Deep learning-based lower back pain classification and detection from T2-weighted magnetic resonance images

Abstract

Lower back pain (LBP) is a common physiological condition that affects 50–80% of the adult population at some point in their lives. For example, the economic load of LBP in Sweden was estimated to be approx. at C740 million in 2011. In LBP diagnostics, magnetic resonance imaging (MRI) is often used. MRI is used to visualize the structures in the lumbar region of the spine such as disks, bones, and spaces between the vertebral bones where nerves pass through. The lumbar spine refers to the lowest five vertebrae and intervertebral discs of the spine. MRI provides a detailed picture of the lumbar spine to get visual confirmation of any abnormalities potentially related to LBP to support the diagnosis process.

The goal of this thesis was to investigate visual patterns related to LBP in T2-weighted MR images measured with a fast spin-echo sequence on a GE Healthcare Signa HDxt 1.5 T MRI system. A convolutional neural network was used to classify MRIs into symptomatic and asymptomatic cases and to develop a fully automated pain prediction process. A total of 526 MRI examinations with supporting pain questionnaires from the Northern Finland Birth Cohort 1966 (NFBC1966) were used. Three different datasets were created for the experiments: i) a dataset with mid-sagittal slices from the center of the spine from each examination, ii) a dataset with mid-sagittal slices and its immediate neighboring slices, and similarly, iii) a dataset with five middle-most sagittal slices. In each dataset, individual slices were considered as independent samples, i.e., inputs for the classification method.

The developed classification method yielded the best results when the input dataset comprised of three middle-most slices (Balanced Accuracy score (BACC) of 0.709 ± 0.011, Average Precision (AP) of 0.467 ± 0.025, and Area Under Receiver Operating Characteristic curve (ROC-AUC) of 0.740 ± 0.008). The baseline model trained using only the mid-sagittal slice for classification yielded the lowest classification scores (BACC of 0.546 ± 0.032, AP of 0.403 ± 0.007, and ROC-AUC of 0.667 ± 0.008) followed by the model trained with the dataset with five middle-most slices (BACC of 0.675 ± 0.008, AP of 0.369 ± 0.009, and ROCAUC of 0.619 ± 0.011).

To conclude, this work suggests that the developed deep learning-based classification pipeline could be used for LBP diagnostics of lumbar spine MRI. LBP diagnostics is heavily based on degenerative MRI findings and deep learning has the potential to supplement these visual assessments objectively. The developed method could be helpful, for example, in identifying negative cases in order to enhance the workflow of routine diagnostic imaging tasks.

Alaselkäkipu on yleinen fysiologinen tila, joka vaikuttaa 50:stä 80:een %:iin aikuisväestöstä jossain vaiheessa heidän elämäänsä. Ruotsissa alaselkäkipuun liittyvän taloudellisen kuormituksen on arvioitu olleen noin 740 miljoonaa euroa vuonna 2011.

Alaselkäkivun syyn etsimiseen käytetään tyypillisesti magneettikuvausta (MRI). MRI:tä käytetään lannerangan alueen rakenteiden, kuten levyjen, luiden ja selkärangan luiden välisten tilojen, joissa hermot kulkevat, visualisoimiseen. Lannerangalla tarkoitetaan selkärangan viittä alinta nikamaa ja levyä. MRI tarjoaa diagnoosin tukemiseksi yksityiskohtaisen kuvan lannerangasta mahdollistaen alaselkäkipuun mahdollisesti liittyvien poikkeamien visuaalisen tarkastelun.

Tämän opinnäytetyön tavoitteena oli tutkia alaselkäkipuun liityviä muutoksia T2-painotetuissa magneettikuvissa, jotka kuvattiin GE Healthcare Signa HDxt 1,5 T magneettikuvauslaitteistolla nopeaa spin-kaikusekvenssiä käyttäen. Kuvien luokitteluun käytettiin konvoluutioneuroverkkoja oireellisiin ja oireettomiin tapauksiin täysautomatisen kivun ennustusmenetelmän kehittämiseksi. Aineistona käytettiin yhteensä 526 tutkimusta Pohjois-Suomen syntymäkohortista 1966 (NFBC1966). Testejä varten luotiin kolme erilaista aineistoa: i) keskisagittaaliset viipalekuvat, ii) keskisagittaaliset viipalekuvat ja niiden naapuriviipaleet, sekä vastaavasti iii) viisi keskimmäisintä viipalekuvaa, joita hyödynnettiin itsenäisinä näytteinä, eli luokitusmenetelmän syötteinä.

Kehitetty luokitusmenetelmä tuotti parhaat tulokset kun syötejoukkona olivat keskisagittaaliset viipalekuvat ja niiden naapuriviipaleet (Balanced Accuracy score (BACC) 0,709 ± 0,011, Average Precision (AP) 0,467 ± 0,025, ja Area Under Receiver Operating Characteristic curve (ROC-AUC) 0,740 ± 0,008). Keskisagittaalisten viipalekuvien avulla koulutettu vertailumalli tuotti alhaisimmat luokittelutulokset (BACC 0.546 ± 0.032, AP 0.403 ± 0.007, and ROC-AUC 0.667 ± 0.008), ja seuraavaksi paras malli oli viidellä keskimmäisellä viipalekuvalla koulutettu malli (BACC 0.675 ± 0.008, AP 0.369 ± 0.009, and ROC-AUC 0.619 ± 0.011).

Tämä työ antaa viitteitä siitä, että syväoppimiseen perustuvaa menetelmää voitaisiin käyttää lannerangan MRI-aineistosta suoritettavaan alaselkäkivun diagnosointiin. Alaselkäkivun diagnostiikka perustuu vahvasti MRIrappeumalöydöksiin, ja syväoppimisella on edellytyksiä täydentää objektiivisella tavalla näitä visuaalisia arvioita. Kehitetystä menetelmästä voisi olla apua esimerkiksi negatiivisten tapausten tunnistamisessa rutiininomaisten diagnostisten kuvantamistehtävien työnkulun tehostamiseksi.