Pejouhesh dar Pezeshki (Research in Medicine)

fa اندازه‌گیری شاخص جمجمه در سینوستوز ساژیتال با استفاده از تکنیک‌های هوش مصنوعی Determination of Cranial Index in Sagittal Synostosis Using Artificial Intelligence Techniques جراحی اعصاب جراحی اعصاب پژوهشی Original سابقه و هدف: در کرانیوسینوستوز یک یا چند سوچور جمجمه به شکل زودرس بسته می‌شوند که می‌تواند منجر به ناهنجاری شکل جمجمه و یا حتی افزایش فشار داخل جمجمه و اشکال مختلف تاخیر تکاملی کودک شود. در کرانیوسینوستوز ساژیتال، قطر قدامی خلفی جمجمه افزایش می‌یابد. ایندکس جمجمه مهم‌ترین شاخص برای تشخیص و پایش بیماران مبتلا به این بیماری است. ایندکس جمجمه عمومآ با اندازه‌گیری مستقیم ابعاد سر شیرخوار و یا استفاده از سی تی اسکن جمجمه تعیین می‌شود. اگر بتوان با استفاده از تکنیک‌های هوشمند، شکل جمجمه را از روی تصاویر معمول دیجیتال سر شیرخواران تعیین کرد، می‌توان به پزشکان و والدین در تشخیص زود هنگام این ناهنجاری، پایش بهتر نتایج درمان و کاهش هزینه‌ها کمک کرد. روش کار: در این مطالعه تشخیصی با راه‌اندازی یک روش علمی اجرایی، سعی در تعیین خودکار ایندکس جمجمه شیرخواران مبتلا به سینوستوز ساژیتال (با استفاده از تصاویر دیجیتال روتین سر آنها) بر اساس الگوریتم شبیه‌سازی تبریدی شده است. اطلاعات مربوط به 59 شیرخوار مبتلا به سینوستوز ساژیتال که در بیمارستان کودکان مفید تهران جراحی شده بودند، بررسی  شد و شاخص جمجمه آنها (مقدار نرمال بین 85درصد- 75درصد)، با استفاده از الگوریتم پیشنهادی تعیین و با مقادیر اندازه‌گیری شده توسط جراح مغز و اعصاب کودکان با استفاده از نرم‌افزار متلب مقایسه شد. یافته‌ها: الگوریتم پیشنهادی با دقت قابل قبولی ایندکس جمجمه را در بیماران مورد مطالعه محاسبه کرد. ایندکس جمجمه توسط الگوریتم شبیه‌سازی تبریدی با میانگین 72/04و انحراف معیار 5/21 گزارش شد که اختلاف کمی با مقادیر ایندکس جمجمه اندازه‌گیری شده توسط جراح با میانگین 72/21و انحراف معیار 5/08 دارد. ارزیابی آماری ما با استفاده از آزمون t زوجی نشان می‌دهد که تفاوت معناداری بین دو گروه وجود ندارد (0/52 = p-value). مقادیر اندازه‌گیری شده توسط این روش در 55 بیمار از 59 بیمار مورد مطالعه (93/2درصد) در بازه مقادیر مطلوب تعیین شده توسط عامل انسانی قرار دارند (0/8≤  P). نتیجه‌گیری: به نظر می‌رسد روش پیشنهادی می‌تواند با دقت قابل قبولی با استفاده از عکس‌های روتین سر بیماران، مقدار ایندکس جمجمه را محاسبه کند. با توسعه این روش ممکن است بتوان به پزشکان و والدین در تشخیص زود هنگام این ناهنجاری و پایش بهتر نتایج درمان و کاهش هزینه‌ها کمک کرد.   <div style="text-align: justify;">Background and Aim: At least one main suture of the skull is closed prematurely in craniosynostosis, which may lead to different skull and face deformities and various types of child developmental delay. Increased posterior-anterior diameter of the skull is the main characteristic of sagittal craniosynostosis. The cranial index is the most important parameter for diagnosing and monitoring children with this deformity. This index is generally determined by direct measuring of infant’s head dimensions or using skull CT scan. Artificial intelligence-based techniques could identify the shape of the head from routine digital photos of a child and therefore, that may play a useful role in assisting physicians and parents with early diagnosis of skull anomaly, better intervention follow- up, and reducing medical system financial costs. Methods: In this diagnostic study, by developing an executive scientific method, automatic measurement of the cranial index in sagittal craniosynostotic infants based on a simulated annealing algorithm was done (by using routine digital photos of their heads). Pre-operative photos of 59 patients operated in Mofid children hospital (Tehran, Iran); were processed, and the cranial index (normal value between 75% to 85%) was calculated with the proposed algorithm and compared with pediatric neurosurgeon measured values using Matlab software. Results: The proposed algorithm calculated the cranial index with acceptable accuracy. The simulated annealing algorithm determined the cranial index with the mean of 72.04 and the standard deviation of 5.21, which have minimal differences with surgeon-measured values with the mean of 72.21 and the standard deviation of 5.08. In the statistical investigation, using paired t-test, there was no statistically significant differences between these two methods (p-value = 0.52). The values measured by this method in 55 patients out of 59 studied patients (93.2%) are in the range of optimal values determined by the specialist (P <m:omath><m:r><m:rpr><m:scr m:val="roman"><m:sty m:val="p"></m:sty></m:scr></m:rpr>≤</m:r></m:omath> 0.8). Conclusion: It seems that the proposed method could determine the cranial index from routine digital patient’s head photos with acceptable accuracy. More development of this method may assist physicians and parents in early diagnosis of this anomaly, better monitoring of treatment results, and reducing medical financial costs.</div> کرانیوسینوستوز؛ ایندکس جمجمه؛ قطعه‌بندی تصویر؛ الگوریتم شبیه‌سازی تبریدی Craniosynostosis, Cranial index, Image segmentation, Simulated annealing 12 24 http://pejouhesh.sbmu.ac.ir/browse.php?a_code=A-10-4532-1&slc_lang=fa&sid=1 malihe sabeti ملیحه ثابتی 100319475328460029531 100319475328460029531 No Department of Computer Engineering, North Tehran Branch, Islamic Azad University, Tehran, Iran. گروه مهندسی کامپیوتر، واحد تهران شمال، دانشگاه آزاد اسلامی، تهران، ایران. Mitra Irani میترا ایرانی 100319475328460029532 100319475328460029532 No Department of Neurosurgery, Shahid Beheshti University of Medical Sciences, Tehran, Iran. گروه جراحی مغز و اعصاب، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران. Ehsan Moradi احسان مرادی moradieh@sbmu.ac.ir 100319475328460029533 100319475328460029533 Yes Pediatric Surgery Research Center, Research Institute for Children’s Health, Shahid Beheshti University of Medical Sciences, Tehran, Iran. مرکز تحقیقات جراحی کودکان، پژوهشکده سلامت کودکان، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران.