Computed tomography assessment of low-energy acetabular fractures in the elderly
Gebre, Robel Kebede (2021-05-27)
https://urn.fi/URN:ISBN:9789526229188
Kuvaus
Tiivistelmä
Abstract
Low-energy acetabular fractures (LEAFs) are osteoporotic pelvic fractures. The clinical diagnosis of acetabular fractures is conducted using computed tomography (CT) imaging. A LEAF is typically a result of a sideways fall and the common fracture patterns are fractures of the anterior column, anterior wall, anterior with a posterior hemi-transverse and an anteromedial dislocation of the femoral head. The fall mechanisms and the recurrent fracture patterns of LEAFs have previously been investigated. However, the etiology of LEAFs still remains unclear. Hence, the aim of this thesis was to elucidate the biomechanical and structural risk factors associated with low-energy acetabular fractures in the elderly.
The study data consisted of clinical CT images of subjects with acetabular fractures (n=121) and their gender-age matched controls. Measurements of the proximal femur and acetabular geometry variables were made on 3-D pelvic models. 3-D regions of interest were extracted at the femoral head and the acetabulum to assess the trabecular architecture and to discriminate cases from controls using machine learning methods. Furthermore, the presence of radiographic hip osteoarthritis (rHOA) was assessed by optimizing a deep learning model.
The fracture cases showed a significantly lower neck shaft angle, longer femoral neck axis length, and a lower bone volume fraction and mean gray value (GV) at the femoral head, and a lower mean GV at the acetabulum compared to their controls. Although significant differences in rHOA distributions were not found, fracture subjects showed a higher prevalence of rHOA than the controls. In addition, the machine learning and deep learning models were able to discriminate fractures from controls as well as to classify rHOA from the CT data.
In conclusion, potential biomechanical and structural risk factors associated with low-energy acetabular fractures in the elderly were identified, using clinical CT to measure the pelvic geometry, trabecular architecture, and radiographic hip OA.
Tiivistelmä
Matalaenergiset lonkkamaljan murtumat ovat osteoporoottisia lantiomurtumia, jotka kliinisesti diagnosoidaan tietokonetomografiakuvista. Matalaenerginen lonkkamaljan murtuma tyypillisesti johtuu kyljelleen kaatumisesta. Kaatumismekanismia ja murtumatyyppejä on aiemmin tutkittu, mutta muutoin matalaenergisiä lonkkamaljan murtumia on tutkittu vain vähän. Toistaiseksi niiden syntymekanismia ei tiedetä. Tämän väitöskirjatyön tarkoituksena oli selvittää matalaenergisten lonkkamaljan murtumien biomekaanisia ja rakenteellisia riskitekijöitä ikääntyvillä henkilöillä.
Tutkimusainesto koostui tietokonetomografiakuvista, jotka oli otettu henkilöistä, joiden lonkkamalja oli murtunut ja heidän ikä- ja sukupuolikontrolloiduista verrokeista. Reisiluun yläosan ja lonkkamaljan geometria mitattiin lantion kolmiulotteisista malleista. Hohkaluun rakenne arvioitiin reisiluun pään ja lonkkamaljan alueelta. Laskettuja muuttujia käytettiin koneoppimismenetelmän avulla erottamaan murtumatapaukset verrokeista. Lonkkanivelrikko arvioitiin syväoppimismenetelmällä.
Murtumatapauksilla oli pienempi reisiluun kaulan kulma, pidempi reisiluun kaula ja alhaisempi luun tiheys ja keskimääräinen harmaasävyarvo reisiluun pään alueella sekä matalampi keskimääräinen harmaasävyarvo lonkkamaljan alueella. Murtumatapauksien keskuudessa esiintyi enemmän lonkan nivelrikkoa kuin verrokeilla, mutta ero ei ollut tilastollisesti merkitsevä. Koneoppimismenetelmät onnistuivat luokittelemaan murtumatapaukset verrokeista ja syväoppimismenetelmä onnistui tunnistamaan lonkan nivelrikon tietokonetomografiakuvista.
Loppupäätelmänä voidaan todeta, että tässä väitöskirjatyössä tunnistettiin mahdollisia biomekaanisia ja rakenteellisia riskitekijöitä matalaenergisille lonkkamaljan murtumille ikääntyvien keskuudessa mittaamalla lantion geometriaa ja hohkaluun rakennetta sekä tunnistamalla lonkan nivelrikko tietokonetomografiakuvista.
Original papers
Original papers are not included in the electronic version of the dissertation.
Gebre, R. K., Hirvasniemi, J., Lantto, I., Saarakkala, S., Leppilahti, J., & Jämsä, T. (2019). Structural risk factors for low-energy acetabular fractures. Bone, 127, 334–342. https://doi.org/10.1016/j.bone.2019.07.004
Gebre, R. K., Hirvasniemi, J., Lantto, I., Saarakkala, S., Leppilahti, J., & Jämsä, T. (2020). Discrimination of Low-Energy Acetabular Fractures from Controls Using Computed Tomography-Based Bone Characteristics. Annals of Biomedical Engineering, 49(1), 367–381. https://doi.org/10.1007/s10439-020-02563-4
Gebre, R. K., Hirvasniemi, J., Lantto, I., Saarakkala, S., Leppilahti, J., & Jämsä, T. A. (2021). Deep Learning Application to Study the Association Between Low-Energy Acetabular Fractures and Hip Osteoarthritis. Manuscript submitted for publication.
Osajulkaisut
Osajulkaisut eivät sisälly väitöskirjan elektroniseen versioon.
Gebre, R. K., Hirvasniemi, J., Lantto, I., Saarakkala, S., Leppilahti, J., & Jämsä, T. (2019). Structural risk factors for low-energy acetabular fractures. Bone, 127, 334–342. https://doi.org/10.1016/j.bone.2019.07.004
Gebre, R. K., Hirvasniemi, J., Lantto, I., Saarakkala, S., Leppilahti, J., & Jämsä, T. (2020). Discrimination of Low-Energy Acetabular Fractures from Controls Using Computed Tomography-Based Bone Characteristics. Annals of Biomedical Engineering, 49(1), 367–381. https://doi.org/10.1007/s10439-020-02563-4
Gebre, R. K., Hirvasniemi, J., Lantto, I., Saarakkala, S., Leppilahti, J., & Jämsä, T. A. (2021). Deep Learning Application to Study the Association Between Low-Energy Acetabular Fractures and Hip Osteoarthritis. Manuscript submitted for publication.
Kokoelmat
- Avoin saatavuus [38840]