Polven nivelrikon tietokoneavusteinen diagnosointi röntgenkuvista

Tietokoneavusteinen diagnosointi on yksi tapa lisätä diagnosoinnin objektiivisuutta ja tois-tettavuutta. Polven nivelrikon yleisyyden takia tietokoneavusteisia menetelmiä onkin kehi-tetty varsin useita. Menetelmät perustuvat useimmiten yllä esiteltyjen muuttujien sekä KL-luokituksen automaattiseen määrittämiseen. Näinpä tietokoneen avulla tehtävä diagnosointi nähdään usein kuvien luokittelutehtävänä. Tässä osiossa esitellään muutama tutkielman kan-nalta mielenkiintoinen polven nivelrikon tietokoneavusteiseen diagnosointiin käytetty mene-telmä. Yleiskatsauksen useista muista menetelmistä tarjoaa Gornale, Patravali ja Manza 2016 laatima alan tutkimusta kartoittava artikkeli.

4.2.1 Polven nivelrikon tietokoneavusteinen diagnosointi

Suuri osa polven nivelrikon diagnosoinnin automaattisista menetelmistä perustuu kuva-aineis-ton parametrisointiin joko nivelrikkoa tai kuvan yleistä rakennetta selittäviin muuttujiin. Me-netelmät voivat olla puoliautomaattisia tai automaattisia. Puoliautomaattisissa menetelmissä ohjelma tarvitsee käyttäjän määrittämään tiettyjä kriittisiä pisteitä röntgenkuvista muuttujien

automaattista laskemista varten (Marijnissen ym. 2008). Puoliautomaattisissa menetelmissä etuna on läpinäkyvyys, tarkkuus ja toistettavuus, mutta ongelmallista niissä on se, että ne vaativat huomattavan määrän käsin tehtävää työtä ja eivät siten juuri vähennä diagnosointiin kuluvaa aikaa. Lisäksi ihmisen sisällyttäminen diagnosointiprosessiin lisää mahdollisuutta virheille ja systemaattiselle harhalle tuloksissa.

Näin ollen kysyntä täysin automaattisille diagnosointimenetelmille on varsin selvä. WNDC-HARM (Weighted Neighbor Distances using a Compound Hierarchy of Algorithms Repre-senting Morphology) on Lior Shamir ym. 2008 esittelemä yleiskäyttöinen menetelmä lääke-tieteellisten kuvantamistulosten automaattiseen analysointiin. Menetelmä perustuu useisiin yleisesti tunnettuihin konenäössä käytettyihin muunnoksiin ja kuvan rakennetta kuvaaviin koostemuuttujiin. Näin ollen menetelmä ei vaadi käytännössä mitään prioritietoa mielen-kiinnon kohteena olevasta diagnosointitehtävästä ja kaikki informaatio saadaan itse käsitte-lyssä olevasta kuvasta. Polven nivelrikon diagnosointiin sovellettaessa menetelmä saavuttaa kohtalaisen hyvän luokittelutarkkuuden toisistaan yli yhden KL-luokan päässä toisistaan ole-vien polole-vien erotteluun, mutta vierekkäiset luokat tuottavat ongelmia (L. Shamir ym. 2009).

Kaikkien luokkien välisessä luokittelutehtävässä menetelmä saavuttaa luokittelutarkkuuden 47 %. Menetelmässä ongelmallista on, että luokitteluun käytetyt muuttujat ovat varsin hei-kosti tulkittavissa tai yhdistettävissä todellisiin polven nivelrikkoa selittäviin muuttujiin.

Täysin automaattinen eksplisiittisesti polven nivelrikkoa selittävien muuttujien laskemiseen käytetty menetelmä on Oka ym. 2008 esittelemä KOACAD (Knee osteoarthritis computer aided diagnosis). Menetelmä etsii reunantunnistusmenetelmien avulla polven röntgenkuvas-ta mielenkiinnon kohteena olevat reunat: sääri- ja reisiluun pinnat sekä ulkoreunat. Löydet-tyjen reunojen perusteella lasketaan nivelvälin minimikohdat ja pinta-alat sekä lateraali- että mediaalipuolilta, osteofyyttien pinta-ala ja sääri- ja reisiluun välinen kulma. Oka ym. 2008 näyttää merkitsevän yhteyden menetelmän avulla laskettujen muuttujien ja KL-luokituksen sekä OARSI-luokitusten välille. Menetelmän osoitetaan myös saavuttavan hyvän toistetta-vuuden soveltamalla sitä samasta polvesta muutaman viikon välein ja eri kulmista otettuihin kuviin. Lisäksi Oka ym. 2010 tutki laskettujen muuttujien kynnysarvojen perusteella teh-tävää luokittelua ryhmien jotka sisältävät KL-luokkia 0–1 ja 2–4 sekä luokkia 0–2 ja 3–4 välille saavuttaen hyviä tuloksia etenkin mediaalisen nivelraon kaventumisen osalta.

Kaik-kien muuttujien perusteella tehtävää luokittelua, eikä yksittäisten luokKaik-kien välistä luokittelua muuttujiin perustuen ole tehty.

Siinä missä polven reunat KOACAD-menetelmässä selvitetään käyttäen esitietona ainoas-taan informaatiota nivelen sijainnista ja siitä minkä tyyppisiä reunoja nivel sisältää, voidaan esitietona käyttää myös informaatiota polven yleisestä muodosta. Tähän tehtävään soveltuu tilastolliset muotomallit (engl.Statistical Shape Models, SSM). Lyhyesti ilmaistuna tilastolli-set muotomallit toimivat käsin määritettyjen etsittävän objektin pintaa seuraavien kriittisten pisteiden sijainnin jakauman perusteella, Cootes 1992 tarjoaa tarkemman selvityksen me-netelmän toiminnasta. Tilastolliset muotomallit toimivat hyvin tehtävissä, joissa halutut ob-jektit ovat kuvissa helposti arvattavissa sijainneissa ja joiden muoto vaihtelee helposti mal-linnettavalla tavalla. Näin ollen lääketieteellisen kuvantamisen tulokset ja erityisesti polven röntgenkuvat ovat varsin selvästi menetelmälle sopiva sovellusala; lääketieteellisessä kuvan-tamisessa noudatetaan useimmiten jotain tunnettua standardia ja vaihtelu polven muodossa on pääosin varsin arvattavaa.

Lindner ym. 2013 ja Thomson ym. 2015 ovatkin tutkineet muotomallien toimivuutta luiden reunojen tunnistamiseen polven röntgenkuvista automaattisesti ja osoittaneet, että menetel-mä toimii hyvin. Thomson ym. 2015 lisäksi testasi kuvien luokittelua nivelrikollisiin (KL 2–4) ja nivelrikottomiin (KL 0–1) muotomalleihin perustuvien polven muotoa kuvaavien muuttujien perusteella saavuttaen edeltäviin menetelmiin verrattavissa olevia tuloksia. Muo-toon perustuvien muuttujien havaittiin kuitenkin kuvaavan selvästi lähinnä nivelvälin kor-keutta, eivätkä ne siis ottaneet juuri huomioon osteofyyttejä. Thomson ym. 2016 testasikin jatkotutkimuksessa vielä menetelmää, jossa osteofyytteihin kiinnitettiin erityisesti huomio-ta ja saavutti siihen mennessä toteutetuishuomio-ta automaattisishuomio-ta menetelmistä parhaat tulokset os-teofyyttien tunnistamisessa sekä binäärisessä nivelrikon luokittelutehtävässä. Kaikkien luok-kien välisessä luokittelussa menetelmän avulla päästään 50 % luokittelutarkkuuteen. Myös-kään näissä menetelmissä nivelrikon luokittelemiseen käytetyt muuttujat eivät tosin ole täy-sin mutkattomasti tulkittavissa. Mielenkiintoista olisikin nähdä voitaisiinko nivelrikkoa ku-vaavat muuttujat laskea KOACAD:ia vastaavalla tavalla muotomallien avulla saatavista reu-napisteistä.

Viime aikoina useissa konenäkötehtävissä hyvin pärjänneiden konvolutionaalisten syvien

neuroverkkojen soveltuvuutta myös polven nivelrikon automaattiseen diagnosointiin rönt-genkuvista on tutkittu melko laajasti. Neuroverkko on alun perin koneoppimisen luokitte-lumenetelmä, joka pyrkii jäljittelemään aivojen toimintaa käyttämällä luokitteluun useita yksinkertaisia linkitettyjä luokittelijoita: "neuroneita". Neuroverkot koostuvat sisääntuloker-roksesta, joka vastaanottaa luokiteltavan datan, tietystä määrästä piilokerroksia, joiden avulla lasketaan dataa selittävät muuttujat sekä ulostulokerroksesta, joka kertoo lopulta luokittelun tuloksen (Goodfellow, Bengio ja Courville 2016).

Syvissä neuroverkoissa idea on lisätä piilokerroksien määrää monimutkaisempien ja yksi-tyiskohtaisempien muuttujien havaitsemiseksi. Konvolutionaalisessa syvässä neuroverkossa neuroverkon piilokerroksissa käytetään konvoluutioytimiä, joiden avulla pystytään havait-semaan muuttujia kuva-aineistosta (Goodfellow, Bengio ja Courville 2016). Käytännössä konvolutionaalisten syvien neuroverkkojen avulla pystytään automaattisesti luomaan konvo-luutioytimiä, jotka auttavat löytämään kuva-aineistosta mielenkiinnon kohteena olevia piir-teitä siinä, missä ne perinteisesti ollaan luotu käsin (ks. luku 2). Neuroverkkoja on kritisoitu jossain määrin siitä, että ne toimivat pitkälti mustana laatikkona, eikä ole aina selvää mil-lä perusteella ne päätyvät niihin päätöksiin, joita ne tekevät. Yksi tapa havainnollistaa pää-töksentekoa konvolutionaalisten neuroverkkojen tapauksessa on esittää luokitelluista kuvis-ta ns. aktivaatiokarkuvis-tat, joiskuvis-ta voi nähdä mitkä alueet kuvassa vaikuttivat luokittelutulokseen (O’Shea ja Nash 2015).

Tiulpin ym. 2018 ja Antony ym. 2017 ovat tutkineet KL-luokituksen automaattista määrit-tämistä syvien neuroverkkojen avulla ja saavuttaneet hyviä tuloksia. Tällä hetkellä parhaa-seen saavutettuun kaikkien KL-luokkien välillä tehtävään luokittelutarkkuuteen 67 % ollaan päästy juuri neuroverkkojen avulla (Tiulpin ja Saarakkala 2019). Antony 2017 ja Tiulpin ja Saarakkala 2019 ovat lisäksi tutkineet neuroverkkojen käyttöä yksittäisten polven nivelrik-koa selittävien muuttujien OARSI-luokitusten määrittämiseen ja vastaavasti saaneet hyviä tuloksia. Myös OARSI-luokituksen automaattisen määrittämisen osalta parhaat tulokset on saavuttanut Tiulpin ja Saarakkala 2019. Saavutetut luokittelutarkkuudet vaihtelevat muuttu-jien välillä 64% – 81%.

Tiulpin ym. 2019 ovat lisäksi tutkineet polven nivelrikkoa seuraavan pitkittäisaineiston pe-rusteella, voidaanko röntgenkuvista jo nivelrikon varhaisessa vaiheessa neuroverkkojen

avul-la ennustaa, sitä minkä polvien nivelrikon vakavuus tulee edistymään. Analyysi tehtiin luo-kittelemalla aineisto edistyjiin ja ei-edistyjiin sen perusteella, oliko polvien KL-luokitus kas-vanut käyntien välillä. Tutkimus saavutti lupaavia tuloksia ja erityisesti tämän tutkielman kannalta mielenkiintoista on, että osassa syntyneen neuroverkkomallin aktivaatiokartoista eminentian huiput olivat näkyvillä. Tämä antaa lisää mahdollista viitettä siihen, että emi-nentioiden terävöitymisen avulla pystyttäisiin joissain tapauksissa ennakoimaan nivelrikon edistymistä.

4.2.2 Polven automaattinen paikannus

Ennen diagnosointia polven sijainti röntgenkuvassa tulee saada määritettyä. Yksinkertaisim-mat automaattiset tehtävään käytetyt menetelmät perustuvat liukuvan ikkunan käyttöön siten, että käsin määritettyjä polven keskikohdan sisältäviä kuvia liu’utetaan kuvassa laskien aluei-den vastaavuus ikkunoihin. Eniten ikkunoita vastaava sijainti määritetään polven sijainniksi.

Tällä menetelmällä saadut tulokset ovat kuitenkin varsin heikkoja. Hyvään lokalisointitark-kuuteen ollaan päästy esimerkiksi edellä esiteltyihin neuroverkkoihin (Antony ym. 2017) pe-rustuvilla menetelmillä. Tutkielmassa käytetty anatomisesti perusteltuihin ehdotuksiin kiin-nostuksen kohteena olevasta alueesta perustuva lokalisointimenetelmä (Tiulpin ym. 2017) kuvaillaan tarkemmin tutkielman empiiristä osiota käsittelevässä luvussa 5.

5 Polven nivelrikkoa selittävien muuttujien automaattinen havaitseminen röntgenkuva-aineistosta

Tutkielman empiirisessä osuudessa toteutettiin menetelmä, jonka avulla voidaan laskea pol-ven nivelrikkoa selittäviä muuttujia automaattisesti röntgenkuvista pohjautuen Oka ym. 2008 toteuttamaan KOACAD-menetelmään. Menetelmän avulla laskettiin kyseiset muuttujat avoi-mesti saatavan röntgenkuva-aineiston otoksesta ja tuloksia arvioitiin tarkastelemalla muut-tujien korrelaatioita aineistossa oleviin ammattilaisten tekemiin OARSI- ja KL-luokituksiin.

Menetelmään päädyttiin sen läpinäkyvyyden ja helpon tulkittavuuden perusteella. Lisäksi muuttujien haluttiin olevan jatkuvia tutkielmassa toteutettavaa klusterointia varten.