ES2739816T3 - Identificación de anomalías musculares basada en imágenes - Google Patents

Identificación de anomalías musculares basada en imágenes Download PDF

Info

Publication number
ES2739816T3
ES2739816T3 ES12822225T ES12822225T ES2739816T3 ES 2739816 T3 ES2739816 T3 ES 2739816T3 ES 12822225 T ES12822225 T ES 12822225T ES 12822225 T ES12822225 T ES 12822225T ES 2739816 T3 ES2739816 T3 ES 2739816T3
Authority
ES
Spain
Prior art keywords
muscle
muscles
healthy
volume
length
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
ES12822225T
Other languages
English (en)
Inventor
Craig Meyer
Silvia Blemker
Geoffrey Handsfield
Mark F Abel
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
UVA Licensing and Ventures Group
Original Assignee
University of Virginia Patent Foundation
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Virginia Patent Foundation filed Critical University of Virginia Patent Foundation
Application granted granted Critical
Publication of ES2739816T3 publication Critical patent/ES2739816T3/es
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
    • A61B5/1073—Measuring volume, e.g. of limbs
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
    • A61B5/4519—Muscles
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20036—Morphological image processing

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Rheumatology (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

Un método para identificar una anomalía muscular, que comprende: adquirir datos de imagen asociados con una pluralidad de músculos en un área de interés de un sujeto vivo; generar un modelo de datos para la pluralidad de músculos basándose en los datos de imagen; calcular al menos uno del volumen y la longitud de uno de la pluralidad de músculos según el modelo de datos; y determinar si al menos uno del volumen y la longitud del músculo, según lo calculado, se desvía de al menos uno del volumen y la longitud asociados a un músculo sano caracterizado por que el músculo sano está representado por un compuesto basado en músculos individuales sanos de varios sujetos vivos sanos de una muestra de población, en donde el músculo y los músculos individuales sanos son escalados por el producto de la masa y la estatura de los respectivos sujetos.

Description

DESCRIPCIÓN
Identificación de anomalías musculares basada en imágenes
La presente solicitud se presenta como una solicitud de patente internacional PCT en nombre de la University of Virginia Patent Foundation, una corporación nacional estadounidense, Solicitante para todos los países excepto los Estados Unidos, y de Craig Meyer, Silvia Blemker, Geoffrey Handsfield y Mark Abel, todos ellos residentes en los Estados Unidos, Solicitantes para la designación de los Estados Unidos únicamente.
Referencia cruzada a la solicitud de patente relacionada
La presente solicitud, de conformidad con la ley 35 USC § 119 (e), reclama prioridad sobre, y el beneficio de, la solicitud de patente provisional de Estados Unidos con n.° de serie 61/552.500, presentada el 11 de agosto de 2011, titulada "An MRI-Based Muscle-Modelling Tool for Diagnosing Muscle Impairments", por Craig Meyer, Silvia Blemker, Geoffrey Handsfield y Mark Abel, cuyo contenido se incorpora al presente documento en su totalidad por referencia. Algunas referencias, que pueden incluir patentes, solicitudes de patentes y diversas publicaciones, se citan en una lista de referencias y se discuten en la divulgación proporcionada en el presente documento. La cita y/o discusión de dichas referencias se proporciona simplemente para aclarar la descripción de la presente divulgación y no es una aceptación de que ninguna de esas referencias sea "técnica anterior" a ningún aspecto de la presente divulgación descrita en el presente documento. Todas las referencias citadas y discutidas en la presente memoria descriptiva se incorporan a la misma en su totalidad por referencia y en la misma medida en que cada referencia se incorporaría individualmente por referencia. En términos de notación, en adelante, "[n]" representa la enésima referencia citada en la lista de referencias. Por ejemplo, [4] representa la cuarta referencia citada en la lista de referencias, a saber, Tan H, Meyer CH. Estimation of k-space trajectories in spiral MRI. Magn Reson Med. 2009 Jun; 61 (6): 1396-404. Antecedentes
Las cirugías ortopédicas son comunes y pueden tener un costo muy alto, tanto en términos financieros como en términos de tiempo de recuperación del paciente. Los procedimientos ortopédicos a menudo se dirigen a ligamentos, meniscos, cartílagos, tendones y huesos, pero los problemas biomecánicos asociados a las deficiencias subyacentes también pueden implicar una disfunción muscular. La cirugía puede ser excesiva, o estar mal orientada, por no haber evaluado de manera rigurosa las deficiencias musculares y, como resultado, haberlas pasado por alto. Actualmente no hay métodos efectivos para que los médicos clínicos evalúen objetivamente el grado de anomalías musculares en un paciente. Se utilizan mediciones manuales de fuerza para aproximar la funcionalidad, pero estas mediciones son subjetivas y pueden no proporcionar una información adecuada con respecto a los músculos individuales. Actualmente, los médicos clínicos no pueden diagnosticar con precisión los problemas de desequilibrio y fuerza muscular. Como resultado, la capacidad de los médicos clínicos para establecer estrategias de rehabilitación personalizadas para abordar estos problemas es limitada, y el paciente puede ser sometido a tratamientos quirúrgicos innecesarios que son costosos e invasivos. Además, existe la necesidad de examinar con precisión las anomalías musculares específicas asociadas al incremento del rendimiento muscular atlético u otro rendimiento por encima de lo normal en ciertas personas. Los documentos HAJGHANBARI B ET.AL: "MRI-Based 3D Shape Analysis of Thigh Muscles", ACADEm Ic RADIOLOGY, vol. 18, n.° 2, febrero de 2011, páginas 155-166, GILLES B ET. AL: " Musculoskeletal MRI Segmentation using multi-resolution simplex meshes with medial representations", MEDICAL IMAGE ANALYSIS, vol. 14 (2010), páginas 291-302, y ANDREW J DUNN ET. AL: "MR imaging findings of anterior interosseous nerve lesions", SQu ElETAL RADIOLOGY, vol. 36 (2007) (16-10-2007), páginas 1155-1162, muestran métodos basados en IRM para la evaluación muscular.
Es con respecto a estas y otras consideraciones que se presentan las diversas realizaciones descritas a continuación.
Sumario
La invención está definida por las reivindicaciones. En el presente documento se describen conceptos y tecnologías para la identificación basada en imágenes de anomalías musculares. A través de una implementación de las realizaciones descritas en el presente documento, un método puede incluir adquirir datos de imagen asociados con una pluralidad de músculos en un área de interés de un sujeto vivo, y generar un modelo de datos para la pluralidad de músculos en base a los datos de imagen. El método incluye además calcular el volumen y/o la longitud de uno de la pluralidad de músculos según el modelo de datos, y determinar si el volumen y/o la longitud del músculo, según lo calculado, se desvía del volumen y/o la longitud asociados con un musculo sano. Si el volumen y/o la longitud del músculo se desvían del volumen y/o la longitud asociados con un músculo sano, se puede identificar una anomalía muscular en función de la desviación. Adicionalmente, puede utilizarse la desviación para identificar anomalías musculares distintas de las deficiencias musculares, por ejemplo volumen y/o longitud musculares asociados con un alto rendimiento muscular entre ciertos individuos.
El objeto descrito en el presente documento también puede implementarse en un sistema informático como un aparato o como un artículo de fabricación, tal como un medio de almacenamiento legible por ordenador. Las características, funciones y ventajas discutidas en el presente documento pueden lograrse independientemente en diversas realizaciones de los conceptos y tecnologías divulgados en el presente documento, o pueden combinarse en otras realizaciones más, cuyos detalles adicionales se pueden ver con referencia a la descripción y dibujos siguientes.
Breve descripción de los dibujos
La FIGURA 1 es un diagrama de sistema que ilustra un entorno operativo ejemplar para las diversas realizaciones desveladas en el presente documento.
La FIGURA 2 es un diagrama de arquitectura de computadora que muestra una arquitectura de hardware de computadora ilustrativa para un sistema de computación capaz de implementar las realizaciones presentadas en el presente documento.
La FIGURA 3 es un diagrama de flujo que ilustra un método para la identificación de anomalías musculares, de acuerdo con una realización presentada en el presente documento.
Las FIGURAS 4A y 4B muestran imágenes y modelos de músculos preliminares, respectivamente, de acuerdo con una realización presentada en el presente documento.
La FIGURA 5 ilustra una pantalla de un software de análisis de imágenes, de acuerdo con una realización presentada en el presente documento.
Las FIGURAS 6A y 6B muestran imágenes axiales adquiridas y segmentadas para sujetos sanos y sujetos con parálisis cerebral (PC), respectivamente, y las FIGURAS 6C y 6D muestran reconstrucciones en 3-D y volúmenes calculados para sujetos sanos y con PC, respectivamente, de acuerdo con una realización presentada en el presente documento.
Las FIGURAS 7A-7C muestran gráficos de relación de volumen para siete sujetos sanos y cuatro con PC para los músculos que cruzan el tobillo (FIGURA 7A), la cadera (FIGURA 7B), y la rodilla (FIGURA 7C), de acuerdo con una realización presentada en el presente documento.
La FIGURA 8 ilustra mapas en color generados para un sujeto sano y cuatro sujetos con PC, en los que las filas representan grupos de unión/acción mientras que las columnas representan músculos individuales, de acuerdo con una realización presentada en el presente documento.
La FIGURA 9A muestra un esquema de escalado de volumen muscular, y la FIGURA 9B muestra una gráfica del volumen muscular de la extremidad inferior en función de la masa corporal x estatura, de acuerdo con la invención.
Las FIGURAS 10A y 10B muestran relaciones de escalado para los músculos de la extremidad inferior, en las que la FIGURA 10A muestra escalados lineales para los músculos que cruzan tres articulaciones de la extremidad inferior y la FIGURA 10B ilustra una relación lineal entre el volumen muscular y el volumen óseo para sujetos que varían en edad y tamaño corporal, de acuerdo con una realización presentada en el presente documento.
La FIGURA 11 muestra los músculos de las extremidades inferiores de un atleta de élite, y unas imágenes seccionadas, que ilustran los volúmenes musculares del atleta en comparación con sujetos normales, de acuerdo con una realización presentada en el presente documento.
Las FIGURAS 12A y 12B muestran diagramas de relaciones lineales entre masa-estatura y volumen muscular para varios individuos de una población de muestra, de acuerdo con una realización presentada en el presente documento.
Descripción detallada
La siguiente descripción detallada está dirigida a conceptos y tecnologías para la identificación de anomalías musculares. En la siguiente descripción detallada, se hacen referencias a los dibujos adjuntos que forman parte del presente documento y que muestran, a modo de ilustración, realizaciones o ejemplos específicos. Al referirse a los dibujos, los números similares representan elementos similares a lo largo de las diversas figuras.
La FIGURA 1 es un diagrama de sistema que ilustra un entorno operativo ejemplar para las diversas realizaciones desveladas en el presente documento. Las realizaciones pueden implementarse en un sistema de IRM comercial. La FIGURA 1 ilustra un ejemplo de dicho sistema 100 de IRM, que incluye una computadora 150 de adquisición de datos y visualización acoplada a una consola 110 de operador, un secuenciador 152 de control de IRM en tiempo real y un subsistema 154 de IRM. El subsistema 154 de IRM puede incluir unas bobinas 168 de gradiente magnético XYZ y sus amplificadores asociados, un imán estático 169 del eje Z, un transmisor digital 162 de RF, un receptor digital 160 de RF, un conmutador 164 de transmisión/recepción y una(s) bobina(s) 166 de RF. El subsistema 154 de IRM puede controlarse en tiempo real mediante el secuenciador 152 de control para generar campos magnéticos y de radiofrecuencia que estimulan los fenómenos de resonancia magnética en un sujeto vivo, el paciente P, para la obtención de imágenes del mismo. En la pantalla 158 se puede mostrar una imagen con contraste mejorado de un área de interés A del paciente P. La pantalla 158 se puede implementar a través de una variedad de interfaces de salida, que incluyen un monitor, una impresora, o un almacenamiento de datos. Debe apreciarse que se puede usar cualquier número y tipo de sistemas o componentes de imágenes de tomografía computarizada, incluidos varios tipos de sistemas de imágenes de resonancia magnética, para poner en práctica los aspectos de la presente divulgación, y que la divulgación no estará limitada al tipo ejemplar del subsistema de IRM que se muestra en la FIGURA 1.
La FIGURA 2 es un diagrama de arquitectura de computadora que muestra una arquitectura de hardware de computadora ilustrativa para un sistema de computación capaz de implementar algunas realizaciones presentadas en el presente documento. Una implementación de ejemplo de la computadora 200 puede incluir y la computadora 150 de adquisición y visualización de datos de la FIGURA 1. La computadora 200 incluye una unidad 202 de procesamiento ("CPU"), una memoria 204 del sistema y un bus 206 del sistema que acopla la memoria 204 a la CPU 202. La computadora 200 incluye además un dispositivo 212 de almacenamiento masivo para almacenar módulos 214 de programa. Los módulos 214 de programa pueden servir para realizar diversas operaciones que se explican a continuación para identificar anomalías musculares, y pueden incluir una aplicación 236 de servidor web y una aplicación 218 de formación de imágenes. La computadora puede incluir un almacén 238 de datos para almacenar datos que pueden incluir datos 240 relacionados con imágenes, tales como datos de adquisición de imágenes, y un almacén 242 de datos de modelado para almacenar datos de modelado de imágenes, u otros diversos tipos de datos utilizados en la puesta en práctica de los aspectos de la presente divulgación.
El dispositivo 212 de almacenamiento masivo está conectado a la CPU 202 a través de un controlador de almacenamiento masivo (no mostrado) conectado al bus 206. El dispositivo 212 de almacenamiento masivo y sus correspondientes medios de almacenamiento informático proporcionan un almacenamiento no volátil para la computadora 200. Aunque la descripción de los medios de almacenamiento informático contenidos en el presente documento se refiere a un dispositivo de almacenamiento masivo, tal como un disco duro o una unidad de CD-ROM, los expertos en la técnica apreciarán que los medios de almacenamiento informático pueden ser cualquier medio de almacenamiento informático disponible al que pueda acceder la computadora 200.
A modo de ejemplo, y no de limitación, los medios de almacenamiento informático pueden incluir medios volátiles y no volátiles, extraíbles y no extraíbles implementados en cualquier método o tecnología para el almacenamiento de información, tales como instrucciones de almacenamiento informático, estructuras de datos, módulos de programas, u otros datos. Por ejemplo, los medios de almacenamiento informático incluyen, pero sin limitarse a los mismos, RAM, ROM, EPROM, EEPROM, memoria flash u otra tecnología de memoria de estado sólido, CD-ROM, discos versátiles digitales ("DVD"), HD-DVD, BLU RAY, u otro almacenamiento óptico, casetes magnéticos, cinta magnética, almacenamiento en disco magnético u otros dispositivos de almacenamiento magnético, o cualquier otro medio que pueda usarse para almacenar la información deseada y al que pueda acceder la computadora 200.
De acuerdo con diversas realizaciones, la computadora 200 puede operar en un entorno de red usando conexiones lógicas a computadoras remotas a través de una red 216. La computadora 200 puede conectarse a la red 216 a través de una unidad 210 de interfaz de red conectada al bus 206. Debe apreciarse que la unidad 210 de interfaz de red también puede utilizarse para conectarse a otros tipos de redes y sistemas informáticos remotos. La computadora 200 también puede incluir un controlador 208 de entradas/salidas para recibir y procesar la entrada de una serie de dispositivos de entrada.
El bus 206 puede permitir que la unidad 202 de procesamiento lea el código y/o los datos hacia/desde el dispositivo 212 de almacenamiento masivo u otro medio de almacenamiento informático. Los medios de almacenamiento informático pueden representar aparatos en forma de elementos de almacenamiento que se implementan utilizando cualquier tecnología adecuada, incluidos, entre otros, semiconductores, materiales magnéticos, ópticos o similares. Los medios de almacenamiento informático pueden representar componentes de memoria, caracterizados ya sea como RAM, ROM, flash u otros tipos de tecnología. Los medios de almacenamiento informático también pueden representar un almacenamiento secundario, implementado ya sea como discos duros o de otra manera. Las implementaciones de disco duro se pueden caracterizar como estado sólido, o pueden incluir medios rotativos que almacenan información codificada magnéticamente.
Los módulos 214 de programa, que incluyen la aplicación 218 de formación de imágenes, pueden incluir instrucciones de software que, cuando se cargan y se ejecutan en la unidad 202 de procesamiento, hacen que la computadora 200 proporcione funciones para la identificación de anomalías musculares, de acuerdo con los aspectos de la divulgación descrita en el presente documento según las realizaciones ejemplares. Los módulos 214 de programa también pueden proporcionar varias herramientas o técnicas mediante las cuales la computadora 200 puede participar dentro de los sistemas generales o entornos operativos utilizando los componentes, flujos y estructuras de datos discutidos a lo largo de esta descripción.
En general, los módulos 214 de programa, cuando se cargan y se ejecutan en la unidad 202 de procesamiento, transforman la unidad 202 de procesamiento y la computadora general 200 de un sistema informático de propósito general en un sistema informático de propósito especial. La unidad 202 de procesamiento se puede construir a partir de cualquier número de transistores u otros elementos de circuitos discretos, que pueden asumir individual o colectivamente cualquier número de estados. Más específicamente, la unidad 202 de procesamiento puede operar como una máquina de estado finito, en respuesta a las instrucciones ejecutables contenidas en los módulos 214 de programa. Estas instrucciones ejecutables por computadora pueden transformar la unidad 202 de procesamiento al especificar cómo la unidad de procesamiento 202 transita entre estados, transformando así los transistores u otros elementos de hardware discretos que constituyen la unidad 202 de procesamiento.
La codificación de los módulos 214 de programa también puede transformar la estructura física de los medios de almacenamiento informático. La transformación específica de la estructura física, en diferentes implementaciones de la presente descripción, puede depender de diversos factores. Los ejemplos de tales factores pueden incluir, entre otros: la tecnología utilizada para implementar los medios de almacenamiento informático, que los medios de almacenamiento informático se caractericen como almacenamiento primario o secundario, y similares. Por ejemplo, si los medios de almacenamiento informático se implementan como memoria basada en semiconductores, los módulos 214 de programa pueden transformar el estado físico de la memoria de semiconductores, cuando el software está codificado en ella. Por ejemplo, los módulos 214 de programa pueden transformar el estado de los transistores, condensadores u otros elementos discretos del circuito que constituyen la memoria de semiconductores.
Como otro ejemplo, los medios de almacenamiento informático pueden implementarse utilizando tecnología magnética u óptica. En tales implementaciones, los módulos 214 de programa pueden transformar el estado físico de los medios magnéticos u ópticos, cuando el software está codificado en ellos. Estas transformaciones pueden incluir alterar las características magnéticas de ubicaciones particulares dentro de los medios magnéticos dados. Estas transformaciones también pueden incluir alterar las características físicas o las características de ubicaciones particulares dentro de los medios ópticos dados, para cambiar las características ópticas de esas ubicaciones. Otras transformaciones de los medios físicos son posibles sin apartarse del alcance de la presente descripción, proporcionándose los ejemplos anteriores solo para facilitar esta discusión.
Haciendo referencia ahora a la FIGURA 3, se describirá en detalle una rutina 300 ilustrativa, de acuerdo con una realización. En particular, la FIGURA 3 es un diagrama de flujo que ilustra un método para identificar anomalías musculares, de acuerdo con una realización. Debe apreciarse que las operaciones lógicas descritas en el presente documento se implementan (1) como una secuencia de actos implementados por computadora o módulos de programa que se ejecutan en un sistema de computación y o (2) como circuitos lógicos de máquina o módulos de circuito interconectados dentro del sistema de computación. La implementación es una cuestión de elección que depende de las prestaciones y otros requisitos del sistema informático. Por consiguiente, las operaciones lógicas descritas en el presente documento se denominan de diversas maneras: operaciones de estados, dispositivos estructurales, actos o módulos. Estas operaciones, dispositivos estructurales, actos y módulos pueden implementarse en software, firmware, lógica digital para fines especiales y cualquier combinación de los mismos. Debe apreciarse que se pueden realizar más o menos operaciones de las que se muestran en las figuras y se describen en el presente documento. Estas operaciones también se pueden realizar en un orden diferente a los descritos en el presente documento.
La rutina 300 comienza en la operación 302, en la que se adquieren datos de imagen para los músculos en un área de interés de un sujeto vivo. La rutina 300 pasa luego a la operación 304, en la que se genera un modelo de datos correspondiente a los músculos en el área de interés en base a los datos de imagen adquiridos. A continuación, en la operación 306, se calcula el volumen y/o la longitud de uno de los músculos en el área de interés, basándose en el modelo de datos. De la operación 306, la rutina 300 pasa a la operación 308. En la operación 308, se determina si el volumen y/o la longitud calculados para el músculo en particular se desvían del volumen y/o la longitud de un músculo sano. Tal como se usa en el presente documento, el término "sano" cuando se asocia a un músculo puede abarcar un músculo que está asociado a un individuo normal de una población de personas con estructura musculoesquelética estándar, es decir, individuos que no tienen deficiencias musculares, tal como se explica en el presente documento, o que no están asociados a un rendimiento mayor de uno o más músculos, o a funciones atléticas resultantes, por ejemplo, que serían anormales en comparación con la población normal. Si el volumen y/o la longitud calculados se desvían del volumen y/o la longitud del músculo sano, entonces la rutina 300 pasa de la operación 308 a la operación 310. En la operación 310, se puede identificar una anomalía muscular basándose en la desviación, y a continuación la rutina 300 finaliza. Si en la operación 308 se determina que el volumen y/o la longitud calculados para el músculo particular no se desvían del volumen y/o la longitud del músculo sano, la rutina 300 finaliza a continuación.
La adquisición de los datos de imagen puede incluir la recepción de datos de imagen asociados con escaneos de IRM en espiral del área de interés del sujeto vivo. La generación del modelo de datos comprende la formación de un modelo tridimensional de la pluralidad de músculos basándose en los datos de imagen recibidos asociados con al menos un escaneo de IRM en espiral, de los músculos en el área de interés basándose en los datos de imagen recibidos asociados con los escaneos de IRM en espiral. La obtención de imágenes y/o la reconstrucción pueden incluir la utilización de obtención selectiva de imágenes de agua o de imágenes de agua/grasa. Los pulsos de excitación espectral-espacial se pueden utilizar para formar imágenes selectivas de agua, pero se pueden usar otros métodos, alternativamente. Además, los pulsos de excitación espectral-espacial pueden usarse para formar imágenes de agua/grasa. Los escaneos intercalados, multicorte, de TR largo (o ponderados por densidad) pueden ser útiles para la delineación de diferentes músculos. Una reconstrucción de imagen para escaneos en espiral que incluye estimación de trayectoria por espacio k y corrección de corrimiento de la frecuencia de resonancia (offresonance) tanto para la inhomogeneidad de campo principal como para los campos de gradiente concomitantes.
El área de interés del sujeto vivo puede incluir una extremidad y/o una articulación. Por ejemplo, el área de interés puede estar compuesta por músculos próximos a la articulación del codo, la rodilla o el hombro, o puede estar compuesta por los músculos de una extremidad inferior o superior, tal como una pierna o un brazo, respectivamente. El cálculo del volumen y/o la longitud del músculo en particular puede incluir la segmentación de los músculos en el área de interés basándose en grupos musculares.
La identificación de una anomalía muscular puede incluir la comparación de la desviación con una desviación de umbral predeterminada, de manera que una desviación sobre el umbral correspondería a una anomalía muscular. Por ejemplo, el umbral se puede establecer de tal manera que una desviación que exceda el umbral represente hipertrofia muscular. Adicional o alternativamente, el umbral se puede establecer de manera que una desviación que exceda el umbral represente atrofia muscular. Se pueden generar representaciones visuales, que proporcionen representaciones visuales de los músculos y desviaciones, en forma de gráficos, reconstrucciones de imágenes codificadas por colores, curvas u otros formatos para representar datos visualmente.
Adicional o alternativamente, la identificación de una anomalía muscular puede incluir el cálculo de un factor de desviación que corresponda a la cantidad y/o grado de la desviación. Una anomalía muscular puede identificarse determinando si el factor de desviación calculado corresponde a un factor de desviación determinado previamente que se asocia con una anomalía muscular. Se puede calcular un factor de desviación para una desviación del volumen muscular y/o la relación de la longitud en comparación con una proporción saludable. El músculo sano que, tal como se describió anteriormente, se puede usar para comparar con el músculo particular del área de interés que se ha fotografiado, puede corresponder a un músculo que sea del mismo tipo específico de músculo que el músculo del que se están formando imágenes. De acuerdo con la invención, el músculo sano representa un compuesto basado en músculos sanos de varios sujetos vivos y sanos de una población de muestra.
Implementaciones ejemplares
A continuación se describen ejemplos de puesta en práctica de los conceptos y tecnologías presentados en el presente documento, y de los resultados correspondientes, de acuerdo con los aspectos de la presente divulgación. Estos ejemplos son sólo para fines ilustrativos. La divulgación del presente documento no se limita a estos ejemplos.
Ejemplo 1
Utilizando la información obtenida a partir de la obtención de imágenes y la reconstrucción de la morfología muscular, se pueden medir volúmenes y longitudes de todos los músculos principales de toda la extremidad inferior. Las FIGURAS 4A y 4B muestran respectivamente los resultados de la obtención de imágenes preliminares y el modelado. Esta técnica requiere un escaneo de IRM muy simple y rápido que dura aproximadamente 15 minutos y no requiere bobinas especializadas (solo se usa la bobina de cuerpo del escáner). El escaneo en espiral en el espacio k se puede usar para producir un protocolo muy rápido para la obtención de imágenes ponderadas en densidad de protones. Los escaneos en espiral tienen intrínsecamente tiempos de eco (TE) muy cortos, lo que proporciona una ventaja para esta implementación. La técnica de acuerdo con este Ejemplo recopila un conjunto de datos de multicortes en espiral con selección de agua con un largo tiempo de repetición (TR) (800-1000 ms) y reconstruye las imágenes utilizando una reconstrucción de imagen cuadriculada con corrección semiautomática del corrimiento de la frecuencia de resonancia, tal como se describe en Holzbaur y asoc. [1] y en la Solicitud de Patente de Estados Unidos n.° 12/114.307. La técnica corrige tanto los efectos de corrimiento de la frecuencia de resonancia del campo principal como los efectos de gradiente concomitantes, utilizando un algoritmo de reconstrucción de fase conjugada rápida basado en una aproximación de Chebyshev, tal como se describe en Hurley [2] y en la Solicitud de Patente de Estados Unidos n.° 12/114.307. La excitación selectiva de agua se efectúa utilizando una excitación espectral-espacial, tal como se describe en Moseley y asoc. [3] y en la Patente de Estados Unidos n.° 4.999.580. La trayectoria en el espacio k utilizada en la reconstrucción de imagen se estima utilizando el modelo descrito en Tan y asoc. [4] y en la Patente de Estados Unidos n.° 7.888.935.
La técnica de acuerdo con este Ejemplo recopila un conjunto de datos de multicortes en espiral con selectividad de agua o agua/grasa con un TR largo (800-1000 ms) y reconstruye las imágenes utilizando la reconstrucción de imágenes en cuadrícula con corrección semiautomática del corrimiento de la frecuencia de resonancia, tal como se describe en Chen y Meyer [9] y en la Patente de Estados Unidos n.° 8.238.634. La técnica corrige tanto los efectos de corrimiento de la frecuencia de resonancia del campo principal como los efectos de gradiente concomitantes, utilizando un algoritmo de reconstrucción rápida de fase conjugada basado en una aproximación de Chebyshev, tal como se describe en Chen y asoc. [5] y en la Patente de Estados Unidos n.° 8.094.907. La excitación selectiva de agua o agua/grasa se realiza utilizando una excitación espectral-espacial, tal como se describe en Meyer y asoc.
[10] y en la Patente de Estados Unidos n.° 4.999.580. La trayectoria del espacio k utilizada en la reconstrucción de la imagen se estima utilizando el modelo descrito en Tan y Meyer [4] y en la Patente de Estados Unidos n.° 7.888.935. Para el procesamiento y el modelado de imágenes, basados en unos pocos conjuntos de entradas manuales, el software de acuerdo con los aspectos de la presente divulgación genera una reconstrucción tridimensional de cada músculo de la extremidad inferior, junto con un informe de los volúmenes y longitudes relativos de todos los músculos en comparación con un grupo de sujetos adultos sanos. Un usuario puede seleccionar músculos de interés y el software informará sobre los volúmenes y longitudes de estos músculos de interés. Similarmente, se puede generar un informe que identifique qué músculos tienen relaciones de volumen y/o longitud que sean diferentes de la media en al menos una desviación estándar. Estas características permitirán a los médicos aislar rápidamente los músculos defectuosos. La FIGURA 5 ilustra una pantalla de la funcionalidad del software de análisis. El software permite al usuario resaltar y aislar los músculos de interés y el software genera gráficos que permiten al usuario comparar las longitudes y los volúmenes de músculos específicos con los de poblaciones adultas sanas.
Ejemplo 2
Las evaluaciones clínicas de trastornos de la marcha en pacientes con parálisis cerebral (PC) incluyen evaluaciones globales, de movimiento y función, que incluyen un examen físico, observación visual de la marcha del paciente, datos de captura de movimiento y mediciones electromiográficas. Es posible que estos tipos de pruebas no puedan determinar la fortaleza o debilidad de los músculos individuales, pero los tratamientos para una marcha anormal apuntan a las discapacidades de músculos individuales. Es necesario identificar la hipertrofia o la atrofia de cada músculo de una articulación para diseñar tratamientos más personalizados destinados a mejorar la marcha de los sujetos con PC. En este Ejemplo, se presenta una técnica de imagen rápida, no invasiva, para evaluar in vivo los volúmenes musculares específicos de la extremidad inferior tanto de sujetos sanos como con PC. En particular, este ejemplo describe un método in vivo no invasivo para evaluar los volúmenes relativos de sujetos con la marcha alterada. La técnica demuestra confiabilidad en su predicción de una relación promedio de volumen muscular constante entre sujetos sanos y precisión en su detección de hipertrofia y atrofia relativas a nivel muscular individual entre sujetos con Pc .
Siete sujetos normales y sanos (tres hembras y cuatro varones, edad: 24,6 ± 3,5 años, estatura: 177,3 ± 7,7 cm, peso: 71,9 ± 11,1 kg) y cuatro sujetos con PC (una hembra y tres varones, edad: 12,8 ± 1,7 años, estatura: 151,2 ± 11,9 cm, peso: 56,2 ± 13,3 kg) fueron escaneados en posición supina, empezando por los pies, en un escáner de IRM 3T Siemens Trio. Se usó un protocolo rápido de eco de gradiente multicorte 2D en espiral con los siguientes parámetros de imagen: TE/TR/a: 3,8 ms/800 ms/90 °, campo de visión: 400 mm * 400 mm, grosor de corte: 5 mm, resolución espacial: 1,1 mm * 1,1mm. Se utilizó una aproximación de Chebyshev para la corrección semiautomática del corrimiento de la frecuencia de resonancia [5]. El tiempo total de obtención de imágenes fue de aproximadamente diez minutos. Se obtuvieron imágenes axiales desde la cresta ilíaca hasta la articulación del tobillo.
Los vientres musculares de los 34 músculos y grupos musculares que comprenden la extremidad inferior fueron segmentados en cortes axiales utilizando un software semiautomático personalizado. Se determinaron los volúmenes en vóxeles para cada estructura mediante la renderización de estructuras en 3-D (FIGURA 6). Se determinó el volumen muscular para toda la extremidad inferior sumando todos los vientres musculares segmentados. Se calcularon las proporciones de volumen muscular para cada músculo para la población sana y para cada sujeto con PC: Rmv = WVtm. Los músculos se clasificaron en grupos según la articulación que cruzan y la acción que realizan en esa articulación (FIGURA 7). Para cada sujeto, se hicieron mapas de color que muestran el número de desviaciones estándar con que la proporción de volumen muscular del individuo se desvía de la proporción media saludable de volumen muscular (FIGURA 8).
Los resultados muestran que había un alto grado de correlación entre los músculos de las extremidades inferiores agrupados por articulación y acción entre los grupos de sujetos sanos y con PC. Las líneas de regresión mostradas son ajustes lineales de mínimos cuadrados solo para los sujetos sanos, lo que da una línea normal de relaciones de extremidades inferiores. Los valores de R2 informados son para toda la población, lo que ilustra que, con muy buena correlación, los sujetos con PC tienen generalmente las mismas relaciones de volumen en cada articulación que la población normal. Sin embargo, los mapas de pacientes con PC (FIGURA 8) ilustran que existe una atrofia e hipertrofia significativas para músculos específicos en un sujeto con PC determinado, en comparación con la población normal. Por lo tanto, a pesar de la consistencia a nivel de los grupos musculares de cruce de articulaciones para los sujetos con PC, existe un debilitamiento y fortalecimiento relativos significativos de los músculos individuales dentro de esos grupos que no se detecta al evaluar solo los grupos de cruce de articulaciones. Es de esperar que los patrones de marcha anormales resulten en cambios de la estructura musculoesquelética, ya que la musculatura de un sujeto se optimizará para mejorar la eficiencia de unos andares alterados.
Ahora con particular referencia a las ilustraciones de las FIGURAS 6-8, la FIGURA 6 proporciona una ilustración de aspectos de la técnica utilizada en este Ejemplo, donde las FIGURAS 6A y 6B muestran imágenes axiales adquiridas y segmentadas para sujetos sanos (FIGURA 6A) y con PC (FIGURA 6B). Se generaron reconstrucciones en 3-D (se muestra una vista posterior) y se calcularon los volúmenes para sujetos sanos (FIGURA 6C) y con PC (FIGURA 6D). La FIGURA 7 muestra gráficos de relación de volumen para siete sujetos sanos (símbolos llenos) y cuatro con PC (símbolos vacíos) para los músculos que cruzan el tobillo (FIGURA 7A), la cadera (FIGURA 7B) y la rodilla (FIGURA 7C). Se generaron líneas de tendencia utilizando regresión lineal solo para los siete sujetos sanos. Los valores R2 son para toda la población de once sujetos con respecto a la línea de tendencia sana. La FIGURA 8 Ilustra mapas de colores generados para un sujeto sano y cuatro con PC. Las filas representan grupos de articulación/acción, mientras que las columnas representan músculos individuales. La barra de colores está en unidades de desviaciones estándar (SD) sanas y la escala es de -4 SD a 4 SD. Los músculos representados en las barras de colores son los siguientes: AB: aductores brevis, AL: adductor longus, AM: aductor magnus, Grac: gracilis, IP: iliopsoas, Pect: pectineus, Sart: sartorius, TFL: tensor fascia latae, FB/L: fibularis brevis/longus, FDL: flexor digitorum longus, FHL: flexor hallucis longus, GL: gastroc lateral, GM: gastroc medial Sol: soleus, TP: tibialis posterior, Gem: sup/inf gemellus, ObEx: obturator externus, ObIn: obturator internus, Pir: piriformis, QF: quadratus femoris, RF: rectus femoris, VI: vastus intermedius, VL: vastus lateralis, VM: vastus medialis, BFL: biceps femoris cabeza larga, BFS: biceps femoris cabeza corta, SM: semimembranosus, ST: semitendinosus, GMax: gluteus max, GeMed: gluteus medius, G Min: gluteus mínimus, D/H/T: extensor digitorun longus/extensor hallucis longus/fibularis tertius, TA: tibialis anterior, y P: popliteus.
Los resultados de las implementaciones de acuerdo con este ejemplo muestran, entre otras ventajas, un método in vivo no invasivo para evaluar los volúmenes relativos de sujetos con marcha alterada. Los datos y la anterior descripción de la técnica demuestran confiabilidad en su predicción de una proporción de volumen muscular promedio constante entre sujetos sanos y precisión en su detección de hipertrofia y atrofia relativas en el nivel muscular individual entre sujetos con PC.
Ejemplo 3
La determinación de las relaciones de escalado para la arquitectura musculoesquelética es importante para comprender los principios fundamentales de forma y tamaño en biología, estimar los parámetros clínicos de los sujetos y generar modelos musculoesqueléticos realistas. Actualmente, solo existe un conocimiento limitado sobre cómo los tamaños de los músculos pueden escalarse entre los individuos. Además, la mayoría de los datos de arquitectura utilizados actualmente se basan en estudios de cadáveres, que típicamente representan poblaciones de ancianos y pueden no representar la arquitectura muscular para individuos activos y sanos. En el estudio descrito para este Ejemplo en el presente documento, se recogieron imágenes de resonancia magnética (RM) de la extremidad inferior de una cohorte de adultos jóvenes y adolescentes varones sanos para mostrar cómo se escalan los volúmenes musculares con la estatura y la masa, cómo se escalan los volúmenes musculares individuales entre sí, y cómo se escalan los volúmenes musculares con el volumen óseo.
Diez adultos sanos (cinco mujeres) con los siguientes parámetros (media ± SD): edad: 25,2 ± 4 años, estatura: 175 ± 9 cm, peso: 69,8 ± 12,1 kg y cinco varones adolescentes sanos: 13,8 ± 0,8 años, 167,8 ± 6,5 cm, 65,0 ± 11,2 kg, todos sin antecedentes de lesiones de la extremidad inferior, fueron escaneados en un escáner de IRM 3T Siemens Trio. Las imágenes axiales se adquirieron desde la duodécima vértebra torácica hasta la articulación del tobillo utilizando una secuencia de eco de gradiente no cartesiana. Los parámetros de escaneo fueron los siguientes: TE/TR/a: 3,8 ms/800 ms/90 °, campo de visión: 400 mm * 400 mm, grosor de corte: 5 mm, resolución espacial en plano: 1,1 mm * 1,1 mm. Además, se aplicó una aproximación de Chebyshev para la corrección semiautomática del corrimiento de resonancia [5]. Treinta y cinco músculos de la cadera, la rodilla y el tobillo fueron segmentados mediante un programa de segmentación escrito en Matlab. Se calcularon los volúmenes de cada músculo y hueso de la extremidad inferior. Los volúmenes de todos los músculos y todos los huesos de cada sujeto se sumaron para obtener el volumen muscular total y el volumen óseo total, respectivamente, de la extremidad.
Estos datos permitieron probar la relación entre el volumen muscular total de la extremidad inferior y parámetros del sujeto tales como la masa y la estatura. En este ejemplo, se utilizó un modelo mecánico analítico de la extremidad inferior (FIGURA 9A) para predecir esta relación. Brevemente, el volumen muscular ha sido relacionado previamente con el par muscular [6]:
Pmúsculo a Vmúsculo
El par necesario para soportar un humano erguido viene dado por el producto de la masa, la longitud, la aceleración gravitacional y el coseno del ángulo de la pierna desde la vertical:
Psop = M ■ L ■ g ■ cos 6
Si la longitud y la estatura del sujeto se escalan juntas, se sigue que el volumen muscular se escala linealmente con la masa corporal y la estatura. Tanto el modelo analítico como los resultados de volumen basados en IRM (FIGURA 9B) apoyan un escalado de masa-estatura para el volumen muscular de las extremidades inferiores. Esta relación fue estadísticamente más correlativa que un escalado por masa o estatura únicamente. Cuando se compararon los resultados para los sujetos activos sanos con los valores de la literatura para la arquitectura muscular del cadáver [7], el volumen muscular de las extremidades inferiores de los cadáveres fue menos de la mitad de lo que se esperaría de un sujeto sano de la misma masa y estatura (FIGURA 9A). Este resultado puede explicar por qué los modelos musculoesqueléticos anteriores basados en la arquitectura de extremidades inferiores de cadáveres han tenido que escalar la tensión isométrica máxima en un 200% para producir momentos de articulación isométrica in vivo [8].
Para los músculos individuales de la extremidad inferior existe una correlación estadística entre el volumen muscular total de la extremidad inferior y el volumen muscular individual. Se dan tres ejemplos (FIGURA 10A). Las regresiones lineales que se muestran en este caso se pueden considerar como promedios de fracciones musculares para nuestra población. En promedio, cada uno de los músculos de los sujetos representa una proporción constante de su musculatura total de las extremidades inferiores. Para toda la población incluida en el estudio de este ejemplo, se observó una correlación estadística entre el volumen muscular total y el volumen óseo total de la extremidad inferior (FIGURA 10B). Los músculos y los huesos de una extremidad están indisolublemente unidos mecánicamente en el movimiento y la locomoción. Existe un escalado lineal entre estos parámetros para una población de sujetos que varía en edad, tamaño y sexo. El trabajo según este ejemplo demuestra las relaciones de escalado que existen para los volúmenes musculares en poblaciones adultas y adolescentes sanas. Los músculos de las extremidades inferiores y el volumen de los huesos se escalan juntos, al igual que los músculos individuales contenidos en la extremidad. Además, estos resultados sugieren que los volúmenes musculares se escalan linealmente con la estatura y la masa entre individuos.
De acuerdo con la invención, esta relación de escalado estatura-masa se puede usar para aproximar el volumen muscular del sujeto sano a partir de la estatura y la masa o comparar el volumen muscular de los pacientes con el observado en una población sana.
Refiriéndose específicamente a las FIGURAS 9 y 10, la FIGURA 9A muestra un esquema del principio mecánico del escalado del volumen muscular. La cantidad de músculo de la extremidad inferior necesaria para soportar y mover a un sujeto será función tanto de la masa del sujeto como de la longitud sobre la cual el músculo o los músculos actúan sobre el centro de masas. La FIGURA 9b muestra una gráfica del volumen muscular de las extremidades inferiores en función de masa corporal x estatura. También muestra el valor de la literatura [3] para el volumen muscular de un cadáver en función de la estatura y la masa (X). La FIGURA 10 muestra las relaciones de escalado para los músculos de la extremidad inferior. En particular, la FIGURA 10A muestra escalados lineales para los músculos que cruzan las tres articulaciones de la extremidad inferior; puede aproximarse correctamente el volumen de cada músculo como una proporción constante de la musculatura total de las extremidades inferiores. La FIGURA 10B ilustra la relación lineal entre el volumen muscular y el volumen óseo para sujetos que varían en edad y tamaño corporal.
Los resultados de las implementaciones comentadas anteriormente, entre otras ventajas, pueden proporcionar más información sobre cómo se pueden escalar los tamaños de los músculos entre los individuos para mostrar cómo se escalan los volúmenes de los músculos con la estatura y la masa, cómo se escalan los volúmenes de los músculos individuales entre sí, y cómo se escalan los volúmenes de los músculos con el volumen óseo.
Ejemplo 4
Este ejemplo muestra los datos e ilustraciones resultantes de la obtención de imágenes de los miembros inferiores de un atleta de élite. La FIGURA 11 muestra anormalidades marcadas en diversos volúmenes y/o tamaños musculares. Los modelos mostrados corresponden a un jugador de béisbol profesional con una función muscular y un rendimiento físico y atlético general que generalmente superan a los de la población normal. Sin embargo, las ilustraciones también muestran que el atleta tiene una lesión isquiotibial y, por lo tanto, ciertos músculos específicos presentan anomalías. Como se puede ver en la FIGURA 11, las reconstrucciones de imagen de la vista anterior y la vista posterior de la extremidad inferior del atleta muestran que el isquiotibial izquierdo es más pequeño que el asociado a una población normal, los músculos de la pantorrilla son pequeños en ambos lados, los cuádriceps y los aductores son grandes, y el lado derecho es más grande que el lado izquierdo. Los bloques de color que se muestran en el lado derecho indican el volumen/tamaño relativo de cada uno de los músculos ilustrados, donde el azul oscuro (arriba) significa el sobre promedio en comparación con la población normal, el azul claro (segundo desde arriba) significa entre el sobre promedio y el promedio, el amarillo (centro) significa el promedio, el naranja (segundo desde abajo) significa entre el promedio y el bajo promedio, y el rojo (abajo) significa el bajo promedio. La FIGURA 11 muestra que, tal como se explicó anteriormente, aunque algunos músculos modelados e ilustrados tienen un volumen/tamaño relativamente pequeño o grande que podría corresponder a una función mejorada, el atleta de este Ejemplo también tiene una lesión isquiotibial próxima a ciertos músculos, como evidencia la imagen del corte en sección transversal del muslo. Las FIGURAS 12A y 12B muestran un análisis de regresión lineal para los datos correspondientes a la correlación lineal del volumen muscular del cuádriceps en una muestra de población de control (población normal de individuos sanos) en comparación con jugadores de béisbol y también (en la FIGURA 12B) velocistas universitarios.
La información proporcionada de acuerdo con las gráficas y el modelado de datos y la obtención de imágenes según este Ejemplo puede proporcionar datos a los médicos, tales como los profesionales de la medicina deportiva, para discernir de manera efectiva y precisa los aspectos perfeccionados de las estructuras musculoesqueléticas de atletas de élite, tales como los atletas profesionales y universitarios, en comparación con los individuos normales. Los aspectos puestos en práctica de acuerdo con este Ejemplo proporcionan herramientas ventajosas y precisas para medir, diagnosticar y estudiar la naturaleza de la función muscular perfeccionada, y en consecuencia pueden apoyar y equipar a los médicos para ajustar o diseñar estrategias particulares de rehabilitación u otros procedimientos para estudiar y/o corregir anomalías musculares tanto en individuos que tengan un rendimiento muscular mejorado como en la población normal, o en individuos con discapacidades musculares particulares.
Basándose en lo anterior, deberá apreciarse que en el presente documento se proporcionan conceptos y tecnologías para la identificación de anomalías musculares. Aunque el tema presentado en el presente documento se ha descrito en un lenguaje específico para características estructurales y actos metodológicos, debe entenderse que la invención definida en las reivindicaciones adjuntas no está necesariamente limitada a las características o actos específicos descritos en el presente documento. Más bien, las características y los actos específicos se divulgan como formas de ejemplo de implementación de las reivindicaciones.
El objeto anteriormente descrito se proporciona solo a modo de ilustración y no debe interpretarse como limitante. Se pueden realizar diversas modificaciones y cambios en el objeto descrito en el presente documento sin seguir las realizaciones de ejemplo y las aplicaciones ilustradas y descritas, y sin apartarse del alcance de la presente invención, que está expuesto en las reivindicaciones siguientes.
Lista de referencias
[1] Holzbaur, K.R., S.L. Delp, G.E. Gold and W.M. Murray, Moment-generating capacity of upper limb muscles in healthy adults. JBiomech, 2007. 40 (11): p.2442-9.
[2] Hurley, M.V., The role of muscle weakness in the pathogenesis of osteoarthritis. Rheum Dis Clin North Am, 1999. 25 (2): p. 283-98, vi.
[3] Moseley, J.B., K. O'Malley, N.J. Petersen, T.J. Menke, B.A. Brody, D.H. Kuykendall, J.C. Hollingsworth, C.M. Ashton and N.P. Wray, A controlled trial of arthroscopic surgery for osteoarthritis of the knee. N Engl J Med, 2002.
347 (2): p. 81-8.
[4] Tan H, Meyer CH. Estimation of k-space trajectories in spiral MRI. Magn Reson Med. 2009 Jun; 61 (6): 1396­ 404.
[5] Chen W, Sica CT, Meyer CH. Fast conjugate phase image reconstruction based on a Chebyshev approximation to correct for B0 field inhomogeneity and concomitant gradients. Magn Reson Med. 2008 Nov; 60 [5] : 1104-11.
[6] KRS Holzbaur et. al. J Biomech 40, 742-749, 2007.
[7] SR Ward et. al. Clin Ortop Relat Res. 467: 1074- 1082, 2009.
[8] EM Arnold et. al. Annals of Biomed. Eng. 38, 2: 269-279, 2010.
[9] Chen W, Meyer CH. Semiautomatic off-resonance correction in spiral imaging. Magn Reson Med. 2008 May; 59 (5): 1212-9
[10] Meyer CH, Pauly JM, Macovski A, Nishimura DG. Simultaneous spatial and spectral selective excitation. Magn Reson Med. 1990 Aug; 15 (2): 287-304.

Claims (15)

REIVINDICACIONES
1. Un método para identificar una anomalía muscular, que comprende:
adquirir datos de imagen asociados con una pluralidad de músculos en un área de interés de un sujeto vivo; generar un modelo de datos para la pluralidad de músculos basándose en los datos de imagen;
calcular al menos uno del volumen y la longitud de uno de la pluralidad de músculos según el modelo de datos; y determinar si al menos uno del volumen y la longitud del músculo, según lo calculado, se desvía de al menos uno del volumen y la longitud asociados a un músculo sano caracterizado por que el músculo sano está representado por un compuesto basado en músculos individuales sanos de varios sujetos vivos sanos de una muestra de población, en donde el músculo y los músculos individuales sanos son escalados por el producto de la masa y la estatura de los respectivos sujetos.
2. El método de la reivindicación 1, que comprende adicionalmente, al determinar que al menos uno del volumen y la longitud del músculo se desvía de al menos uno del volumen y la longitud asociados a un músculo sano, identificar una anomalía muscular basándose en la desviación.
3. El método de la reivindicación 2, en el que identificar una anomalía muscular comprende determinar si la desviación excede una desviación límite asociada a una anomalía muscular.
4. El método de la reivindicación 2, en el que identificar una anomalía muscular basándose en la desviación comprende calcular un factor de desviación correspondiente a al menos uno de la cantidad o el grado de desviación y determinar si el factor de desviación calculado corresponde a un factor de desviación asociado a una anomalía muscular.
5. El método de cualquiera de las reivindicaciones 2-4, que comprende adicionalmente generar una representación visual del músculo y la desviación.
6. El método de cualquiera de las reivindicaciones 1-5, en el que el músculo sano está asociado con al menos un sujeto vivo de una población de pacientes sanos.
7. El método de cualquiera de las reivindicaciones 1-6, en el que adquirir los datos de imagen comprende recibir datos de imagen asociados con el al menos un escaneo de IMR en espiral del área de interés del sujeto vivo.
8. El método de la reivindicación 7, en el que generar el modelo de datos comprende formar un modelo tridimensional de la pluralidad de músculos basándose en los datos de imagen recibidos asociados con el al menos un escaneo de IMR en espiral.
9. El método de cualquiera de las reivindicaciones 1-8, en el que el área de interés del sujeto vivo comprende al menos una de una extremidad y una articulación.
10. El método de cualquiera de las reivindicaciones 1-9, en el que calcular al menos uno del volumen y la longitud del músculo comprende la segmentación de la pluralidad de músculos basándose en grupos musculares.
11. Un medio de almacenamiento legible por computadora que tiene almacenadas en el mismo unas instrucciones ejecutables por computadora que, cuando son ejecutadas por uno o más procesadores, hacen que una computadora:
adquiera datos de imagen asociados a una pluralidad de músculos en un área de interés de un sujeto vivo; genere un modelo de datos para la pluralidad de músculos basándose en los datos de imagen;
calcule al menos uno del volumen y la longitud de uno de la pluralidad de músculos según el modelo de datos; y determine si el al menos uno del volumen y la longitud del músculo, según lo calculado, se desvía de al menos uno del volumen y la longitud asociados a un músculo sano caracterizado por que el músculo sano está representado por un compuesto basado en músculos individuales sanos de varios sujetos vivos sanos de una muestra de población, en donde el músculo y los músculos individuales sanos son escalados por el producto de la masa y la estatura de los respectivos sujetos.
12. El medio de almacenamiento legible por computadora de la reivindicación 11, que comprende adicionalmente unas instrucciones ejecutables por computadora que, cuando son ejecutadas por uno o más procesadores, hacen que la computadora lleve a cabo una o más de las etapas de cualquiera de las reivindicaciones 2-10.
13. Un sistema para identificar el deterioro muscular, que comprende:
una o más unidades de procesamiento; un dispositivo de memoria acoplado operativamente a una o más unidades de procesamiento; y un módulo de programa que reside en el dispositivo de memoria y está configurado para hacer que una o más unidades de procesamiento:
adquieran datos de imagen asociados a una pluralidad de músculos de un área de interés de un sujeto vivo; generen un modelo de datos para la pluralidad de músculos basándose en los datos de imagen;
calculen al menos uno del volumen y la longitud de uno de la pluralidad de músculos según el modelo de datos; y determinen si al menos uno del volumen y la longitud del músculo en particular, según lo calculado, se desvía de al menos uno del volumen y la longitud asociados a un músculo sano
caracterizado por que el músculo sano está representado por un compuesto basado en músculos individuales sanos de varios sujetos vivos sanos de una muestra de población, en donde el músculo y los músculos individuales sanos son escalados por el producto de la masa y la estatura de los respectivos sujetos.
14. El sistema de la reivindicación 13, en el que el módulo de programa está configurado adicionalmente para provocar que una o más unidades de procesamiento,
al determinar que al menos uno del volumen y la longitud del músculo se desvía de al menos uno del volumen y la longitud asociados a un músculo sano,
calculen un factor de desviación correspondiente a al menos uno de la cantidad y el grado de la desviación, e identifiquen una anomalía muscular basándose en el factor de desviación calculado,
en el que el módulo del programa está de preferencia configurado para hacer que las una o más unidades de procesamiento generen una representación visual del músculo y del factor de desviación, y/o
en el que identificar el deterioro muscular comprende de preferencia determinar si el factor de desviación calculado corresponde a un factor de desviación asociado con una anomalía muscular.
15. El sistema según la reivindicación 13 o 14, en el que el módulo de programa está configurado para hacer que las una o más unidades de procesamiento lleven a cabo uno o más de las etapas de cualquiera de las reivindicaciones 6-10.
ES12822225T 2011-08-11 2012-08-13 Identificación de anomalías musculares basada en imágenes Active ES2739816T3 (es)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201161522500P 2011-08-11 2011-08-11
PCT/US2012/050591 WO2013023214A1 (en) 2011-08-11 2012-08-13 Image-based identification of muscle abnormalities

Publications (1)

Publication Number Publication Date
ES2739816T3 true ES2739816T3 (es) 2020-02-04

Family

ID=47669013

Family Applications (1)

Application Number Title Priority Date Filing Date
ES12822225T Active ES2739816T3 (es) 2011-08-11 2012-08-13 Identificación de anomalías musculares basada en imágenes

Country Status (7)

Country Link
US (1) US10314511B2 (es)
EP (1) EP2741664B1 (es)
KR (1) KR20140133804A (es)
AU (1) AU2012294232B2 (es)
CA (1) CA2845015C (es)
ES (1) ES2739816T3 (es)
WO (1) WO2013023214A1 (es)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9224210B2 (en) 2013-02-06 2015-12-29 University Of Virginia Patent Foundation Systems and methods for accelerated dynamic magnetic resonance imaging
JP6273548B2 (ja) * 2013-12-02 2018-02-07 パナソニックＩｐマネジメント株式会社 微細構造の製造装置
AU2015283869B2 (en) * 2014-07-03 2020-04-02 University Of Virginia Patent Foundation Systems and methods for identifying and profiling muscle patterns
US9953439B2 (en) 2014-11-25 2018-04-24 University Of Virginia Patent Foundation Systems and methods for three-dimensional spiral perfusion imaging
US10561337B2 (en) 2015-08-04 2020-02-18 University Of Virginia Patent Foundation Rapid 3D dynamic arterial spin labeling with a sparse model-based image reconstruction
WO2018132090A1 (en) * 2017-01-10 2018-07-19 Klarismo, Inc. Methods for processing three dimensional body images
US10596601B2 (en) * 2017-05-19 2020-03-24 The United States Of America, As Represented By The Secretary Of Agriculture Imaging system for sorting poultry meat with wooden breast myopathy
US11744720B2 (en) 2017-09-18 2023-09-05 West Virginia University Systems and methods for approximating musculoskeletal dynamics
US11024025B2 (en) 2018-03-07 2021-06-01 University Of Virginia Patent Foundation Automatic quantification of cardiac MRI for hypertrophic cardiomyopathy
KR102259846B1 (ko) * 2018-07-03 2021-06-03 가천대학교 산학협력단 자기공명 영상장치의 기계 학습 기반의 경사자계 오차 보정 시스템 및 방법
US11320506B2 (en) 2019-04-08 2022-05-03 University Of Virginia Patent Foundation Multiband spiral cardiac MRI with non-cartesian reconstruction methods
US11644520B2 (en) 2020-01-08 2023-05-09 University Of Virginia Patent Foundation Systems and methods for magnetic resonance based skull thermometry
CN111557732B (zh) * 2020-05-06 2023-05-26 重庆市九龙坡区中医院 一种足弓影像模型重建方法
WO2023106694A1 (ko) * 2021-12-10 2023-06-15 주식회사 에이치엔에이치 운동가이드장치 및 운동가이드방법

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5435310A (en) * 1993-06-23 1995-07-25 University Of Washington Determining cardiac wall thickness and motion by imaging and three-dimensional modeling
US5539313A (en) * 1995-08-04 1996-07-23 Board Of Trustees Of The Leland Stanford Junior University Full echo spiral-in/spiral-out magnetic resonance imaging
WO1999064983A1 (en) * 1998-06-08 1999-12-16 Washington University Method and apparatus for automatic shape characterization
JP2002521082A (ja) 1998-07-21 2002-07-16 アコースティック・サイエンシズ・アソシエイツ 生物組織器官の合成構造的像形成及び容量推定
US7252638B2 (en) * 2003-06-23 2007-08-07 Siemens Medical Solutions Usa, Inc. Method and system for simultaneously displaying relationships of measurements of features associated with a medical image
US8050734B2 (en) * 2005-09-07 2011-11-01 General Electric Company Method and system for performing patient specific analysis of disease relevant changes of a disease in an anatomical structure
US20100020164A1 (en) * 2005-11-04 2010-01-28 Ronald Perrault Surface Analysis Method and System
US20080009707A1 (en) * 2006-06-15 2008-01-10 Theriault Richard H Three-dimensional rendering of MRI results using automatic segmentation
US20090128553A1 (en) * 2007-11-15 2009-05-21 The Board Of Trustees Of The University Of Illinois Imaging of anatomical structures

Also Published As

Publication number Publication date
EP2741664B1 (en) 2019-03-27
CA2845015A1 (en) 2013-02-14
KR20140133804A (ko) 2014-11-20
EP2741664A1 (en) 2014-06-18
AU2012294232B2 (en) 2015-08-06
CA2845015C (en) 2020-10-06
WO2013023214A1 (en) 2013-02-14
US20140364723A1 (en) 2014-12-11
AU2012294232A1 (en) 2014-03-06
EP2741664A4 (en) 2015-06-17
US10314511B2 (en) 2019-06-11

Similar Documents

Publication Publication Date Title
ES2739816T3 (es) Identificación de anomalías musculares basada en imágenes
Kido et al. Load response of the medial longitudinal arch in patients with flatfoot deformity: in vivo 3D study
Siegler et al. Mechanics of the ankle and subtalar joints revealed through a 3D quasi-static stress MRI technique
Sinha et al. Age‐related differences in strain rate tensor of the medial gastrocnemius muscle during passive plantarflexion and active isometric contraction using velocity encoded MR imaging: Potential index of lateral force transmission
Casartelli et al. The FADIR test accuracy for screening cam and pincer morphology in youth ice hockey players
d'Entremont et al. Do dynamic‐based MR knee kinematics methods produce the same results as static methods?
Pourahmadi et al. Kinematics of the spine during sit-to-stand movement using motion analysis systems: a systematic review of literature
Shapiro et al. MRI of weight bearing and movement
Tamari et al. Ethnic‐, gender‐, and age‐related differences in femorotibial angle, femoral antetorsion, and tibiofibular torsion: cross‐sectional study among healthy Japanese and Australian Caucasians
Kaiser et al. Measurement of tibiofemoral kinematics using highly accelerated 3D radial sampling
Little et al. Understanding how axial loads on the spine influence segmental biomechanics for idiopathic scoliosis patients: A magnetic resonance imaging study
WO2014206379A1 (es) Sistema de posicionamiento de los pies para estudios de resonancia magnética
Pan et al. The shape and mobility of the thoracic spine in asymptomatic adults–A systematic review of in vivo studies
Lamichhane et al. Age and gender related variations of pituitary gland size of healthy Nepalese people using magnetic resonance imaging
Sheehan et al. Three-dimensional humeral morphologic alterations and atrophy associated with obstetrical brachial plexus palsy
d'Entremont et al. Cartilage health in high tibial osteotomy using dGEMRIC: relationships with joint kinematics
Damavandi et al. Head and trunk mass and center of mass position estimations in able-bodied and scoliotic girls
Mazzoli et al. Water and fat separation in real‐time MRI of joint movement with phase‐sensitive bSSFP
Lau et al. Inter-and intra-rater reliability of patellofemoral kinematic and contact area quantification by fast spin echo MRI and correlation with cartilage health by quantitative T1ρ MRI
Berry et al. An endplate-based joint coordinate system for measuring kinematics in normal and abnormally-shaped lumbar vertebrae
Elebute Repeatability of an Integrative Method to Assess Knee Joint Mechanics and Cartilage Health under Load
Mulder Tissue-specific behavioural signatures in cortical and trabecular bone. Variations in long bone structure in medieval Britain, and the differential effects of age.
Meadows MRI Based Non-Invasive Detection and Monitoring of Tissue Mechanics and Degenerative Changes in the Intervertebral Disc and the Meniscus
Rathnayaka et al. Correction of step artefact associated with MRI scanning of long bones
JP5369309B2 (ja) 画像処理装置、画像処理プログラム及び磁気共鳴装置