Convolutional neural networks in osteoporotic fracture risk prediction using spine DXA images
Year: 2019
Type: dissertation
Abstract: Tiivistelmä: Osteoporoosi on luustoa haurastuttava sairaus, joka altistaa luunmurtumille ja vakaville seurannaisongelmille. Arvioiden mukaan yli 200 miljoonaa ihmistä kärsii osteoporoosista maailmanlaajuisesti.Diagnostiikan kehityksen myötä osteoporoosi on kuitenkin mahdollista havaita jo ennen murtumien syntymistä.Jos murtumariski havaitaan ajoissa, ennaltaehkäisevällä hoidolla ja elämäntapamuutoksilla voidaan parantaa potilaan elämänlaatua ja säästää hoitokustannuksissa.Osteoporoosin diagnoosi perustuu kaksienergisellä röntgenabsorptiometrialla (DXA) tehtävään luuntiheysmittaukseen.Kohdealueen luustosta muodostuu kuva, josta luuntiheysarvo määritetään.Luuntiheysarvo itsessään ennustaa murtumariskiä kuitenkin vain välttävästi, joten vaihtoehtoisille ennustemalleille on tarvetta.Viime vuosina syväoppiminen ja erityisesti konvoluutioneuroverkot ovat tuottaneet vaikuttavia tuloksia kuvantunnistuksessa.Ne ovat osoittaneet toimivuutensa myös lääketieteen ja ortopedian kuva-analyysiongelmissa. Tämän tutkimuksen tavoitteena on selvittää, voidaanko konvoluutioneuroverkoilla ennustaa osteoporoottista murtumariskiä selkärangan DXA-kuvista.Lupaavimpia tutkimussuuntia tällaisten ennustemallien kehitykselle tutkitaan kokeellisesti erilaisten arkkitehtuurien avulla.Tutkimus tarkastelee myös, miten syväoppimiseen yleisesti liittyvät oppimisnopeuden ja läpinäkyvyyden ongelmat ilmenevät DXA-kuvien analysoinnissa, ja miten niitä voitaisiin ehkäistä.
Author: Tomi Nissinen
Language: English
Subfield: Orthopedics and Sports Medicine
Field: Medicine
Domain: Health Sciences
Open Access status: green
OpenAlex ID: W3213240347