Bolezni mišično-skeletnega sistema, ki prizadenejo gibalni sistem vključno s hrbtenico, predstavljajo precejšnje zdravstveno, socialno in gospodarsko breme, ki zaradi visoke razširjenosti in naraščajočega števila bolnikov neugodno vpliva na kakovost življenja. Radiološke preiskave slik hrbtenice imajo ključno vlogo pri načrtovanju kirurških posegov in oblikovanju strategij zdravljenja številnih mišično-skeletnih in hrbteničnih motenj. V ortopediji kot medicinski veji, ki se osredotoča na mišično-skeletni sistem, je slikanje sestavni del diagnoze, zdravljenja in spremljanja obolenj. Z interpretacijo slikovnih informacij je namreč mogoče izluščiti kvantitativne značilnosti, ki pomagajo pri ortopedskih slikovnih preiskavah, kot je na primer vrednotenje in napovedovanje geometrijskih značilnosti hrbtenično-medeničnega sistema. V zadnjem času je napredek na področju umetne inteligence (AI) pomembno vplival na naloge, povezane s slikovno analitiko, pri čemer sta povečanje računske moči in splošna razpoložljivost podatkov v zadnjem desetletju povzročili ogromen preskok z uporabo globokega učenja (DL). V predlaganem raziskovalnem projektu bomo načrtovali, razvili in vrednotili inteligentne algoritme za AI-podprto slikovno analitiko, katerih cilj bo izboljšati interpretacijo medicinskih slik, ter raziskali njihovo uporabo v klinični praksi na področju ortopedskega slikanja in zdravljenja mišično-skeletnih in hrbteničnih obolenj. V ortopediji se slikovna analitika večinoma osredotoča na razgradnjo hrbteničnih struktur in merjenje hrbtenično-medeničnih parametrov. Razgradnja hrbtenice predstavlja lokalizacijo in razmejitev meja posameznih vretenc na dani sliki, medtem ko je merjenje hrbtenično-medeničnih parametrov usmerjeno na vrednotenje skolioze, kifoze, lordoze in stranskega ravnovesja kot kliničnih izražanj hrbtenične ukrivljenosti in telesne drže. Za namene razvoja predlagane AI-podprte slikovne analitike bomo najprej oblikovali zbirko slik hrbtenice, pridobljenih s tehniko rentgenskega slikanja, računalniške tomografije (CT) in magnetne resonance (MR), ter pripadajočih referenčnih oznak v obliki vretenčnih mask razgradnje in meritev hrbtenično-medeničnih parametrov. Na podlagi našega obstoječega dela bomo potem razvili sodobne DL algoritme za razgradnjo in modeliranje hrbtenice v CT in MR slikah ter razpoznavanje in modeliranje točk v rentgenskih slikah. Ker so meritve, pridobljene iz tridimenzionalnih (3D) CT ali MR slik, bolj zanesljive, jih bomo prenesli v dvodimenzionalne (2D) rentgenske slike na podlagi 3D-2D preslikave. Na ta način bodo hrbtenično-medenični parametri izmerjeni v rentgenskih slikah na podlagi natančnih informacij, pridobljenih s 3D razgradnjo hrbtenice v CT in MR slikah, kar bo podalo celovito radiološko analizo hrbtenično-medeničnega sistema. Pridobljene rezultate bomo nadgradili z vrednotenjem interpretabilnosti razvitih DL algoritmov, in sicer na podlagi ocenjevanja negotovosti, ki opisuje zaupanje v rezultate izbrane AI metode. Končno bomo razvite DL algoritme združili znotraj programskega okolja z orodji za ravnanje z medicinskimi slikami, pri čemer bomo zagotovili tudi njihovo končno funkcionalnost. O metodoloških napredkih in pridobljenih rezultatih bomo poročali v obliki objav v kakovostnih znanstvenih revijah in predstavitvijo na mednarodnih konferencah, kot tudi z uporabo orodij odprte znanosti in znanstvenega mreženja. Naš končni cilj je torej oblikovati celovito programsko okolje, ki bo vključevalo AI-podprto slikovno analitiko z integriranim vrednotenjem interpretabilnosti za namene izboljšanja interpretacije medicinskih slik, olajšanja kliničnega poteka dela z vidika radioloških preiskav hrbtenice, izboljšanja kakovosti življenja bolnikov z mišično-skeletnimi obolenji ter omogočanja nadaljnjih raziskav na področju inovativnih ortopedskih aplikacij.
