Περίληψη
Η οστεοαρθρίτιδα γονάτου αποτελεί μια από τις πιο κοινές παθήσεις του μυοσκελετικού συστήματος, επηρεάζοντας εκατομμύρια ανθρώπους ανά την υφήλιο. Η νόσος χαρακτηρίζεται από μια προοδευτική εκφύλιση του αρθρικού χόνδρου, συνοδευόμενη από πόνο, δυσκαμψία και περιορισμό της κινητικότητας της άρθρωσης. Η έγκαιρη διάγνωση και η παρακολούθηση της εξέλιξης της οστεοαρθρίτιδας είναι κρίσιμες για την αποτελεσματική της διαχείριση και τη βελτίωση της ποιότητας ζωής των ασθενών. Ιατρικές απεικονίσεις όπως οι ακτινολογικές εικόνες (X-ray) και οι μαγνητικές τομογραφίες (MRI) αποτελούν μερικά από τα πιο αξιόπιστα εργαλεία στα χέρια των ειδικών υγείας για την απεικόνιση των μαλακών ιστών, συμπεριλαμβανομένου του αρθρικού χόνδρου, καθιστώντας τες κατ' αυτόν τον τρόπο ιδανικές για την αξιολόγηση της οστεοαρθρίτιδας, καθώς και για την εκτίμηση της προοδευτικής πορείας της νόσου. Ο σκοπός της παρούσας διατριβής είναι διττός: Αφενός, πρώτος στόχος είναι η ανάπτυξη μεθόδων μηχανικής και βαθιάς μάθησης για ...
Η οστεοαρθρίτιδα γονάτου αποτελεί μια από τις πιο κοινές παθήσεις του μυοσκελετικού συστήματος, επηρεάζοντας εκατομμύρια ανθρώπους ανά την υφήλιο. Η νόσος χαρακτηρίζεται από μια προοδευτική εκφύλιση του αρθρικού χόνδρου, συνοδευόμενη από πόνο, δυσκαμψία και περιορισμό της κινητικότητας της άρθρωσης. Η έγκαιρη διάγνωση και η παρακολούθηση της εξέλιξης της οστεοαρθρίτιδας είναι κρίσιμες για την αποτελεσματική της διαχείριση και τη βελτίωση της ποιότητας ζωής των ασθενών. Ιατρικές απεικονίσεις όπως οι ακτινολογικές εικόνες (X-ray) και οι μαγνητικές τομογραφίες (MRI) αποτελούν μερικά από τα πιο αξιόπιστα εργαλεία στα χέρια των ειδικών υγείας για την απεικόνιση των μαλακών ιστών, συμπεριλαμβανομένου του αρθρικού χόνδρου, καθιστώντας τες κατ' αυτόν τον τρόπο ιδανικές για την αξιολόγηση της οστεοαρθρίτιδας, καθώς και για την εκτίμηση της προοδευτικής πορείας της νόσου. Ο σκοπός της παρούσας διατριβής είναι διττός: Αφενός, πρώτος στόχος είναι η ανάπτυξη μεθόδων μηχανικής και βαθιάς μάθησης για την αυτόματη τμηματοποίηση του αρθρικού χόνδρου του γόνατος (μηριαίου και κνημιαίου) από μαγνητικές τομογραφίες. Αφετέρου, χρησιμοποιώντας τις τεχνικές που αναπτύσσονται στο πρώτο μέρος ώστε να παραχθούν τμηματοποιήσεις,στόχος είναι η ανάπτυξη διαχρονικών μοντέλων εκτίμησης του ρίσκου εμφάνισης οστεοαρθρίτιδας, καθώς και της εκτίμησης της πορείας της νόσου εφόσον αυτή έχει ήδη παρουσιαστεί. Η διατριβή συνθέτει έξι δημοσιευμένες ερευνητικές εργασίες οργανωμένες σε τρία μέρη που ακολουθούν μία ενιαία μεθοδολογική πορεία: (Ι) Τμηματοποίηση χόνδρου μέσω πολλαπλών ατλάντων και ημι-επιβλεπόμενης μάθησης· (ΙΙ) Τμηματοποίηση μέσω συνελικτικών δικτύων γράφων και υπεργράφων· (ΙΙΙ) Διαμήκης πρόβλεψη εξέλιξης της νόσου μέσω χωροχρονικών δικτύων υπεργράφων. Συγκεκριμένα, σε πρώτο στάδιο προτείνεται μια οικογένεια αλγορίθμων για την αυτόματη τμηματοποίηση μαγνητικών τομογραφιών μέσω της μεθόδου διάδοσης ετικετών κατά τμήματα. Στη συνέχεια, η ανωτέρω διαδικασία εντάσσεται στο πλαίσιο της βαθιάς μάθησης, μέσω της χρήσης καινοτόμων αρχιτεκτονικών που βασίζονται στα νευρωνικά δίκτυα γραφημάτων και υπερ-γραφημάτων. Τέλος, τα παραπάνω μοντέλα εμπλουτίζονται ώστε να καταστεί δυνατή η εκτίμηση της πορείας της νόσου, μέσω της εισαγωγής της χρονικής συνιστώσας στο αρχιτεκτονικό τους πλαίσιο. Η έξοδος των σταδίων τμηματοποίησης τροφοδοτεί άμεσα τα στάδια πρόβλεψης, μέσω της αναπαράστασης του τρισδιάστατου χόνδρου ως γραφήματος ογκομετρικών κόμβων που εξάγει ένα συμπαγή περιγραφέα σχήματος.Οι προτεινόμενες μέθοδοι εφαρμόζονται σε μια εκτεταμένη αποθήκη δεδομένων (Osteoarthritis Initiative - OAI) η οποία, μεταξύ άλλων, περιλαμβάνει μαγνητικές και ακτινολογικές εικόνες από ασθενείς οι οποίοι παρακολουθήθηκαν επί μια σειρά ετών, καθώς και επιπλέον δεδομένα δημογραφικού χαρακτήρα (ηλικία, φύλο, δείκτης μάζας σώματος), τα οποία μπορούν να συνδράμουνστην ακριβέστερη εκτίμηση της πορείας της νόσου.Τα αποτελέσματα που προκύπτουν από την εφαρμογή των προτεινόμενων μεθόδων είναι ενθαρρυντικά: στην τμηματοποίηση χόνδρου επιτυγχάνεται συντελεστής Dice έως 96%, συγκρίσιμος με τη συμφωνία εξειδικευμένων ακτινολόγων, ενώ στη διαμήκη πρόβλεψη εξέλιξης επιτυγχάνεται AUC ~0.94 για ορίζοντες έως 8 ετών με βάση το διαθέσιμο ιστορικό. Τα παραπάνω αποτελέσματα αποδεικνύουν ότι η συνδυαστική αξιοποίηση δομικής πληροφορίας μέσω γράφων/υπεργράφων, πολλαπλών όψεων και χωροχρονικής μοντελοποίησης αποτελεί μια πολλά υποσχόμενη κατεύθυνση για υπολογιστικές λύσεις προσωποποιημένης ιατρικής στην οστεοαρθρίτιδα γόνατος.
περισσότερα
Περίληψη σε άλλη γλώσσα
Knee osteoarthritis is one of the most common musculoskeletal disorders, affecting millions of people worldwide. The disease is characterized by progressive degeneration of the articular cartilage, accompanied by pain, joint stiffness, and limited joint mobility. Early diagnosis and monitoring of the progression of osteoarthritis are crucial for its effective management and improving patients’ quality of life. Medical imaging such as X‐rays and magnetic resonance imaging (MRI) are some of the most reliable tools available to healthcare professionals for imaging soft tissues, including articular cartilage, making them ideal for assessing osteoarthritis and evaluating the progressive course of the disease. The purpose of this thesis is twofold: On the one hand, the first objective is to develop machine and deep learning methods for the automatic segmentation of knee articular cartilage (femoral and tibial) from magnetic resonance images. On the other hand, using the techniques developed ...
Knee osteoarthritis is one of the most common musculoskeletal disorders, affecting millions of people worldwide. The disease is characterized by progressive degeneration of the articular cartilage, accompanied by pain, joint stiffness, and limited joint mobility. Early diagnosis and monitoring of the progression of osteoarthritis are crucial for its effective management and improving patients’ quality of life. Medical imaging such as X‐rays and magnetic resonance imaging (MRI) are some of the most reliable tools available to healthcare professionals for imaging soft tissues, including articular cartilage, making them ideal for assessing osteoarthritis and evaluating the progressive course of the disease. The purpose of this thesis is twofold: On the one hand, the first objective is to develop machine and deep learning methods for the automatic segmentation of knee articular cartilage (femoral and tibial) from magnetic resonance images. On the other hand, using the techniques developed in the first part to produce accurate segmentations, the goal is to develop longitudinal models for assessing the risk of osteoarthritis, as well as forecasting the course of the disease once it has already developed. This thesis synthesizes six published research papers organized into three parts that follow a unified methodological trajectory: (I) cartilage segmentation via multi‐atlas registration and semi‐supervised learning; (II) cartilage segmentation via graph and hypergraph convolutional networks; and (III) longitudinal prediction of disease progression via spatio‐temporal hypergraph networks. In the first stage, a family of algorithms is proposed for the automatic segmentation of magnetic resonance imaging using a patch‐based label propagation method. Subsequently, the above process is integrated into the framework of deep learning through the use of innovative architectures based on graph and hypergraph neural networks. Finally, the above models are enriched to enable the assessment of disease progression through the introduction of the temporal component into their architectural framework. The output of the segmentation stages feeds directly into the prediction stages, via a three‐dimensional representation of cartilage as a volumetric‐node graph from which a compact shape descriptor is extracted. The proposed methods are applied to an extensive data repository (Osteoarthritis Initiative — OAI) which, among other things, includes magnetic and radiological images from patients who have been monitored over a number of years, as well as additional demographic data (age, gender, body mass index), which can contribute to a more accurate assessment of the course of the disease. The results obtained from the application of the proposed methods are encouraging: for cartilage segmentation, the methods achieve a Dice similarity coefficient of up to 96%, comparable to the agreement of expert radiologists; for longitudinal progression prediction, they achieve an AUC of approximately 0.94 over prediction horizons of up to 8 years, depending on the available history. These results demonstrate that the combined exploitation of structural information via graphs and hypergraphs, multiple complementary views, and spatio‐temporalmodeling constitutes a promising direction for personalized computational medicine in knee osteoarthritis. Keywords: knee osteoarthritis, cartilage segmentation, magnetic resonance imaging, semi‐supervised learning, graph neural networks, hypergraphs, spatio‐temporal models, longitudinal prediction.
περισσότερα