deep learning ابزاری جدید برای درمان بیماری های اسکلتی

deep learning ابزاری جدید برای درمان بیماری های اسکلتی

در آینده نه چندان دور دیگر نیازی به نگرانی در مورد عوارض جانبی نخواهد بود و معاینه­ی بیماران به صورتی انجام خواهد شد تا به جای متوسط جمعیت، شرایط فردی آن­ها روش درمانی مخصوص و موثر برای خود آن­ها را مشخص کند. یک مطالعه جدید که توسط محققان ژاپنی انجام شده است، یادگیری عمیق را ابزاری جدید در اختیار پزشکی شخصی معرفی می­کند که میتواند برای درمان بیماری­های اسکلتی به کار برده شود. این ابزار می­تواند عضلات افراد را برای ایجاد مدل جامع سیستم اسکلتی عضلانی دسته­بندی کند؛ انتظار می­رود این قابلیت بتواند باعث پیشرفت بیومکانیک شخصی­سازی شده شود.

سنجش و بررسی دقیق سیستم اسکلتی عضلانی می­تواند برای تسریع روند درمان افرا با یمارهای مزمن مانند کسانی که از ALS یا سایر اشکال شدید آتروفی رنج می­برند کاربردی باشد؛ این ابزار میتواند تأثیر فوق­العاده­ای در طراحی دستگاه­های توانبخشی داشته باشد و برای افراد با محدودیت­های حرکتی و ورزشکارانی که قصد دارند عملکرد خود را بهبود ببخشند مورد استفاده قرار گیرد. این بررسی­ها با استفاده از پرتونگاری مقطعی کامپیوتری یا سایر روش های تصویربرداری انجام می­شود و محققان در قدم بعد برای مطالعه نیروها و فشارهای بر روی ماهیچه­ها و استخوان­ها ، از مدلسازی زایانه­ای استفاده می­کنند.

پروفسور یوشینوبو ساتو از انستیتوی علوم و فناوری نارا (NAIST) ژاپن که هدایت این تحقیق را انجام می­دهد، می­گوید: (( هنگامی که تصاویر CT را به دست می­آوریم می­توانیم عضلات افراد را دسته­بندی کنیم، با این حال، این نحوه­ی دسته­بندی وقت­گیر و به دانش متخصصین وابسته بود. ما از یادگیری عمیق برای خودکارسازی دسته­بندی عضلات افراد برای تولید یک مدل اسکلتی عضلانی که برای تشخیص فرد به فرد بیماری است استفاده کردیم)).

چالش در دسته­بندی فردی عضلات، کنتراست کم تصویربرداری در مناطق مرزی بین دو عضله است. محققان برای آزمایش سیستم خود، 19 عضله در ران و باسن را بررسی کردند. روش Bayesian U-Net نسبت به روشهای دیگر از جمله روش multi-atlas سلسله مراتبی از دقت تقسیم بندی بهتری برخوردار بود و این کار را با کاهش زمان دسته­بندی و اعتبارسنجی سیستم توسط یک جراح انجام می­دهند. زیرا برخی پیکسل های موجود در تصاویر از عدم وضوح بالایی برخوردار بودند و به صورت ویژه نیاز به تأیید جراحان دارند.

پرفسورساتو می گوید: (( نتایج به دست آمده با روش Bayesian U-Net از نظر همکاران ما در بیمارستان دانشگاه اوزاکا، کاملارضایت بخش بوده است)).

تاریخ انتشار: 31 اکتبر 2019

منبع: www.news-medical.net