Inteligencia artificial personaliza el modelaje musculoesquelético

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