Titelaufnahme

Titel
Computational assessment of bone microarchitecture in the diagnosis of osteoporosis / submitted by Alexander Valentinitsch
VerfasserValentinitsch, Alexander
Begutachter / BegutachterinLangs, Georg ; Kainberger, Franz
Erschienen2014
UmfangV, 172 Bl. : Ill., graph. Darst.
HochschulschriftWien, Med. Univ., Diss., 2014
Anmerkung
Zsfassung in dt. Sprache
Quelle der Aufnahme
Automated threshold-independent cortex segmentation by 3D-texture analysis of HR-pQCT scans; Bone. 2012 Sep;51(3):480-7 / Computational identification and quantification of trabecular microarchitecture classes by 3-D texture analysis-based clustering; Bone. 2013 May;54(1):133-40
SpracheEnglisch
Bibl. ReferenzOeBB
DokumenttypDissertation
Schlagwörter (DE)Osteoporose / HR-pQCT / Multidetektor-CT / Texturanalyse / Clustering / Knochenmikroarchitektur / Computer Vision / Trabekuläre Mikroarchitektur Klassen
Schlagwörter (EN)osteoporosis / HR-pQCT / multi-detector CT / texture analysis /clustering / bone microarchitecture / computer vision / trabecular microarchitecture classes (TMAC)
URNurn:nbn:at:at-ubmuw:1-1001 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Computational assessment of bone microarchitecture in the diagnosis of osteoporosis [28.59 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Englisch)

In osteoporosis the assessment of the bone health status is important to identify fracture risk before are fragility fracture occurs. Invasive bone biopsies might be replaced by in-vivo virtual biopsies using high resolution peripheral quantitative computed tomography (HR-pQCT), which provide insights of the bone micrarchitecture at trabecular scale. Histomorphometry is usually applied to theses tomographic images by using stereology methods, however only a few post-processing methods capture image features beyond these global-based measurements.

The high isotropic spatial resolution of HR-pQCT scans has the potential to provide more insights of the bone microarchitecture, nevertheless the high information density needs to be processed to extract relevant features describing the the different bone patterns. The objective of the thesis is to develop a novel post processing technique of in-vivo images by classifying the bone microarchitecture with 3D-texture analysis in a supervised and unsupervised learn- ing manner. Since we are only interested in the trabecular compartment, it is necessary to have an accurate and reproducible segmentation algorithm. For this reason, we introduce a reproducible and novel segmentation approach for HR-pQCT data, which uses a fully automated threshold-independent image analysis algorithm based on local texture features. Texture analysis is used for feature extraction describing the bone microarchitecture by a statistical approach that captures the distribution and relationship of the intensities in an image. Clustering is applied to these extracted texture features which result in distinctive trabecular microarchitecture classes (TMACs). These classes represent trabecular bone regions with common texture characteristics representing different patterns of the bone.

Experimental results demonstrate the feasibility of 3D-texture analysis and trabecular bone clustering on HR-pQCT images of the ultradistal radius. These experiments include a preliminary application of the technique to a small set of HR-pQCT scans of postmenopausal women with and without fragility fractures. In addition, the clinical applicability of our method using a routine clinical multi detector computed tomography (MDCT) with optimized scan protocols shows promising results in advanced osteoporosis imaging and assessment.

Zusammenfassung (Deutsch)

Entscheidend bei der Erkennung von Osteoporose ist das Frakturrisiko vorherzubestimmen. Mit neuen Bildgebendenverfahren, wie etwa dem hochauflösenden peripheren quantitativen CT (HR-pQCT), ist es möglich eine nicht-invasive Beurteilung der kortikalen und trabekulären Mikroarchitektur des Knochens zu erlangen. Es besteht großes Forschungsinteresse, die Bildeigenschaften dieser hochauflösenden Bilder zu beschreiben, die über die Standardbeurteilung von Osteoporose hinausgehen. Die 3D-Texturanalyse ist ein wichtiger Ansatz in der Computer Vision und könnte bei der Quantifizierung von struktur-basierten Metriken im Knochen von Bedeutung sein.

Motiviert durch die hohe isotrope räumliche Auflösung und die enorme Informationsdichte der HR-pQCT Aufnahmen, ist das Ziel dieser Arbeit einen Nachbearbeitungsalgorithmus zu entwickeln, welcher die Knochenmikroarchitektur mittels Texturanalyse und Clustering quantifiziert. Da wir nur am trabekulären Knochen interessiert sind, besteht die Notwendigkeit eines akkuraten und reproduzierbaren Segmentierungsalgorithmus. Aus diesem Grund wird eine reproduzierbarere und voll automatische Segmentierungsmethode für HR-pQCT Daten eingesetzt, die nicht auf einem Schwellwertverfahren basiert, sondern mittels Einbindung lokaler Texturmerkmale erfolgt.

Texturanalyseverfahren werden eingesetzt, um Texturemerkmale der Knochenmikroarchitektur statistisch zu beschreiben. Dabei werden die Verteilung und das Verhältnis der Bildintensitäten erfasst, die dann weiter verbreitet werden können. Clustering wird auf diesen extrahierten Texturmerkmalen eingesetzt, die zur Bestimmung charakteristischer "Trabekulärer Mikroarchitektur Klassen" führen. Diese Klassen repräsentieren Regionen im trabekulären Knochen, die gemeinsame Textureigenschaften aufweisen, um die verschiedenen architektonischen Muster des Knochens zu beschreiben.

Experimentelle Ergebnisse demonstrieren die Durchführbarkeit von 3D-Texturanalysen und Clustering in trabekulärem Knochen, die an einer kleinen klinischen Kohorte von postmenopausalen Frauen mit und ohne Frakturen getestet worden sind. Darüber hinaus zeigt die klinische Anwendbarkeit der Methode unter Verwendung eines routinemäßigen klinischen Multidetektor-CTs (MDCT) mit optimierten Scan-Protokollen vielversprechende Ergebnisse in der Bildgebung und Osteoporosediagnostik.