Proyectos Hospital Arnau de Villanova

MIDAS (Massive Image Data Anatomy Spine)

Identificar los factores pronósticos de cronicidad se ha convertido en una de las prioridades de los investigadores sobre patología lumbar.

El proyecto

El dolor lumbar es una patología prevalente y una frecuente causa de discapacidad. Se asocia a crecientes costes para el sistema sanitario y para la sociedad en países desarrollados, afectando al 70% de la población general en algún momento de sus vidas, con una incidencia anual del 40%. El dolor lumbar presenta una tendencia a cronificarse o a producir recaídas que pueden afectar severamente el día a día de los pacientes que lo padecen.

Identificar los factores pronósticos de cronicidad se ha convertido en una de las prioridades de los investigadores sobre patología lumbar. En alrededor del 85% de los casos no es posible encontrar una causa precisa del dolor. Los estudios que evalúan la presencia de cambios anatómicos o estructurales en la columna lumbar por medios como tomografía computarizada, resonancia magnética o discografía no son capaces correlacionar estas anomalías con un mal pronostico en el dolor lumbar. El concepto que relaciona el dolor crónico con las alteraciones estructurales debe ser reconsiderado en vista de la reciente evidencia científica.

El proceso

El término Big Data (grandes volúmenes de datos) hace referencia a una cantidad de datos tal que supera la capacidad del software habitual para ser capturados, gestionados y procesados en un tiempo razonable. Los hospitales tienen cantidades masivas de datos clínicos y de imagen en diferentes formatos. El sector de la salud, es uno de los sectores donde Big Data está teniendo mayor impacto en la actualidad y donde sus aplicaciones crecerán de un modo espectacular, tanto para el área médica, la gestión de centros de salud, la administración hospitalaria y la documentación científica (generación, almacenamiento y explotación).

Otro concepto es el de inteligencia grupal o Crowd Intelligence se basa en la capacidad predictora que tiene el promedio de juicios de muchos individuos. La agregación de información de muchos grupos conduce a mejores decisiones y soluciones que las que ofrecerían expertos individuales.

En la actualidad hay incertidumbre sobre las indicaciones de cirugía del dolor lumbar. La aproximación usando Big Data y Crowd Intelligence no ha sido explorada, pudiendo ser de utilidad para establecer las indicaciones de cirugía según los parámetros de imagen aplicando estos dos conceptos.

Proyecto colaborativo realizado junto con el Hospital Arnau de Vilanova. Servicio de Traumatología.

Researchers

MIDAS (Massive Image Data Anatomy Spine)

Principal resaearcher: Dr. Julio Doménech Fernández

Co-researcher: Jhon Jairo Sáenz Gamboa

Automatic Semantic Segmentation of Structural Elements related to the Spinal Cord in the Lumbar Region by Using Convolutional Neural Networks
Jhon Jairo Sáenz Gamboa, Maria De La Iglesia-Vaya, Jon Ander Gómez
Abstract: This work addresses the problem of automatically segmenting the MR images corresponding to the lumbar spine. The purpose is to detect and delimit the different structural elements like vertebrae, intervertebral discs, nerves, blood vessels, etc. This task is known as semantic segmentation. The approach proposed in this work is based on convolutional neural networks whose output is a mask where each pixel from the input image is classified into one of the possible classes. Classes were defined by radiologists and correspond to structural elements and tissues. The proposed network architectures are variants of the U-Net. Several complementary blocks were used to define the variants: spatial attention models, deep supervision and multi-kernels at input, this last block type is based on the idea of inception. Those architectures which got the best results are described in this paper, and their results are discussed. Two of the proposed architectures outperform the standard U-Net used as baseline.

Contact

If you want to know more about the project, or contact the research team, write to us.