Taulukko 12. Klusterit ristiintaulukoituna KL-luokituksen kanssa KSSHP-aineistossa
6.3 Klusterointien soveltaminen uuteen dataan
Muodostuneita klusterointeja testattiin lopulta vielä käyttäen Keski-Suomen sairaanhoitopii-rissä kerättyä 177 röntgenkuvasta sekä niistä tehdyistä KL-luokituksista koostuvaa aineistoa (KSSHP). Aineistosta 8 polvea karsiutui polven lokalisointimenetelmän epäonnistumisen ta-kia ja 7 puuttuvien arvojen tata-kia. Analyysi tehtiin lopulta siis 339 polvelle, joissa KL-luokat jakautuvat seuraavasti:
KL-luokitus 0 1 2 3 4
Määrä 109 128 81 20 1
.
Polvista lasketut arvot standardoitiin alkuperäiseen klusterointiin käytettyjen arvojen kes-kiarvojen ja keskihajontojen perusteella ja kukin polvi määritettiin kuulumaan sitä lähim-pää klusterin keskiarvoa vastaavaan klusteriin. Taulukko 12 kuvaa aineiston KL-luokkien
jakautumista luvun 6.1.1 klusterointiin sovellettuna ja taulukko 13 luvun 6.2.1 klusterointiin sovellettuna.
KL-luokka 0 1 2 3 4
Klusteri 1 104 (40,5%) 107 (41,6%) 45 (17,5%) 1 (0,4%) 0
Klusteri 2 3 (11,1%) 4 (14,8%) 10 (37,0%) 9 (33,3%) 1 (3,7 %) Klusteri 3 2 (3,6%) 17 (30,9%) 26 (47,3%) 10 (18,2 %) 0
Taulukko 12: Klusterit ristiintaulukoituna KL-luokituksen kanssa KSSHP-aineistossa
KL-luokka 0 1 2 3 4
Klusteri 1 1 (2,9%) 7 (20,0%) 18 (51,4%) 9 (25,7%) 0
Klusteri 2 1 (5,3%) 4 (21,1%) 5 (26,3%) 8 (42,1%) 1 (5,3%) Klusteri 3 89 (44,3%) 80 (39,8%) 29 (14,4%) 3 (1,5%) 0
Klusteri 4 18 (21,4%) 37 (44,0%) 29 (34,5%) 0 0
Taulukko 13: Klusterit ristiintaulukoituna KL-luokituksen kanssa KSSHP-aineistossa
Varhaisen nivelrikon klusterit vaikuttavat tässä tapauksessa selkeämmin sisältävän havain-toja pelkästään KL-luokista 0-2, kun taas vakavamman nivelrikon klustereihin sisältyy nyt useampia KL-luokkien 0 ja 1 havaintoja. Suurelta osin tämä johtuu siitä, että tästä datasta ei karsittu havaintoja, joissa menetelmä havaitsee virheellisesti kookkaan osteofyytin. Nyt siis tällaisten tapausten määritellään virheellisesti kuuluvan vakavan nivelrikon klusteriin. Se, et-tä varhaisen nivelrikon klustereissa on entiset-tä vähemmän vakavamman nivelrikon havainto-ja, johtunee osin aineistoissa käytettyjen KL-luokituksen tulkinnan tai määritelmän eroista.
KSSHP-aineistossa havainnot, joissa ei ole kookkaita osteofyyttejä, mutta nivelrako on ka-ventunut, määritellään OAI-aineistoon verrattuna varhaisempiin KL-luokkiin. Osittain ero johtunee myös yksinkertaisesti siitä, että KSSHP-aineisto vastaa läheisemmin todellista KL-luokkien jakaumaa, eli se sisältää huomattavasti enemmän varhaisen nivelrikon havaintoja kuin pidemmälle edenneen nivelrikon havaintoja.
7 Yhteenveto
Tässä tutkielmassa toteutettiin reunantunnistukseen perustuva automaattinen menetelmä pol-ven nivelrikkoon liittyvien muuttujien laskemiseksi. Menetelmä saavutti aiemmassa kirjal-lisuudessa esitellyn vastaavan menetelmän (Oka ym. 2008) kanssa vastaavantasoisia tulok-sia. Tutkielmassa toteutettiin myös tiettävästi ensimmäinen täysin automaattinen menetelmä eminentian terävöitymisen laskemiseen. Terävöitymisellä näytettiin aiempaa kirjallisuutta vastaten olevan heikko mutta merkitsevä yhteys nivelrikon vakavuusasteeseen.
Eminentian terävöityminen ja nivelraon kaventuminen vaikuttaisivat olevan varsin hyvin to-dennettavissa pelkästään tunnistettujen reunojen perusteella. Nivelraon osalta ongelmallisia ovat pääasiassa tapaukset, joissa nivelrako on kokonaan umpeutunut. Tämän takia erittäin vakavaksi edenneen nivelrikon todentaminen on menetelmälle jossain määrin ongelmallis-ta. Toisaalta tällaisten tapausten toteaminen vakavasti nivelrikkoisiksi lienee asiantuntijalle niin helppoa, ettei siihen automaattista menetelmää todennäköisesti tarvita. Osteofyyttien va-kavuuden selittämiseen pelkkä reuna vaikuttaisi olevan riittämätön ja todellisen sivureunan tunnistaminen automaattisesti epävarmaa. Lisäksi tutkielmassa käytetyn aineiston OARSI-luokituksia tarkastelemalla vaikuttaisi siltä, että osteofyyttien vakavuuden arvioinnissa tulisi pinta-alan lisäksi ottaa huomioon myös hankalasti numeerisesti ilmaistavat muuttujat osteo-fyytin muodosta ja tekstuurista.
Laskettujen muuttujien perusteella toteutettiin lopulta klusterointi. Klusteroinnin tuloksissa erityisesti mielenkiintoinen havainto oli se, että klusterointi KL-luokituksesta eroten luokit-telee vakavan nivelrikon kahtia sen perusteella ovatko nivelrikkoon liittyvät havainnot pol-vessa mediaalisella vai lateraalisella puolella. Vastaavasti varhaisen nivelrikon jakautuminen kahteen klusteriin eminentian terävöitymisen perusteella todettiin mielenkiintoiseksi havain-noksi. Sen selvittäminen onko eminentian terävöitymisen perusteella muodostuvilla kluste-reilla käytännöllistä eroa jää tosin jatkotutkimukseen. Aiemman kirjallisuuden perusteella esimerkiksi nivelrikon edistymisen todennäköisyyksiä klusterien välillä saattaisi olla mie-lenkiintoista vertailla.
Jatkotutkimuksessa saattaisi myös olla perusteltua soveltaa klusterointia esimerkiksi käsin
laskettuihin tarkempiin muuttujiin. Tutkielman kannalta automaattinen reunantunnistukseen perustuva menetelmä riitti hyvin näyttämään, että klusteroimalla nivelrikkoon liittyviä muut-tujia voidaan saavuttaa mielenkiintoisia tuloksia. Erityisesti osteofyyttien osalta tarkemmat tulokset todennäköisesti kuitenkin parantaisivat klusteroinnin tuloksia. Lisäksi klusteroinnis-sa voitaisiin myös ottaa huomioon tutkielman ulkopuolelle jätetyt reisiluun osteofyytit sekä muut nivelrikkoon liittyvät röntgenkuvista havaittavat muuttujat kuten skleroosi, hankaus ja luiden päiden deformiteetti. Myös erilaisten klusterointimenetelmien soveltaminen saattai-si tuottaa mielenkiintoisaattai-sia tuloksaattai-sia. Erityisesti luvussa 3.4 mainitun pehmeän klusteroinnin avulla saatavat tulokset voisivat käytännön kannalta olla arvokkaita, sillä klustereihin kuu-lumisen todennäköisyyksiä tarkastelemalla saatettaisiin saada tarkempi käsitys nivelrikon todellisesta vakavuudesta.
Lähteet
Altman, Roy, ja G. E. Gold. 2007. “Atlas of individual radiographic features in osteoarthritis, revised.”Osteoarthritis and cartilage15 Suppl A:A1–56.
Antony, Joseph. 2017. “Automatic quantification of radiographic knee osteoarthritis severity and associated diagnostic features using deep convolutional neural networks”. Tohtorinväi-töskirja, Dublin City University.
Antony, Joseph, Kevin McGuinness, Kieran Moran ja Noel O’Connor. 2017. “Automatic Detection of Knee Joints and Quantification of Knee Osteoarthritis Severity Using Convolu-tional Neural Networks”. Heinäkuu. doi:10.1007/978-3-319-62416-7_27.
Arthur, David, ja Sergei Vassilvitskii. 2007. “K-means++: The Advantages of Careful See-ding”. Teoksessa Proceedings of the Eighteenth Annual ACM-SIAM Symposium on Disc-rete Algorithms, 1027–1035. SODA ’07. New Orleans, Louisiana: Society for Industrial / Applied Mathematics.ISBN: 978-0-898716-24-5.http://dl.acm.org/citation.
cfm?id=1283383.1283494.
Borgelt, Christian. 2006. “Prototype-based classification and clustering”.
Canny, J. 1986. “A Computational Approach to Edge Detection”.IEEE Trans. Pattern Anal.
Mach. Intell. (Washington, DC, USA) 8, numero 6 (kesäkuu): 679–698. ISSN: 0162-8828.
doi:10.1109/TPAMI.1986.4767851.https://doi.org/10.1109/TPAMI.
1986.4767851.
Charrad, Malika, Nadia Ghazzali, Véronique Boiteau ja Azam Niknafs. 2014. “NbClust:
An R Package for Determining the Relevant Number of Clusters in a Data Set”.Journal of Statistical Software61 (6): 1–36.http://www.jstatsoft.org/v61/i06/.
Cootes, Tim F. 1992. “An Introduction to Active Shape Models *”.
Davies, David, ja Don Bouldin. 1979. “A Cluster Separation Measure”.Pattern Analysis and Machine Intelligence, IEEE Transactions onPAMI-1 (toukokuu): 224–227. doi:10.1109/
TPAMI.1979.4766909.
Donnelly, S, D J Hart, D V Doyle ja Tim Spector. 1996. “Spiking of the tibial tubercles -A radiological feature of osteoarthritis?” Annals of the rheumatic diseases55 (maaliskuu):
105–8. doi:10.1136/ard.55.2.105.
Ester, Martin, Hans-Peter Kriegel, Jörg Sander ja Xiaowei Xu. 1996. “A Density-based Al-gorithm for Discovering Clusters a Density-based AlAl-gorithm for Discovering Clusters in Lar-ge Spatial Databases with Noise”. TeoksessaProceedings of the Second International Con-ference on Knowledge Discovery and Data Mining, 226–231. KDD’96. Portland, Oregon:
AAAI Press.http://dl.acm.org/citation.cfm?id=3001460.3001507.
Goodfellow, Ian, Yoshua Bengio ja Aaron Courville. 2016.Deep Learning.http://www.
deeplearningbook.org. MIT Press.
Gornale, Shivanand S., Pooja U. Patravali ja Ramesh R. Manza. 2016. “A Survey on Explo-ration and Classification of Osteoarthritis Using Image Processing Techniques”.
Halkidi, Maria, Yannis Batistakis ja Michalis Vazirgiannis. 2001. “On Clustering Validation Techniques”.Journal of Intelligent Information Systems17, numero 2 (joulukuu): 107–145.
ISSN: 1573-7675. doi:10 . 1023 / A : 1012801612483. https : / / doi . org / 10 . 1023/A:1012801612483.
Hastie, Trevor J., Robert Tibshirani ja Jerome H. Friedman. 2009.The elements of statistical learning: data mining, inference, and prediction, 2nd Edition.
Heidari, Behzad. 2011. “Knee osteoarthritis prevalence, risk factors, pathogenesis and featu-res: Part I”.Caspian journal of internal medicine2 (maaliskuu): 205–212.
Kellgren, J. H., ja J. S. Lawrence. 1957. “Radiological Assessment of Osteo-Arthrosis”.
Annals of the Rheumatic Diseases16 (4): 494–502.ISSN: 0003-4967. doi:10.1136/ard.
16.4.494. eprint:https://ard.bmj.com/content/16/4/494.full.pdf.
https://ard.bmj.com/content/16/4/494.
Kinds, M.B., A.C.A. Marijnissen, K.L. Vincken, M.A. Viergever, K.W. Drossaers-Bakker, J.W.J. Bijlsma, S.M.A. Bierma-Zeinstra, P.M.J. Welsing ja F.P.J.G. Lafeber. 2012. “Eva-luation of separate quantitative radiographic features adds to the prediction of incident ra-diographic osteoarthritis in individuals with recent onset of knee pain: 5-year follow-up in the CHECK cohort”. Osteoarthritis and Cartilage 20 (6): 548–556. ISSN: 1063-4584.
doi:https://doi.org/10.1016/j.joca.2012.02.009.
Kohn, Mark, Adam Sassoon ja Navin Fernando. 2016. “Classifications in Brief: Kellgren-Lawrence Classification of Osteoarthritis”.Clinical Orthopaedics and Related Research474 (helmikuu). doi:10.1007/s11999-016-4732-4.
Lindner, Claudia, Shankar Thiagarajah, J. Mark Wilkinson, Gillian A. Wallis ja Tim F. Coo-tes. 2013. “Accurate Bone Segmentation in 2D Radiographs Using Fully Automatic Shape Model Matching Based On Regression-Voting”. TeoksessaMedical Image Computing and Computer-Assisted Intervention – MICCAI 2013,toimittanut Kensaku Mori, Ichiro Sakuma, Yoshinobu Sato, Christian Barillot ja Nassir Navab, 181–189. Berlin, Heidelberg: Springer Berlin Heidelberg.ISBN: 978-3-642-40763-5.
Marijnissen, A.C.A., K.L. Vincken, P.A.J.M. Vos, D.B.F. Saris, M.A. Viergever, J.W.J. Bijls-ma, L.W. Bartels ja F.P.J.G. Lafeber. 2008. “Knee Images Digital Analysis (KIDA): a novel method to quantify individual radiographic features of knee osteoarthritis in detail”. Os-teoarthritis and Cartilage16 (2): 234–243. ISSN: 1063-4584. doi:https://doi.org/
10 . 1016 / j . joca . 2007 . 06 . 009. http : / / www . sciencedirect . com / science/article/pii/S1063458407002294.
MOT Lääketiede 2.0a.2018. Viitattu 12.12.2019. Kielikone Oy.http://mot.kieliko ne.fi/mot/jyu/netmot.exe.
O’Shea, Keiron, ja Ryan Nash. 2015. An Introduction to Convolutional Neural Networks.
arXiv:1511.08458 [cs.NE].
Oka, H, S Muraki, T Akune, A Mabuchi, T Suzuki, H Yoshida, S Yamamoto, K Nakamura, N Yoshimura ja Hiroshi Kawaguchi. 2008. “Fully Automatic Quantification of Knee Os-teoarthritis Severity on Plain Radiographs”.Osteoarthritis and cartilage / OARS, Osteoarth-ritis Research Society16 (toukokuu): 1300–6. doi:10.1016/j.joca.2008.03.011.
Oka, H, S Muraki, T Akune, K Nakamura, H Kawaguchi ja N Yoshimura. 2010. “Normal and threshold values of radiographic parameters for knee osteoarthritis using a computer-assisted measuring system (KOACAD): The ROAD study”.Journal of orthopaedic science : official journal of the Japanese Orthopaedic Association15 (marraskuu): 781–9. doi:10.
1007/s00776-010-1545-2.
Osteoarthritis Initiative (OAI). 2008. “Baseline X-ray and MRI images for entire cohort (4,796 participants)”. Haettu syksyllä 2019.https://nda.nih.gov/oai.
Rousseeuw, Peter. 1987. “Rousseeuw, P.J.: Silhouettes: A Graphical Aid to the Interpretation and Validation of Cluster Analysis. Comput. Appl. Math. 20, 53-65”.Journal of Computa-tional and Applied Mathematics20 (marraskuu): 53–65. doi:10.1016/0377-0427(87) 90125-7.
Schiphof, D, M Boers ja S M A Bierma-Zeinstra. 2008. “Differences in descriptions of Kellgren and Lawrence grades of knee osteoarthritis”.Annals of the Rheumatic Diseases67 (7): 1034–1036.ISSN: 0003-4967. doi:10.1136/ard.2007.079020. eprint: https:
//ard.bmj.com/content/67/7/1034.full.pdf.https://ard.bmj.com/
content/67/7/1034.
Scott, C. E. H., R. W. Nutton ja L. C. Biant. 2013. “Lateral compartment osteoarthritis of the knee”. PMID: 23539693,The Bone & Joint Journal95-B (4): 436–444. doi:10.1302/
0301- 620X.95B4.30536. eprint: https://doi.org/10.1302/0301- 620X.
95B4.30536.https://doi.org/10.1302/0301-620X.95B4.30536.
Shamir, L., S. M. Ling, W. W. Scott, Jr., A. Bos, N. Orlov, T. J. Macura, D. M. Eckley, L. Ferrucci ja I. G. Goldberg. 2009. “Knee X-Ray Image Analysis Method for Automated Detection of Osteoarthritis”. IEEE Transactions on Biomedical Engineering 56, numero 2 (helmikuu): 407–415. doi:10.1109/TBME.2008.2006025.
Shamir, Lior, Nikita Orlov, Tomasz Macura, Josiah Johnston, David Eckley ja Ilya Goldberg.
2008. “WND-CHARM:Multi-purpose image classification using compound image trans-forms”.Pattern Recognition Letters29 (elokuu): 1684–1693.
Smith, Steven W. 1997. The Scientist and Engineer’s Guide to Digital Signal Processing.
San Diego, CA, USA: California Technical Publishing.ISBN: 0-9660176-3-3.
Sobel, Irwin, ja G. Feldman. 1973. “A 3x3 isotropic gradient operator for image processing”.
Pattern Classification and Scene Analysis(tammikuu): 271–272.
Suomalaisen Lääkäriseuran Duodecimin ja Suomen Ortopediyhdistys ry:n asettama työ-ryhmä. 2018. Polvi- ja lonkkanivelrikko, Käypä hoito -suositus. Viitattu 6.11.2019. www . kaypahoito.fi.
Swagerty, Daniel, ja Doug Hellinger. 2001. “Radiographic assessment of osteoarthritis.”
American family physician64 2:279–86.
Szeliski, Richard. 2010.Computer Vision: Algorithms and Applications.1st. Berlin, Heidel-berg: Springer-Verlag.ISBN: 1848829345, 9781848829343.
Theodoridis, Sergios, ja Konstantinos Koutroumbas. 2009. “Pattern Recognition (Fourth Edition)”, Fourth Edition, toimittanut Sergios Theodoridis ja Konstantinos Koutroumbas.
Boston: Academic Press. ISBN: 978-1-59749-272-0. doi:https : / / doi . org / 10 . 1016/B978-1-59749-272-0.50015-3.
Thomson, Jessie, Terence O’Neill, David Felson ja Tim Cootes. 2015. “Automated Shape and Texture Analysis for Detection of Osteoarthritis from Radiographs of the Knee”. Teok-sessaMedical Image Computing and Computer-Assisted Intervention – MICCAI 2015, toi-mittanut Nassir Navab, Joachim Hornegger, William M. Wells ja Alejandro Frangi, 127–134.
Cham: Springer International Publishing.
. 2016. “Detecting Osteophytes in Radiographs of the Knee to Diagnose Osteoarth-ritis”. TeoksessaMachine Learning in Medical Imaging,toimittanut Li Wang, Ehsan Adeli, Qian Wang, Yinghuan Shi ja Heung-Il Suk, 45–52. Cham: Springer International Publishing.
ISBN: 978-3-319-47157-0.
Tiulpin, Aleksei, Stefan Klein, Sita M. A. Bierma-Zeinstra, Jérôme Thevenot, Esa Rahtu, Jo-yce van Meurs, Edwin H. G. Oei ja Simo Saarakkala. 2019.Multimodal Machine Learning-based Knee Osteoarthritis Progression Prediction from Plain Radiographs and Clinical Da-ta.arXiv:1904.06236 [cs.CV].
Tiulpin, Aleksei, ja Simo Saarakkala. 2019. “Automatic Grading of Individual Knee Os-teoarthritis Features in Plain Radiographs using Deep Convolutional Neural Networks”.
ArXivabs/1907.08020.
Tiulpin, Aleksei, Jerome Thevenot, Esa Rahtu, Petri Lehenkari ja Simo Saarakkala. 2018.
“Automatic knee osteoarthritis diagnosis from plain radiographs: A deep learning-based approach”. Scientific Reports 8, numero 1 (joulukuu). ISSN: 2045-2322. doi:10 . 1038 / s41598-018-20132-7.
Tiulpin, Aleksei, Jérôme Thevenot, Esa Rahtu ja Simo Saarakkala. 2017. “A novel method for automatic localization of joint area on knee plain radiographs”. TeoksessaSCIA.
Tutkimuseettinen Neuvottelukunta. 2012.Hyvä tieteellinen käytäntö ja sen loukkausepäily-jen käsitteleminen Suomessa.https://www.tenk.fi/sites/tenk.fi/files/
HTK_ohje_2012.pdf.
Xu, Rui, ja Donald Wunsch. 2005. “Survey of Clustering Algorithms”. Neural Networks, IEEE Transactions on16 (kesäkuu): 645–678. doi:10.1109/TNN.2005.845141.
. 2009.Clustering.Wiley-IEEE Press. ISBN: 9780470276808.
Zaki, Mohammed J., ja Wagner Meira Jr. 2014. Data Mining and Analysis: Fundamen-tal Concepts and Algorithms. New York, NY, USA: Cambridge University Press. ISBN: 0521766338, 9780521766333.
Ziou, Djemel, ja Salvatore Tabbone. 2000. “Edge Detection Techniques - An Overview”. 8 (kesäkuu).