Data-efficient knee anatomical landmark localization using deep learning
Niemelä, Raimo (2021-06-15)
Niemelä, Raimo
R. Niemelä
15.06.2021
© 2021 Raimo Niemelä. Tämä Kohde on tekijänoikeuden ja/tai lähioikeuksien suojaama. Voit käyttää Kohdetta käyttöösi sovellettavan tekijänoikeutta ja lähioikeuksia koskevan lainsäädännön sallimilla tavoilla. Muunlaista käyttöä varten tarvitset oikeudenhaltijoiden luvan.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:oulu-202106178394
https://urn.fi/URN:NBN:fi:oulu-202106178394
Tiivistelmä
Knee osteoarthritis (OA) is the most common musculoskeletal degenerative disease affecting the joints. OA is examined at a doctor’s visit and an X-ray image is often used to confirm the diagnosis. There is no treatment available for OA, therefore it is important to diagnose knee osteoarthritis at the earliest possible stage to preventpossible complications.
Traditional methods used by a practitioners do not detect osteoarthritis as early as possible, therefore other methods are needed for early diagnosis. One possibility is to use novel quantitative imaging biomarkers, computation of which often requires precise understanding of the knee anatomy by a computer. More specifically, it is important to locate different areas of the knee according to anatomical atlases and place relevant regions of interest to compute the imaging biomarkers. A state-of-the-art approach for this problem is based on anatomical landmark localization.
In this work, the localization of anatomical landmarks from knee X-rays using deep learning is investigated. To date, statistical methods have been used to localize landmarks, but this work focuses on identification based on deep learning and investigates how the amount of available training data affects performance. The method investigated in the present thesis is based on the KNEEL method developed earlier at the University of Oulu. The aim of this work was to improve this method by adjusting the training parameters and leveraging equivalent regularization for semi-supervised learning. Images from the Osteoarthritis Initiative database were used as material for training and validation.
During the work, it was found that by adjusting the parameters used for training, anatomical landmarks can be localized more accurately than in the original KNEEL method. By adding the equivalent regularization, the accuracy of the localization was increased substantially, and a further enhancement in performance can be observed by utilizing unlabeled data in a semi-supervised learning manner.
The results, developed in this thesis can layer be leveraged in OA research or even clinical practice, where the computation of quantitative imaging biomarkers is important. To our knowledge, this is the first work in OA where SSL and equivariant regularization were used. Polven nivelrikko on yleisin niveliin vaikuttava tuki- ja liikuntaelimistöä rappeuttava sairaus. Nivelrikko tutkitaan lääkärikäynnin yhteydessä ja diagnoosi vahvistetaan usein röntgenkuvantamisen avulla. Nivelrikkoon ei ole saatavilla hoitoa, joten on tärkeää diagnosoida polven nivelrikko mahdollisimman varhaisessa vaiheessa mahdollisten komplikaatioiden välttämiseksi.
Perinteiset lääkäreiden käyttämät menetelmät eivät tunnista nivelrikkoa riittävän aikaisin, siksi tarvitaan muita menetelmiä varhaisempaan diagnostiikkaan. Yksi mahdollisuus on käyttää kvantitatiivisia kuvantamisbiomarkkereita, mutta näiden laskemiseksi tietokoneen täytyy ymmärtää anatomisia rakenteita tarkasti. Tarkemmin sanottuna on tärkeää paikantaa polven eri rakenteet ihmisen anatomiasta ja merkitä kiinnostavat rakenteet, jotta kuvantamisbiomarkkerit voidaan laskea. Nykyisin tätä ongelmaa lähestytään anatomisten maamerkkien paikantamisen avulla.
Tässä työssä tutkittiin anatomisten maamerkkien paikantamista polven röntgenkuvista syväoppimisen avulla. Perinteisesti tähän on käytetty staattisia menetelmiä, mutta tässä työssä keskityttiin paikantamiseen käyttäen syväoppimista ja tutkittiin kuinka käytettävissä oleva opetusdatan määrä vaikuttaa suorituskykyyn. Työssä käytetty metodi perustuu aikaisemmin Oulun yliopistossa kehitettyyn KNEEL metodiin. Tämän työn tarkoituksena oli parantaa tätä metodia säätämällä opetusparametreja sekä hyödyntää ekvivalenttia regularisaatiota syväoppimisen yhteydessa. Kuvia The Osteoarthritis Initiative -tietokannasta käytettiin opetukseen ja validointiin.
Työn aikana havaittiin, että säätämällä opetukseen käytettäviä parametrejä, voidaan anatomiset maamerkit paikantaa tarkemmin kuin alkuperäisellä KNEEL metodilla. Ekvivalentin regularisaation lisäämisellä paikantamisen tarkkuus lisääntyi huomattavasti. Suorituskyky parani entisestään käyttämällä annotoimatonta dataa puoli-ohjatun oppimisen yhteydessä.
Tämän opinnäytetyön yhteydessä kehitettyä metodia voidaan käyttää nivelrikon tutkimuksen yhteydessä tai kliinisessä käytössä, missä kvantitatiivisten kuvantamisbiomarkkereiden käyttö on tärkeää. Tietojemme mukaan tämä työ on ensimmäinen, jossa käytetään puoliohjattua oppimista sekä ekvivalenttia regularisaatiota nivelrikon yhteydessä.
Traditional methods used by a practitioners do not detect osteoarthritis as early as possible, therefore other methods are needed for early diagnosis. One possibility is to use novel quantitative imaging biomarkers, computation of which often requires precise understanding of the knee anatomy by a computer. More specifically, it is important to locate different areas of the knee according to anatomical atlases and place relevant regions of interest to compute the imaging biomarkers. A state-of-the-art approach for this problem is based on anatomical landmark localization.
In this work, the localization of anatomical landmarks from knee X-rays using deep learning is investigated. To date, statistical methods have been used to localize landmarks, but this work focuses on identification based on deep learning and investigates how the amount of available training data affects performance. The method investigated in the present thesis is based on the KNEEL method developed earlier at the University of Oulu. The aim of this work was to improve this method by adjusting the training parameters and leveraging equivalent regularization for semi-supervised learning. Images from the Osteoarthritis Initiative database were used as material for training and validation.
During the work, it was found that by adjusting the parameters used for training, anatomical landmarks can be localized more accurately than in the original KNEEL method. By adding the equivalent regularization, the accuracy of the localization was increased substantially, and a further enhancement in performance can be observed by utilizing unlabeled data in a semi-supervised learning manner.
The results, developed in this thesis can layer be leveraged in OA research or even clinical practice, where the computation of quantitative imaging biomarkers is important. To our knowledge, this is the first work in OA where SSL and equivariant regularization were used.
Perinteiset lääkäreiden käyttämät menetelmät eivät tunnista nivelrikkoa riittävän aikaisin, siksi tarvitaan muita menetelmiä varhaisempaan diagnostiikkaan. Yksi mahdollisuus on käyttää kvantitatiivisia kuvantamisbiomarkkereita, mutta näiden laskemiseksi tietokoneen täytyy ymmärtää anatomisia rakenteita tarkasti. Tarkemmin sanottuna on tärkeää paikantaa polven eri rakenteet ihmisen anatomiasta ja merkitä kiinnostavat rakenteet, jotta kuvantamisbiomarkkerit voidaan laskea. Nykyisin tätä ongelmaa lähestytään anatomisten maamerkkien paikantamisen avulla.
Tässä työssä tutkittiin anatomisten maamerkkien paikantamista polven röntgenkuvista syväoppimisen avulla. Perinteisesti tähän on käytetty staattisia menetelmiä, mutta tässä työssä keskityttiin paikantamiseen käyttäen syväoppimista ja tutkittiin kuinka käytettävissä oleva opetusdatan määrä vaikuttaa suorituskykyyn. Työssä käytetty metodi perustuu aikaisemmin Oulun yliopistossa kehitettyyn KNEEL metodiin. Tämän työn tarkoituksena oli parantaa tätä metodia säätämällä opetusparametreja sekä hyödyntää ekvivalenttia regularisaatiota syväoppimisen yhteydessa. Kuvia The Osteoarthritis Initiative -tietokannasta käytettiin opetukseen ja validointiin.
Työn aikana havaittiin, että säätämällä opetukseen käytettäviä parametrejä, voidaan anatomiset maamerkit paikantaa tarkemmin kuin alkuperäisellä KNEEL metodilla. Ekvivalentin regularisaation lisäämisellä paikantamisen tarkkuus lisääntyi huomattavasti. Suorituskyky parani entisestään käyttämällä annotoimatonta dataa puoli-ohjatun oppimisen yhteydessä.
Tämän opinnäytetyön yhteydessä kehitettyä metodia voidaan käyttää nivelrikon tutkimuksen yhteydessä tai kliinisessä käytössä, missä kvantitatiivisten kuvantamisbiomarkkereiden käyttö on tärkeää. Tietojemme mukaan tämä työ on ensimmäinen, jossa käytetään puoliohjattua oppimista sekä ekvivalenttia regularisaatiota nivelrikon yhteydessä.
Kokoelmat
- Avoin saatavuus [34589]