software clínico aprovecha la inteligencia artificial (IA) para segmentar automáticamente varios segmentos y subsegmentos pulmonares en la anatomía interna del pulmón.... 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.