Magnetic resonance imaging-based biomarkers of knee osteoarthritis progression via deep learning

Academic dissertation to be presented with the assent of the Doctoral Programme Committee of Health and Biosciences of the University of Oulu for public defence in Auditorium F202 of the Faculty of Medicine (Aapistie 5 B), on 15 August 2025, at 12 noon

Abstract

Knee osteoarthritis (KOA) is a common degenerative musculoskeletal disease that significantly affects the quality of life. Its progression, characterized by joint degeneration, pain, and functional impairment, is heterogeneous and inadequately understood. Magnetic Resonance Imaging (MRI) is instrumental in KOA research for studying changes in articular cartilage, bones, and other tissues. However, producing high-quality manual interpretations of multi-sequence MRI data requires substantial training and expertise, making it inefficient for large-scale studies. Deep learning (DL), which has excelled in computer vision, holds great promise for automating data analysis and advancing KOA research, though further development and rigorous validation are required.

Articular cartilage is one of the primary tissues affected by KOA and a common therapeutic target. To enable automatic quantitative assessment of cartilage changes from MRI, a DL-based segmentation method was developed and validated with Dual-Echo Steady-State (DESS) and Multi-Echo Spin-Echo sequences. Regularization techniques were evaluated to improve the robustness of the method across different data acquisition scenarios. The complete workflow for extracting subregional imaging biomarkers demonstrated results consistent with those of a semi-automatic workflow.

An alternative end-to-end method for biomarker extraction was developed to assess the predictive value of imaging data for KOA progression. The model, optimized for DESS MRI, outperformed its radiography counterpart. However, the fusion of multi-sequence MRI data (DESS, Turbo Spin-Echo, and T2map) with radiography data did not further improve performance across different progression horizons. Imaging-based models were more accurate at predicting the progression of subjects with prior knee injuries or surgical interventions.

DL demonstrated strong potential for analyzing multi-sequence MRI data to identify biomarkers associated with KOA progression. Its effectiveness was shown in automating segmentation, a key step in multi-stage prediction workflows. Additionally, end-to-end biomarker learning proved promising for modeling KOA progression directly from multimodal data. All developed methods have been openly released to facilitate further research and clinical applications.Tiivistelmä

Polven nivelrikko on yleinen degeneratiivinen tuki- ja liikuntaelinsairaus, joka vaikuttaa merkittävästi elämänlaatuun. Sairauden eteneminen ja siihen liittyvät ongelmat, kuten nivelten rappeutuminen, kipu ja toiminnalliset häiriöt, ovat yksilöllisiä eikä prosessia tunneta vielä riittävästi. Magneettiresonanssikuvantaminen (MRI) on keskeinen menetelmä polven nivelrikkoa tutkittaessa sekä nivelruston, luun ja muiden kudosten muutoksia kartoitettaessa. Laadukkaiden manuaalisten tulkintojen tuottaminen monisekvenssisestä MRI-datasta edellyttää kuitenkin koulutusta ja asiantuntemusta, minkä vuoksi se on tehotonta laajamittaisissa tutkimuksissa. Syväoppiminen, joka on saavuttanut erinomaisia tuloksia etenkin konenäön alalla, on lupaava menetelmä, jolla voidaan automatisoida tietojen analysointia ja edistää polven nivelrikon tutkimusta, mutta jatkokehittämistä ja tulosten perusteellista validointia tarvitaan.

Tärkeimpiä – ja hoidetuimpia – kudoksia, joihin nivelrikko polvessa vaikuttaa, on nivelrusto. Magneettikuvantamisessa havaittujen rustomuutosten automaattisen kvantitatiivisen arvioinnin mahdollistamiseksi kehitettiin ja validoitiin syväoppimiseen perustuva segmentointimenetelmä Dual-Echo Steady-State (DESS)- ja Multi-Echo Spin-Echo-sekvensseillä. Regularisointitekniikoita arvioitiin, jotta menetelmän luotettavuutta eri tiedonhankintaskenaarioissa voidaan parantaa. Täysin automatisoitu työnkulku alueellisten kuvantamisbiomarkkereiden poiminnassa tuotti tuloksia, jotka olivat yhdenmukaisia puoliautomaattisen työnkulun tulosten kanssa.

Biomarkkereiden poimintaa varten kehitettiin vaihtoehtoinen päästä päähän -menetelmä, jolla arvioidaan nivelrikon etenemiseen liittyvien kuvantamistietojen ennustearvoa. DESS MRI:tä varten optimoitu mallinnus päihitti radiografian. Monisekvenssisten MRI-tietojen (DESS, Turbo Spin-Echo ja T2map) yhdistäminen radiografiatietoihin ei kuitenkaan parantanut suorituskykyä eri etenemishorisonteilla. Kuvantamiseen perustuvat mallit olivat tarkempia ennustettaessa etenemistä potilailla, joilla oli taustalla aiempia polvivammoja tai kirurgisia toimenpiteitä.

Syväoppimisella on vahva potentiaali analysoida monisekvenssisiä MRI-tietoja nivelrikon etenemiseen liittyvien biomarkkerien tunnistamiseksi. Sen tehokkuus on osoitettu segmentoinnin automatisoinnissa, joka on tärkeä vaihe etenemisen ennustamiseen liittyvässä monivaiheisissa työnkuluissa. Lisäksi biomarkkerin kokonaisoppiminen on osoittautunut lupaavaksi välineeksi polven nivelrikon etenemisen mallintamisessa suoraan multimodaalidatasta. Kaikki kehitetyt menetelmät on julkaistu avoimesti lisätutkimuksen ja kliinisten sovellusten helpottamiseksi.