Методологічні основи соматоскопічних досліджень у автоматизованих системах підтримки прийняття рішень
DOI:
https://doi.org/10.32347/2412-9933.2024.59.122-130Ключові слова:
автоматизовані системи підтримки рішень, соматоскопічні вимірювання, глибоке навчання, нейронні мережі, медична діагностика, аналіз зображень, опорно-руховий апарат, машинне навчанняАнотація
Автоматизовані системи підтримки прийняття рішень (АСППР) набувають широкого застосування в різноманітних галузях науки і техніки, зокрема в медицині, де їхня роль у діагностичних, прогностичних та терапевтичних процесах є незаперечною. Використання обчислювальних технологій у медичній практиці стало необхідним етапом розвитку галузі, проте зростання обсягів даних, що потребують обробки, та підвищені вимоги до точності, швидкості й надійності рекомендацій суттєво ускладнюють процеси прийняття рішень. Збільшення кількості даних у поєднанні з необхідністю мінімізації ризиків помилкових рішень підштовхує наукове співтовариство до пошуку новітніх інформаційних технологій, здатних забезпечити високий рівень точності обчислювальних операцій і мінімізувати часові витрати на їх виконання. Соматоскопічні вимірювання, які є важливим елементом оцінки стану опорно-рухового апарату і загальної фізичної постави пацієнта, вимагають точного і систематичного аналізу зображень, що допомагає ідентифікувати критично важливі анатомічні маркери. Цей процес передбачає точне визначення ключових точок на зображеннях анатомічних структур, що є основою для побудови точних прогнозів щодо стану пацієнта та подальшого планування лікування. В умовах постійного зростання обсягів медичних даних і жорсткіших вимог до якості рішень, що приймаються, особливої актуальності набуває впровадження інноваційних технологій, зокрема глибокого навчання, яке забезпечує покращення процесів аналізу і діагностики. У роботі акцентовано увагу на використанні спеціалізованих архітектур нейронних мереж, які уможливлюють здійснювати ідентифікацію ключових анатомічних точок на зображеннях, що, своєю чергою, сприяє глибокому і точному аналізу анатомічних структур. Такий підхід значно підвищує ефективність діагностичних процесів, мінімізуючи ймовірність помилок у прийнятті рішень та оптимізуючи роботу медичних систем. Результати проведених досліджень демонструють значний потенціал використання алгоритмів глибокого навчання в медичних системах для автоматизованого аналізу зображень, що дає змогу значно підвищити точність і швидкість прийняття рішень. Така автоматизація сприяє зниженню ризику суб'єктивних помилок, пов'язаних із людським фактором, що має особливе значення у складних клінічних випадках. Отже, подальший розвиток досліджень у цьому напрямі має надзвичайно важливе значення для медичної галузі, оскільки відкриває нові можливості для вирішення складних діагностичних завдань на інноваційному технологічному рівні. Інтеграція технологій глибокого навчання в процеси виокремлення соматоскопічних даних дає змогу не лише підвищити ефективність діагностики, але й створити передумови для розроблення нових систем підтримки прийняття рішень, що оптимізують медичну практику.
Посилання
Shin, Y., et al. (2021). Artificial intelligence in musculoskeletal ultrasound imaging. Ultrasonography, 40(1), 30–44. https://doi.org/10.14366/usg.20080.
Michoński, J., et al. (2012). Automatic recognition of surface landmarks of anatomical structures of back and posture. Journal of Biomedical Optics, 17(5), 056015. https://doi.org/10.1117/1.jbo.17.5.056015.
Wang, J., Zhang, Y. & Liu, X. (2022). Automatic landmark detection of human back surface from depth images via deep learning. World Journal of Clinical & Medical Images, 1(1), 12-23. https://doi.org/10.33140/wjcmi.01.01.07.
Naik, B. T., et al. (2022). DeepPlayer-Track: Player and referee tracking with jersey color recognition in soccer. IEEE Access, 10, 32494–32509. https://doi.org/10.1109/access.2022.316144.
Smith, A., et al. (2020). Automated posture analysis using machine learning techniques. International Journal of Medical Informatics, 144. https://doi.org/10.1016/j.ijmedinf.2020.104292.
Taylor, M. C., et al. (2020). Deep neural networks for musculoskeletal ultrasound imaging: A review. Journal of Medical Imaging, 7(4). https://doi.org/10.1117/1.JMI.7.4.040802.
Lee, P., et al. (2020). Segmentation of musculoskeletal structures using deep learning: A review. IEEE Transactions on Medical Imaging, 39(2), 359–373. https://doi.org/10.1109/TMI.2020.2973417.
Morgan, K. J., et al. (2021). Bone structure analysis via deep learning and computer vision techniques. Journal of Orthopaedic Research, 38(8), 1634–1645. https://doi.org/10.1002/jor.24678.
Gonzalez, R. C. & Woods, R. E. (2018). Digital Image Processing (4th ed.). Pearson Education Limited.
Harris, C. & Stephens, M. (1988). A combined corner and edge detector. In Proceedings of the 4th Alvey Vision Conference (pp. 147–151). Manchester, UK.
Lowe, D. G. (2004). Distinctive image features from scale-invariant keypoints. International Journal of Computer Vision, 60(2), 91–110. https://doi.org/10.1023/B:VISI.0000029664.99615.94.
Mikolajczyk, K. & Schmid, C. (2005). A performance evaluation of local descriptors. IEEE Transactions on Pattern Analysis and Machine Intelligence, 27(10), 1615–1630. https://doi.org/10.1109/TPAMI.2005.188.
Smith, S. M., & Brady, J. M. (1997). SUSAN – A new approach to low level image processing. International Journal of Computer Vision, 23, 45–78. https://doi.org/10.1023/A:1007963824710.
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2017). ImageNet classification with deep convolutional neural networks. Communications of the ACM, 60(6), 84–90. https://doi.org/10.1145/3065386.
Andriluka, M., Pishchulin, L., Gehler, P., & Schiele, B. (2014). 2D human pose estimation: New benchmark and state of the art analysis. In Proceedings of the 2014 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 3686–3693). Columbus, OH, USA. https://doi.org/10.1109/CVPR.2014.471.
Lin, T.-Y., et al. (2014). Microsoft COCO: Common objects in context. In European Conference on Computer Vision (ECCV) (pp. 740–755). https://doi.org/10.1007/978-3-319-10602-1_48.
Cao, Z., Simon, T., Wei, S.-E., & Sheikh, Y. (2017). Realtime multi-person 2D pose estimation using part affinity fields. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 7291–7299). https://doi.org/10.1109/CVPR.2017.143.
Redmon, J., & Farhadi, A. (2018). YOLOv3: An incremental improvement. arXiv preprint arXiv:1804.02767. https://doi.org/10.48550/arXiv.1804.02767.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2024 Олександр Поплавський , Олексій Шкуратов , Сергій Колісник , Анна Поплавська , Дмитро Йовенко
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
