Projektbeschreibung
Mit neuartigen Bildanalysealgorithmen die Ursachen chronischer Rückenschmerzen finden
Chronische Rückenschmerzen, weltweit eine der wesentlichen Ursachen für Behinderungen, haben biomechanische, entzündliche, neurologische und psychologische Ursachen. Mit konventioneller Bildgebung und Bewertung sind keine konkreten Ursachen für Rückenschmerzen aufzuzeigen, aber biomechanische Modelle können zwischen verschiedenen Ätiologien unterscheiden. Ziel des EU-finanzierten Projekts iBack-epic ist der im Rahmen einer großen Kohorte Teilnehmender erfolgende Einsatz neuartiger Bildanalyseverfahren zur Erkennung biomechanischer und entzündlicher Ursachen von Rückenschmerzen. Die Studie wird die kürzlich entwickelten, auf Deep Learning beruhenden Algorithmen zur Kennzeichnung und Segmentierung der Wirbelsäule nutzen, um individuelle biomechanische, funktionelle und morphometrische Parameter der Wirbelsäule zu berechnen. Diese quantitativen bildbasierten Parameter werden dazu beitragen, zwischen normaler Alterung und pathologischer Degeneration zu unterscheiden sowie mit der Entwicklung chronischer Rückenschmerzen verbundene Erkrankungen zu erkennen.
Ziel
Chronic back pain is a major burden and source of disability worldwide. It is primarily attributed to different biomechanical factors, but can also have inflammatory, neurological or psychological causes. Clinical findings and conventional imaging cannot reliably distinguish different causes of back pain. In contrast, individual biomechanical models can quantify diverse (pathologic) loading patterns and thus could be used to distinguish different aetiologies of back pain, to better understand individual pathophysiology and guide preventive strategies.
During my recent ERC-StG “iBack”, I developed quantitative imaging methods and deep-learning based image processing to automatically generate a fully individualized biomechanical model of the thoracolumbar spine. Simultaneously, two large-scale epidemiologic studies collected clinical and high-resolution imaging data of the spine of more than 15,000 participants so far, aiming at more than 35,000 participants by mid 2022
The high-level objective of iBack-epic is to use such novel image analysis techniques to identify different biomechanical and inflammatory causes of back pain in study participants.
I will adopt and extend my recently developed deep-learning based spine labelling and segmentation algorithms to fully automatically calculate individual biomechanical, functional and morphometric parameters of the spine. In this large-scale population data, I will identify different biomechanical loading patterns, use quantitative image-based parameters to discriminate normal ageing from pathologic degeneration and identify pathological conditions that are linked to back pain or subsequent development of chronic back pain.
Such a differentiation – for the first time based on quantitative image data – will allow for a better understanding of the underlying pathophysiology of back pain, an improved risk stratification, a tailored investigation of genetic causes and thus will help to better guide preventive strategies.
Wissenschaftliches Gebiet
Programm/Programme
- HORIZON.1.1 - European Research Council (ERC) Main Programme
Thema/Themen
Finanzierungsplan
HORIZON-AG - HORIZON Action Grant Budget-BasedGastgebende Einrichtung
81675 Muenchen
Deutschland