Polven nivelrikon vakavuuden arviointi röntgenkuvista ohjaamattoman oppimisen keinoin
Tutkielman tavoitteena oli toteuttaa automaattinen menetelmä polven nivelrikkoon liittyvien muuttujien laskemiseen röntgenkuvista ja selvittää minkälainen klusterointi saadaan aikaan laskettujen muuttujien perusteella. Muuttujat laskettiin reunantunnistukseen perustuvalla menetelmällä ja menetelmää...
| Main Author: | |
|---|---|
| Other Authors: | , , , , , |
| Format: | Master's thesis |
| Language: | fin |
| Published: |
2020
|
| Subjects: | |
| Online Access: | https://jyx.jyu.fi/handle/123456789/67526 |
| Summary: | Tutkielman tavoitteena oli toteuttaa automaattinen menetelmä polven nivelrikkoon liittyvien muuttujien laskemiseen röntgenkuvista ja selvittää minkälainen klusterointi saadaan aikaan laskettujen muuttujien perusteella. Muuttujat laskettiin reunantunnistukseen perustuvalla menetelmällä ja menetelmää arvioitiin tarkastelemalla laskettujen muuttujien yhteyksiä aineistossa oleviin asiantuntijoiden tekemiin nivelrikon vakavuusluokituksiin Osteoarthritis Initiative:n kokoamassa aineistossa. Lopulta menetelmän avulla laskettujen arvojen perusteella tehtiin klusterointi K-means++-algoritmia käyttäen. Klusteroinnin
havaittiin yleisestä nivelrikon vakavuuden arviointiin tarkoitetusta luokittelujärjestelmästä
KL-luokituksesta poiketen jakavan vakavan nivelrikon mediaaliseen ja lateraaliseen sen perusteella, kummallako puolella nivelrikkoon liittyvät havainnot tehtiin. Lisäksi varhaisen nivelrikon havaittiin jakautuvan kahtia eminentian terävöitymisestä laskettujen muuttujien perusteella.
The aim of this thesis was to implement an automatic method for calculating
features related to osteoarthritis of the knee from X-ray images and to find out what kind of a clustering can be achieved using the calculated features. The features were calculated using a
method based on edge detection and the results were evaluated by reviewing the connections between the calculated variables and severity classifications done by field experts in data collected by Osteoarthritis Initiative. Finally the calculated variables were clustered using the K-means++-algorithm. The clustering was found to divide severe osteoarthritis into two groups based on whether the findings related to osteoarthritis were found on the lateral or the medial side of the knee. Also early osteoarthritis was found to be divided into two groups based on the calculated variables regarding sharpening of the tibial eminence.
|
|---|