Medizinische Universität Graz - Research portal
Selected Publication:
Pritsch, A.
Automatische Erkennung der patello - femoralen Trochleadysplasie in digitalen Röntgenaufnahmen mittels Maschinenlernen – eine retrospektive Studie
Humanmedizin; [ Diplomarbeit ] Medizinische Universität Graz; 2023. pp. 68
[OPEN ACCESS]
FullText
- Authors Med Uni Graz:
- Advisor:
- Kraus Tanja
- Tschauner Sebastian
- Altmetrics:
- Abstract:
- Einleitung: Die femorale Trochleadysplasie ist einer der gewichtigsten Risikofaktoren für die Patellaluxation. Betroffen sind vor allem Jugendliche im Zusammenhang mit sportlicher Betätigung. Bei einer Patellaluxation kann mittels Röntgenbild eine Trochleadysplasie diagnostiziert und mittels Dejour Klassifikation eingeteilt werden. Einige Convolutional Neural Network - Modelle konnten in der Vergangenheit bereits Meilensteine in Bezug auf Mustererkennung in Bilddaten beziehungsweise Unterscheidung zwischen pathologischen und nicht pathologischen Bildern setzen. Deep learning Modelle könnten daher auch bei der Erkennung einer femoropatellaren Dysplasie eine wichtige Rolle spielen. Methode: Retrospektiv wurden am Universitätsklinikum Graz, Abteilung für Orthopädie und Traumatologie, Sektion Kinder – und Jugendorthopädie Röntgenbilder von Patient*innen mit diagnostizierten Patellaluxationen ausgehoben. Die Bilder wurden anonymisiert und anschließend nach Dejour A-D klassifiziert. Zusätzlich wurde eine Vergleichsdatenbank aus kindertraumatologischen Röntgenbildern angefertigt, die keine Trochleadysplasie aufwiesen („N“). Beide Datenbanken wurden für das Training von zwei verschiedenen AI- Modellen (EfficientNet B4, YOLOv5) verwendet. Ergebnis: EfficientNet B4: Im Testdurchlauf konnten 98,75% der Bilder der Gruppe N (keine Trochleadysplasie) als nicht pathologisch klassifizieren, jedoch ergab die Unterscheidung der einzelnen Subtypen A-D nach Dejour weniger hohe Vorhersagewahrscheinlichkeiten. YOLOv5 Objekterkennung: Dabei wurden in der Gruppe Control (keine Trochleadysplasie) 97% der präsentierten Knie Röntgenbilder korrekt zugeordnet, die Unterscheidung der einzelnen Subgruppen Dejour A-D führte aber zu etwas schwächerenVorhersageraten zwischen 5% und 60%. Bezogen auf die Gesamtheit einer femoralen Trochleapathologie (Dejour A-D) konnte mit YOLOv5 mit 90% Wahrscheinlichkeit die Pathologie erkennen und der richtigen Gruppe zuordnen. Die Gruppe Negative Control erreichte einen Wert von 91% Vorhersagewahrscheinlichkeit. Diskussion: CNN-Algorithmen konnten in unterschiedlich präziser Art und Weise pathologische von nicht pathologischen seitlichen Knie Röntgenbildern unterscheiden. Verschiedene Parameter beeinflussen aber die Art und Weise, wie genau die Analyse der Röntgenbilder durchgeführt werden kann. Eine geringe Stichprobe führt einerseits zu einer Abnahme der Genauigkeit, sowie auch die zum Teil nicht streng seitlich eingestellten Röntgenbildaufnahmen. Jedoch konnte in dieser Arbeit gezeigt werden, dass es möglich ist, Algorithmen für die Unterscheidung der femoropatellaren Trochleadysplasie zu trainieren, um mit ihnen automatisierte Beurteilungen vornehmen zu lassen.