Vier Texturalgorithmen: Bestimmung erster Anzeichen von Osteoarthrose. Daten von Multicenter Osteoarthritis study

Abstract

Diese Masterarbeit zielt ab, einen gründlichen Vergleich zwischen vier Texturalgorithmen zu liefern. Die Kapazität dieser Algorithmen zwischen Patienten mit und ohne Osteoarthrose zu unterscheiden, frühe Anzeichen der Erkrankung zu entdecken und die Entwicklung zu verfolgen anhand von nur 2D Radiographien des trabekulären Gewebes des Knies, wird untersucht. Wegen der fraktalen Eigenschaften des trabekulären Gewebes, werden zwei fraktale Algorithmen (Bone Variance Value (BVV) and Bone Score Value (BSV)) eingeführt. Diese versuchen die intrinsische 3D Komplexität des Knochens zu charakterisieren. Der dritte Algorithmus (Bone Entropy Value (BEV), basiert auf Shannons Entropie) stammt aus der Informationstheorie und zielt ab, die Knochenstruktur in Hinsicht auf Informationskomplexität zu beschreiben. Der letzte Algorithmus (Bone Coocurrence Value (BCV)) basiert auf der Grauwertematrix eines Bildes und beschreibt die Bildtextur in Hinsicht auf spezifische Haralick Eigenschaften. Wenn diese Versuche erfolgreich wären, würden sie ein riesiges Potential besitzen die Kosten, die mit der Diagnose und Behandlung von Osteoarthrose verbunden sind, zu senken. Das würde durch die komplette Automation der Diagnoseprozedur geschehen. Die früheren Behandlungsund Risikoverringerungsmaßnahmen sind günstiger als die Maßnahmen, die bei einem fortgeschrittenen Zustand der Erkrankung (Operation, Implantante, usw.), notwendig sind. Zunächst wird eine Motivation zur Früherkennung von Osteoarthrose gegeben. Zweitens werden eine detaillierte Beschreibung und ein mathematischer Hintergrund der Algorithmen präsentiert und anhand von künstlichen Daten validiert. Drittens werden die für Klassifikationstests verwendeten Datensätze eingeführt. Viertens werden die verwendeten statistischen Methoden und neuronalen Netzwerkmodelle vorgestellt und diskutiert. Fünftens werden die von jedem Algorithmus erzeugten Eigenschafen (features) diskutiert und ihre unabhängige und kombinierte Fähigkeit, zwischen Knochen mit frühen Anzeichen von Osteoarthrose und gesunden Knochen zu unterscheiden, untersucht. Auch die Fähigkeit der Verfolgung der Entwicklung über die Jahre hinweg wird durch statistische Tests quantifiziert. Auch in diesem Teil präsentieren wir die besten Klassifizierungswerte (classification scores), die von den optimalen neuronalen Netzen für jeden Anwendungsfall berechnet werden. Schließlich werden Gedanken zu zukünftigen Verbesserungen und die Anwendbarkeit der Algorithmen bei anderen anatomischen Kontexten, bei anderen Krankheiten oder in anderen Bereichen, wie Histologie und Mammographie, gemacht. Mit dieser Arbeit zeigen wir, dass der Stand der Technik in Hinsicht auf Osteoarthrosevorhersage durch die Verwendung von Modellen, die nur auf reinen Textureigenschaften basieren, übertroffen werden kann. Unsere geschlechtsstratifizierte Analyse ergibt einen Vorhersagewert von 83% für Männer und 81% für Frauen in Bezug auf Area Under the Receiver Operating Characteristic Curve (ROC-AUC).

This master thesis aims to provide an in-depth comparison of four texture algorithms in their capacity of discriminating patients with osteoarthritis (OA) from the ones without, recognizing early signs of Osteoarthritis and tracking disease progression from 2D radiographs of the knee trabecular bone (TB). Given the fractal properties of the trabecular bone (TB), two fractal-based algorithms (Bone Variance Value (BVV) and Bone Score Value (BSV)) that try to characterize the complexity of the underlying 3D structure of the bone are presented. The third algorithm (Bone Entropy Value (BEV), based on Shannons Entropy) stems from the information theory and aims to describe the bone structure in terms of information complexity. The last algorithm (Bone Coocurrence Value (BCV)) is based on the co-occurrence matrix of an image and describes the image texture in terms of certain Haralick features. If successful, such algorithms posses a great potential to lower the costs (financial, time) associated with the diagnosis of osteoarthritis (OA) through automation of the procedure, and with the treatment. The earlier treatments and risk reduction measures are less costly than the procedures involved due to a more advanced stage of the disease (surgery, implants, etc.). First, a motivation for the detection of early osteoarthritis (OA) is given. Second, a detailed description and mathematical background of the algorithms are presented and validated on sample, artificial data. Third, the employed data sets used for classification tests are introduced. Fourth, the statistical methods and neural network models employed are presented and discussed. Fifth, the features produced by each algorithm are discussed and their independent and combined capacity of discriminating between bones with early signs of OA and healthy bones. Also the capacity of tracking OA progression through the years is quantified by statistical tests. Also in this part we present the best classification scores obtained from the most optimal neural networks for each use case. Finally, thoughts on future improvements and the generalization of the algorithms in other anatomical contexts, for other diseases or in other fields, like histology and mammography, are made. In this work we show that the state-of-the-art in OA prediction can be surpassed by utilizing only models based on texture features alone. Our gender-stratified analysis produces a prediction score of 83% for males and 81% for females in terms of Area Under the Receiver Operating Characteristic Curve (ROC-AUC).