Opis projektu
Nowatorskie algorytmy analizowania obrazów pomogą w rozpoznawaniu przypadków przewlekłego bólu pleców
Przewlekły ból pleców, główne źródło niepełnosprawności na całym świecie, ma przyczyny biomechaniczne, zapalne, neurologiczne oraz psychologiczne. Konwencjonalne obrazowanie i ocena stanu pacjenta nie wystarczą, by wskazać określoną przyczynę bólu pleców, jednak modele biomechaniczne mogą przyczynić się do rozpoznawania różnych etiologii bólu. Dlatego też zespół finansowanego ze środków UE projektu iBack-epic planuje wykorzystać nowatorskie techniki analizowania obrazów, by rozpoznać biomechaniczne i zapalne przyczyny bólu pleców w dużej kohorcie pacjentów. Badacze będą opierać się na niedawno opracowanych algorytmach oznaczania i segmentacji kręgosłupa bazujących na uczeniu głębokim, aby obliczyć indywidualne parametry biochemiczne, funkcjonalne i morfometryczne kręgosłupa. Ilościowe parametry oparte na obrazie pomogą rozróżnić pomiędzy prawidłowym starzeniem się a patologiczną degeneracją i rozpoznawać schorzenia powiązane z wystąpieniem przewlekłego bólu pleców.
Cel
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.
Dziedzina nauki
Program(-y)
- HORIZON.1.1 - European Research Council (ERC) Main Programme
Temat(-y)
System finansowania
HORIZON-AG - HORIZON Action Grant Budget-BasedInstytucja przyjmująca
81675 Muenchen
Niemcy