پیشگامی مرکز تصویربرداری راد در تشخیص ناهنجاری‌های اندام تحتانی با هوش مصنوعی
مقدمه
ناهنجاری‌های اندام تحتانی (پاها) از جمله مشکلات شایع ارتوپدی هستند که می‌توانند به صورت مادرزادی، اکتسابی یا در اثر بیماری‌های متابولیک و آسیب‌های مختلف به وجود آیند. این ناهنجاری‌ها بر کیفیت زندگی بیماران اثر مستقیم دارند و در صورت عدم تشخیص و درمان به موقع، ممکن است منجر به آرتروز زودرس، دردهای مزمن و محدودیت حرکتی شوند. از این رو، تشخیص دقیق و به موقع ناهنجاری‌های اندام تحتانی اهمیت بالایی در پزشکی دارد.
روش سنتی تشخیص این اختلالات معمولاً بر پایه تصاویر رادیوگرافی (X-ray) تمام‌قد پا است. متخصصان ارتوپدی با بررسی محورهای آناتومیک و مکانیک استخوان‌ها و محاسبه زوایای مختلف، میزان انحراف یا ناهنجاری را تعیین می‌کنند. با این حال، این روش دستی وابستگی زیادی به تجربه فرد متخصص دارد و در مواردی می‌تواند خطاهای قابل توجهی ایجاد کند.
در همین راستا، پژوهشی نوآورانه با همکاری مرکز تصویربرداری و سونوگرافی راد در تهران انجام شد که نتیجه آن در سال ۲۰۲۵ در مجله معتبر BMC Musculoskeletal Disorders منتشر گردید. این پژوهش، استفاده از هوش مصنوعی و شبکه‌های عصبی عمیق را برای تشخیص خودکار ناهنجاری‌های اندام تحتانی معرفی می‌کند و گامی بزرگ در حوزه تصویربرداری پزشکی به شمار می‌رود.
چالش‌های روش‌های سنتی در تشخیص ناهنجاری‌ها
یکی از مشکلات اصلی در بررسی رادیوگرافی اندام تحتانی، شناسایی دقیق نقاط کلیدی استخوانی (landmarks) است. این نقاط شامل مرکز سر استخوان ران، لبه‌های کندیل‌های فمور و تیبیا، و نقاط مفصلی در زانو و مچ پا هستند. هرگونه خطای جزئی در تشخیص این نقاط، می‌تواند به محاسبه نادرست زوایا منجر شود.
به طور معمول، متخصصان ارتوپدی زوایای مهمی همچون:
- زاویه مکانیک ران-تیبیا (MFMTA)،
- زاویه دیستال ران (MLDFA)،
- زاویه پروگزیمال تیبیا (MPTA)،
- زاویه دیستال تیبیا (LDTA)،
- و زاویه همگرایی خط مفصلی (JLCA)
را بر اساس تصاویر X-ray محاسبه می‌کنند. اما این کار وقت‌گیر است و به شدت به تجربه فرد وابسته است. در برخی موارد حتی بین دو متخصص مجرب، اختلاف نظر قابل توجهی دیده می‌شود. همین مسأله ضرورت استفاده از روش‌های خودکار و دقیق‌تر را آشکار می‌کند.
نقش هوش مصنوعی در پزشکی مدرن
در سال‌های اخیر، هوش مصنوعی (AI) و به ویژه شبکه‌های عصبی کانولوشنی (CNN) تحولی شگرف در تصویربرداری پزشکی ایجاد کرده‌اند. این الگوریتم‌ها قادرند الگوهای پیچیده در تصاویر پزشکی را شناسایی کنند و دقتی هم‌تراز یا حتی بالاتر از پزشکان متخصص داشته باشند.
در این پژوهش، تیم تحقیقاتی با همکاری مرکز رادیولوژی و سونوگرافی راد، روشی نوین بر پایه یک ساختار هرمی (Image Pyramid) و شبکه ResNet توسعه دادند. در این روش، تصویر رادیوگرافی با وضوح بالا در چندین مقیاس مختلف پردازش می‌شود و مدل قادر است نقاط کلیدی استخوانی را به طور دقیق شناسایی کند.
ویژگی منحصربه‌فرد این روش آن است که برخلاف بسیاری از الگوریتم‌های پیشین، نیازی به استخراج دستی ناحیه مورد نظر (ROI) ندارد و کل تصویر را به صورت یکجا تحلیل می‌کند. این موضوع دقت و سرعت مدل را به شکل چشمگیری افزایش داده است.
معرفی پایگاه داده Rad Lower Limb X-ray Dataset
یکی از نقاط قوت این تحقیق، استفاده از یک پایگاه داده اختصاصی و با کیفیت است که توسط مرکز تصویربرداری و سونوگرافی راد تهیه شد. این دیتاست با نام Rad Lower Limb X-ray Dataset شامل ۴۲۶ تصویر X-ray اندام تحتانی است که با کیفیت بسیار بالا ثبت شده‌اند.
این تصاویر شامل بیماران با شرایط مختلف از جمله:
- بیماران بدون درمان اولیه،
- بیماران تحت عمل استئوتومی،
- بیماران با پروتز مفصل ران یا زانو،
می‌باشند. در تمامی تصاویر، ۲۶ نقطه کلیدی (۱۳ نقطه برای هر پا) توسط متخصصان رادیولوژی و ارتوپدی نشانه‌گذاری شده است. این دیتاست نه تنها برای آموزش و آزمایش مدل‌های هوش مصنوعی مورد استفاده قرار گرفت، بلکه به صورت عمومی نیز منتشر شده است تا سایر پژوهشگران بتوانند از آن در تحقیقات آینده بهره‌مند شوند.
دقت و نتایج پژوهش
مدل پیشنهادی توانست با میانگین خطای کمتر از ۰.۸ میلی‌متر در شناسایی نقاط کلیدی و میانگین خطای ۰.۴۵ درجه در محاسبه زوایا، عملکردی بسیار دقیق داشته باشد. به عنوان مثال:
- دقت محاسبه زاویه MFMTA (ران-تیبیا) حدود ۹۷٪،
- دقت زاویه MPTA و MLDFA تا ۱۰۰٪،
- و میانگین دقت کلی مدل حدود ۹۴٪ گزارش شد.
این نتایج نشان می‌دهد که سیستم هوش مصنوعی توسعه داده‌شده می‌تواند به طور مستقیم در کلینیک‌های ارتوپدی برای کمک به تشخیص و برنامه‌ریزی جراحی به کار گرفته شود.
نوآوری‌های کلیدی این پژوهش
۱. استفاده از معماری هرمی چندمقیاسی برای پردازش تصاویر با وضوح بالا
۲. حذف نیاز به استخراج دستی نواحی مفصلی در تصاویر
۳. به‌کارگیری مکانیزم بازخورد خطا برای اصلاح تدریجی پیش‌بینی‌ها
۴. توسعه و انتشار یک دیتاست عمومی با کیفیت بالا (Rad Dataset)
۵. قابلیت طبقه‌بندی خودکار ناهنجاری‌ها به سه دسته «طبیعی»، «کمتر از حد طبیعی» و «بیشتر از حد طبیعی»
این نوآوری‌ها باعث شده پژوهش حاضر نسبت به روش‌های قبلی برتری چشمگیری از نظر دقت، سرعت و هزینه محاسباتی داشته باشد.
نقش مرکز تصویربرداری راد و پژوهشگران ایرانی
در میان نویسندگان این مقاله، نام دکتر علیرضا الماسی نوکیانی به عنوان پزشک متخصص مرکز راد و آقای رامین جعفرزاده به عنوان مدیر و بنیان‌گذار مرکز رادیولوژی و سونوگرافی راد به چشم می‌خورد. همکاری این مرکز در تهیه داده‌های تصویربرداری و مشارکت در طراحی پژوهش، نقش کلیدی در موفقیت این پروژه علمی ایفا کرده است.
این افتخار بزرگی برای جامعه پزشکی ایران است که یکی از مراکز خصوصی تصویربرداری، توانسته در یک پروژه علمی بین‌المللی حضور داشته باشد و نقش مؤثری در توسعه فناوری‌های نوین سلامت ایفا کند.
چشم‌انداز آینده
هرچند این پژوهش بر تصاویر دوبعدی X-ray تمرکز دارد، اما گام بعدی می‌تواند توسعه روش‌های سه‌بعدی برای شناسایی ناهنجاری‌های پیچیده‌تر (مانند چرخش‌های استخوانی) باشد. همچنین ترکیب داده‌های CT و MRI با X-ray می‌تواند دقت تشخیص را بیش از پیش افزایش دهد.
مرکز تصویربرداری و سونوگرافی راد نیز با بهره‌گیری از تجربه ارزشمند این پروژه، می‌تواند مسیر توسعه فناوری‌های مبتنی بر هوش مصنوعی را در سایر شاخه‌های تصویربرداری پزشکی مانند سونوگرافی و MRI دنبال کند.
جمع‌بندی
پژوهش مشترک دانشگاه تهران، دانشگاه علوم پزشکی ایران و مرکز تصویربرداری و سونوگرافی راد، نقطه عطفی در استفاده از هوش مصنوعی در تشخیص ناهنجاری‌های اندام تحتانی محسوب می‌شود. دقت بالای مدل پیشنهادی و انتشار عمومی دیتاست Rad، راه را برای تحقیقات گسترده‌تر در این حوزه هموار کرده است.
این دستاورد نشان می‌دهد که همکاری میان دانشگاه‌ها و مراکز خصوصی تصویربرداری در ایران، می‌تواند منجر به تولید دانش و فناوری در سطح بین‌المللی شود.
منبع:
1. تشخیص خودکار ناهنجاری‌های اندام تحتانی با استفاده از تصاویر رادیوگرافی با وضوح بالا
Automatic assessment of lower limb deformities using high-resolution X-ray images
دیدگاه خود را ثبت کنید
تمایل دارید در گفتگوها شرکت کنید؟در گفتگو ها شرکت کنید.