دانشگاه رازی

پوکی استخوان یکی از بیماری‌های شایع متابولیک استخوان است که با وجود شیوع قابل توجه، همچنان در بسیاری از افراد به‌موقع تشخیص داده نمی‌شود. یکی از مهم‌ترین دلایل این مسئله، وابستگی تشخیص بالینی این بیماری به روش سنجش تراکم استخوان با استفاده از جذب‌سنجی پرتو ایکس با انرژی دوگانه (DXA) است. اگرچه DXA به‌عنوان استاندارد مرجع در ارزیابی تراکم مواد معدنی استخوان شناخته می‌شود، هزینه نسبتاً بالا، دسترسی محدود در برخی مراکز و همچنین استفاده نسبتاً کم از آن برای افراد بدون علامت، موجب شده است که شناسایی موارد کم‌تراکم استخوانی در مراحل اولیه با چالش مواجه باشد. در مقابل، رادیوگرافی قفسه سینه (Chest X-Ray یا CXR) یکی از متداول‌ترین روش‌های تصویربرداری پزشکی است که به‌طور روزمره برای بررسی طیف وسیعی از بیماری‌ها مورد استفاده قرار می‌گیرد. این تصاویر، علاوه بر ساختارهای مربوط به قفسه سینه، بخش‌هایی از ساختار اسکلتی از جمله مهره‌های ناحیه سینه‌ای را نیز در بر می‌گیرند. ویژگی‌های بافتی و ریخت‌شناختی موجود در این ساختارها حاوی اطلاعاتی مرتبط با وضعیت تراکم استخوان هستند. از این رو، استفاده مجدد از تصاویر رادیوگرافی موجود برای شناسایی افراد در معرض خطر کاهش تراکم استخوان می‌تواند زمینه‌ای برای توسعه روش‌های غربالگری فرصت‌طلبانه و کم‌هزینه‌تر فراهم کند. در این پژوهش، امکان استفاده از روش‌های یادگیری عمیق برای بهره‌گیری از اطلاعات موجود در رادیوگرافی‌های معمول قفسه سینه و شناسایی موارد کاهش توده استخوانی بررسی شده است. هدف اصلی، توسعه یک چارچوب جامع، قابل بازتولید و تا حد امکان قابل تفسیر است که بتواند وضعیت سلامت استخوان را در سه گروه «طبیعی»، «استئوپنی» و «پوکی استخوان» طبقه‌بندی کند.