Аннотації

Методологічні основи соматоскопічних досліджень у автоматизованих системах підтримки прийняття рішень

Автор(и):
Поплавський О. А., Шкуратов О. І., Колісник С. П., Поплавська А. А., Йовенко Д. С.
Автор(и) (англ)
Poplavskyi O., Shkuratov O., Kolisnyk S., Poplavska A., Yovenko D.
Дата публікації:

18.11.2024

Анотація (укр):

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.

Анотація (рус):

Анотація (англ):

Automated Decision Support Systems (ADSS) are widely applied in various fields of science and technology, particularly in medicine, where their role in diagnostic, prognostic, and therapeutic processes is undeniable. The use of computational technologies in medical practice has become a necessary stage in the development of the field; however, the increasing volume of data that requires processing, along with heightened demands for accuracy, speed, and reliability of recommendations, significantly complicates decision-making processes. The growing amount of data, combined with the need to minimize the risks of erroneous decisions, drives the scientific community to seek innovative information technologies that can ensure a high level of accuracy in computational operations while minimizing the time required for their execution. Somatoscopic measurements, which are a crucial element in assessing the condition of the musculoskeletal system and overall physical posture of a patient, require precise and systematic image analysis that allows the identification of critically important anatomical markers. This process involves the accurate determination of key points on images of anatomical structures, which serves as the foundation for making precise predictions about the patient's condition and subsequent treatment planning. In the context of continuously increasing volumes of medical data and stricter requirements for the quality of decisions, the implementation of innovative technologies, particularly deep learning, becomes increasingly relevant as it enhances the processes of analysis and diagnosis. The aim of this study is to conduct a comprehensive analysis of the methodological aspects of applying deep learning in the context of automating the diagnosis of the musculoskeletal system and posture assessment. The study emphasizes the use of specialized neural network architectures that enable the identification of key anatomical points on images, thereby facilitating a deeper and more accurate analysis of anatomical structures. This approach significantly improves the efficiency of diagnostic processes by minimizing the likelihood of errors in decision-making and optimizing the performance of medical systems. The results of the conducted research demonstrate the significant potential of deep learning algorithms in medical systems for the automated analysis of images, allowing for substantial improvements in the accuracy and speed of decision-making. Such automation contributes to reducing the risk of subjective errors associated with the human factor, which is particularly important in complex clinical cases. Therefore, the further development of research in this direction is of paramount importance for the medical field, as it opens new opportunities for solving complex diagnostic tasks at an innovative technological level. The integration of deep learning technologies into the processes of extracting somatoscopic data not only enhances diagnostic efficiency but also creates prerequisites for the development of new decision support systems that optimize medical practice.

Література:

  1. Shin Y. et al. "Artificial intelligence in musculoskeletal ultrasound imaging," Ultrasonography, vol. 40, no. 1, pp. 30–44, 2021. Available: https://doi.org/10.14366/usg.20080.
  2. Michoński J.et al. "Automatic recognition of surface landmarks of anatomical structures of back and posture," Journal of Biomedical Optics, vol. 17, no. 5, p. 056015, 2012. Available: https://doi.org/10.1117/1.jbo.17.5.056015.
  3. Wang J., Zhang Y., and Liu X. "Automatic landmark detection of human back surface from depth images via deep learning," World Journal of Clinical & Medical Images, vol. 1, no. 1, pp. 12-23, 2022. Available: https://doi.org/10.33140/wjcmi.01.01.07.
  4. Naik B. T. et al. "DeepPlayer-Track: player and referee tracking with jersey color recognition in soccer," IEEE Access, vol. 10, pp. 32494–32509, 2022. Available: https://doi.org/10.1109/access.2022.316144.
  5. Smith A. et al., "Automated posture analysis using machine learning techniques," International Journal of Medical Informatics, vol. 144, 2020. Available: https://doi.org/10.1016/j.ijmedinf.2020.104292.
  6. Taylor M. C. et al. "Deep neural networks for musculoskeletal ultrasound imaging: A review," Journal of Medical Imaging, vol. 7, no. 4, 2020. Available: https://doi.org/10.1117/1.JMI.7.4.040802.
  7. Lee P. et al. "Segmentation of musculoskeletal structures using deep learning: A review," IEEE Transactions on Medical Imaging, vol. 39, no. 2, pp. 359–373, 2020. Available: https://doi.org/10.1109/TMI.2020.2973417.
  8. Morgan K. J. et al. "Bone structure analysis via deep learning and computer vision techniques," Journal of Orthopaedic Research, vol. 38, no. 8, pp. 1634–1645, 2021. Available: https://doi.org/10.1002/jor.24678.
  9. Gonzalez R. C. and Woods R. E. Digital Image Processing, 4th ed., Pearson Education Limited, Harlow, Essex, England, 2018. ISBN: 978-1-292-22304-9.
  10. Harris C. and Stephens M. "A combined corner and edge detector," in Proceedings of the 4th Alvey Vision Conference, Manchester, UK, 1988, pp. 147–151.
  11. Lowe D. G. "Distinctive image features from scale-invariant keypoints," International Journal of Computer Vision, vol. 60, no. 2, pp. 91–110, 2004. Available: https://doi.org/10.1023/B:VISI.0000029664.99615.94.
  12. Mikolajczyk K. and Schmid C. "A performance evaluation of local descriptors," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 27, no. 10, pp. 1615–1630, 2005. Available: https://doi.org/10.1109/TPAMI.2005.188.
  13. Smith S. M. and Brady J. M. "SUSAN—A New Approach to Low Level Image Processing," International Journal of Computer Vision, vol. 23, pp. 45–78, 1997. Available: https://doi.org/10.1023/A:1007963824710.
  14. Krizhevsky A., Sutskever I., and Hinton G. E. "ImageNet classification with deep convolutional neural networks," Communications of the ACM, vol. 60, no. 6, pp. 84–90, May 2017. Available: https://doi.org/10.1145/3065386.
  15. Andriluka M., Pishchulin L., Gehler P., and Schiele B. "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), Columbus, OH, USA, Jun. 23–28, 2014, pp. 3686–3693. Available: https://doi.org/10.1109/CVPR.2014.471.
  16. Lin T.-Y. et al. "Microsoft COCO: Common Objects in Context," in European Conference on Computer Vision (ECCV), 2014, pp. 740–755. Available: https://doi.org/10.1007/978-3-319-10602-1_48.
  17. Cao Z., Simon T., Wei S.-E., and Sheikh Y. "Realtime Multi-Person 2D Pose Estimation Using Part Affinity Fields," in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017, pp. 7291-7299. Available: https://doi.org/10.1109/CVPR.2017.143.
  18. Redmon J. and Farhadi A. "YOLOv3: An Incremental Improvement," arXiv preprint arXiv:1804.02767, 2018. Available: https://arxiv.org/abs/1804.02767.

References:

  1. Shin, Y., et al. (2021). Artificial intelligence in musculoskeletal ultrasound imaging. Ultrasonography, 40(1), 30–44. https://doi.org/10.14366/usg.20080.
  2. 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.
  3. 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.
  4. 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.
  5. 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.
  6. 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.
  7. 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.
  8. 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.
  9. Gonzalez, R. C. & Woods, R. E. (2018). Digital Image Processing (4th ed.). Pearson Education Limited.
  10. Harris, C. & Stephens, M. (1988). A combined corner and edge detector. In Proceedings of the 4th Alvey Vision Conference (pp. 147–151). Manchester, UK.
  11. 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.
  12. 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.
  13. 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.
  14. 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.
  15. 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.
  16. 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.
  17. 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.
  18. Redmon, J., & Farhadi, A. (2018). YOLOv3: An incremental improvement. arXiv preprint arXiv:1804.02767. https://doi.org/10.48550/arXiv.1804.02767.