بخش‌بندی خودکار اسکلتی-عضلانی در تصاویر پزشکی

اهداف: آسیب های اسکلتی عضلانی یکی از مشکلاتی است که افراد بسیاری در سراسر جهان به‌خصوص سربازان و نیروهای نظامی که نیازمند فعالیت فیزیکی زیاد و خاص برای انجام وظایف رزمی هستند، به آن دچار می شوند. به‌منظور تشخیص خودکار مشکلات اسکلتی عضلانی در تصاویر پزشکی، مرحله اول؛ بخش بندی استخوان ها و ماهیچه ها در این تصاویر است. هدف از انجام پژوهش حاضر، بخش بندی خودکار استخوان ها و ماهیچه های اسکلتی در تصاویر پزشکی است.مواد و روش ها: به‌منظور دستیابی به تصاویر بخش های مختلف بدن در راستای شناسایی و بررسی آسیب ها و بیماری ها، می توان از روش های مختلف تصویربرداری پزشکی ازجمله سی‌تی‌اسکن استفاده کرد. در پژوهش حاضر، 1200 تصویر سی‌تی‌اسکن مربوط به کارکنان ناجا به‌منظور بخش بندی ماهیچه ها و استخوان ها ارزیابی شد. این داده‌ها از مرکز تصویربرداری بیمارستان فوق تخصصی حضرت ولیعصر ناجا در شهر تهران در سال 1398 اخذ گردید. برای بخش بندی در تصاویر پزشکی، الگوریتم های پردازشی مختلفی وجود دارد که در پژوهش حاضر از الگوریتم خوشه بندی فازی استفاده شد. در این الگوریتم؛ بسته به موقعیت آناتومیکی، مقطع موردِ بخش بندی قرارگرفته، حضور استخوان متراکم یا اسفنجی در آن مقطع بررسی‌شده و هیستوگرام شدت روشنایی تصویر ارزیابی می‌گردد و تعداد کلاس‌های متفاوتی برای الگوریتم فازی تعریف می‌شود. در تمام مقاطعِ یک کلاس؛ شدت روشنایی برای ماهیچه ها لحاظ گردید.یافته ها: نتایج حاصل از بخش بندی ماهیچه ها و استخوان ها در مقاطع دوبعدی و سه‌بعدی نشان داده شد. بخش بندی دوبعدی و سه‌بعدی، امکان مشاهده و بررسی استخوان های شکسته و تغییرات حجم ماهیچه ها در اثر آسیب های مختلف و در طول درمان را فراهم نمود.نتیجه گیری: استفاده از روش های مختلف پردازش تصاویر پزشکی به‌منظور بخش بندی خودکار اسکلتیعضلانی، به پزشکان در تشخیص و ارزیابی روند بهبود آسیب های اسکلتی عضلانی در بین نیروهای نظامی کمک شایانی می‌کند.

Automatic Musculoskeletal Segmentation in Medical Images

Aims: Many people around the world, especially soldiers and military personnel who require a lot of physical activity to perform combat tasks, face with musculoskeletal injuries. To automatically diagnose musculoskeletal disorders in the medical images, the first step is to segment the bones and the muscles in these images. The aim of this study is an automatically segmentation of bones and skeletal muscles in the medical images.Materials and Methods: Various medical imaging methods such as CT scan can be used to obtain images of different parts of the body for identification and assessment of injuries and diseases. In this research, 1200 CTScan images from NAJA staff were used to segment muscles and bones. These datasets were taken from the imaging center of Hazrat ValieAsr Hospital. There are different image processing algorithms for medical image segmentation. In this study, the fuzzy clustering algorithm was used. In the proposed method, depending on the anatomical position of the slices and the presence of dense or spongy bone in the slices, a different number of classes were defined for the fuzzy algorithm according to the image brightness histogram. There was one intensity class for the muscles in all slices. Findings: The results of muscles and bones segmentation are shown in 2D and 3D. Two and Threedimensional segmentation allows the observation and assessment of broken bones and changes in muscles volume due to various injuries and during treatment.Conclusion: The use of different medical image processing methods for automatic musculoskeletal segmentation in these images can help physicians in diagnosing and evaluating the healing process of musculoskeletal injuries among military personnel.