Die personalisierte Medizin hat gerührt die Phantasie von Medikamenten und Therapien, die individuell auf die Patienten. In der Zukunft wird es nicht mehr brauchen, um über Nebenwirkungen, und die Patienten werden gesiebt werden, um zu ermitteln, welche Behandlung am effektivsten für Sie, statt für den Durchschnitt der Bevölkerung. Deep learning ist ein tool, das den Schlüssel zur Verwirklichung der personalisierten Medizin. Eine neue Studie von japanischen Forschern beschrieben, ein neues deep-learning-tool, das voranbringen der personalisierten Medizin für Muskel-Skelett-Erkrankungen. Das tool kann segment einzelne Muskeln für ein umfassendes Modell des Muskel-Skelett-Systems, die voraussichtlich Voraus personalisierte Biomechanik.
Genaue Messungen des Muskel-Skelett-system kann eine enorme Auswirkung für die extrem krank, wie diejenigen, die an ALS oder anderen schweren Formen von Atrophie, Einfluss zu nehmen auf die Gestaltung von rehabilitation-Geräte, und für die außerordentlich begabt ist, wie Hochleistungs-Athleten, die wollen, nehmen Ihr Spiel auf die nächste Ebene. Diese Messungen stammen aus der Computertomographie oder andere bildgebende Modalität mit denen Forscher bauen computer Modelle zur Untersuchung der Kräfte und Spannungen auf die Muskeln und Knochen.
„Einmal haben wir die CT-Bilder, die wir brauchen, zu segmentieren und die einzelnen Muskeln für den Aufbau unseres Modells“, erläutert Professor Yoshinobu Sato von Nara Institute of Science and Technology (NAIST), Japan, der die Studie leitete. „Jedoch, diese Segmentierung war zeitaufwendig und hing Sie auf Experten-wissen. Die Abbildung zeigt einen überblick über unser system. Wir verwendeten Tiefe lernen zur Automatisierung der Segmentierung der einzelnen Muskeln erzeugen eine Muskel-Skelett-Modell, das individuell für den Patienten“, fährt er Fort.
Während es normal ist, zu erwarten, dass ein Arzt bewerten Sie die Bilder, diese fügt eine Ebene der Subjektivität, so die Diagnose. Das system ist besonders vorteilhaft für die Patienten in abgelegenen Gebieten mit begrenztem Zugang zu Experten-orthopädische Chirurgen, die für Entscheidungen auf eine weitere quantitative interpretation sollen die Ergebnisse verbessern.
Die Methode hängt von Bayes U-Netz-Architektur. „U-Net“ ist ein deep learning framework basiert auf einem vollständig convolutional neural network für die präzise Segmentierung von Bildern. Unser Kollege, Dr. Yuta Hiasa, erweiterte U-net durch die Kombination von Bayes-Inferenz zu formulieren Bayes-U-net, bei denen Unsicherheit verbunden ist mit der Segmentierung Ergebnisse“, sagt Sato.
Die Herausforderung bei der Segmentierung einzelner Muskeln ist der geringe Kontrast der Darstellung in den Grenzregionen der benachbarten Muskeln. Testen Sie Ihr system, haben die Forscher untersuchten 19 Muskeln im Oberschenkel und Hüften. Bayes-U-Net hatte bessere Segmentierung Genauigkeit als die anderen Methoden, einschließlich der hierarchischen multi-atlas-Methode, die betrachtet wird als state-of-the-art, und das Taten Sie, während die Verringerung der Zeit, zu trainieren und zu validieren das system durch einen Chirurgen.
„Einige Pixel in die Bilder hatten eine hohe Unsicherheit. Es war diese Pixel, die vor allem brauchen die Bestätigung von Chirurgen,“ sagt Sato.
Die Forscher somit definiert eine Unsicherheit Schwelle zu identifizieren, die das Pixel benötigt, menschliche überprüfung.