Dokument: Algorithmen basierte Analyse konventionell-radiografischer Krankheitszeichen entzündlicher Arthritiden unter Nutzung von Techniken der Künstlichen Intelligenz
| Titel: | Algorithmen basierte Analyse konventionell-radiografischer Krankheitszeichen entzündlicher Arthritiden unter Nutzung von Techniken der Künstlichen Intelligenz | |||||||
| Weiterer Titel: | Algorithm-based analysis of conventional radiographic signs of inflammatory arthritis using artificial intelligence techniques | |||||||
| URL für Lesezeichen: | https://docserv.uni-duesseldorf.de/servlets/DocumentServlet?id=65838 | |||||||
| URN (NBN): | urn:nbn:de:hbz:061-20240521-093926-6 | |||||||
| Kollektion: | Dissertationen | |||||||
| Sprache: | Deutsch | |||||||
| Dokumententyp: | Wissenschaftliche Abschlussarbeiten » Dissertation | |||||||
| Medientyp: | Text | |||||||
| Autor: | Kors, Matthias Benedikt [Autor] | |||||||
| Dateien: |
| |||||||
| Beitragende: | PD Dr. med Philipp Sewerin [Gutachter] PD Dr. med. Christoph Schleich [Gutachter] | |||||||
| Stichwörter: | Künstliche Intelligenz, Neural Network, Rheumatoide Arthritis, CNN | |||||||
| Dewey Dezimal-Klassifikation: | 600 Technik, Medizin, angewandte Wissenschaften » 610 Medizin und Gesundheit | |||||||
| Beschreibungen: | Hintergrund: Erkrankungen des rheumatischen Formenkreises betreffen bis zu 1% der deutschen Bevölkerung und können unbehandelt zu starken Gelenkdeformationen und erheblicher Beeinträchtigung der Lebensqualität führen. Zur frühzeitigen Erkennung von strukturellen Schäden am Knochen wurden standardisierte Scoring Methoden entwickelt, welche eine hohe Reliabilität bei der Bewertung erosiver Veränderungen aufweisen. Jedoch ist die Anwendung dieser Methoden zeitaufwändig und bedarf speziell geschulten Personals, wodurch eine Anwendung außerhalb klinischer Studien erschwert wird. Eine Automatisierung dieser Methoden könnte die Qualität der Diagnostik erhöhen und Blindbereiche schließen.
Ziele: Das Ziel dieser Arbeit war die Entwicklung eines künstlichen neuronalen Netzwerks - convolutional neural network (CNN) zur reliablen und automatisierten Analyse und Bewertung erosiver Veränderungen in konventionell-radiografischen Bilddatensätzen. Methoden: Aus den Datenbanken des Instituts für Diagnostische und Interventionelle Radiologie sowie der Klinik für Rheumatologie und des Hiller Forschungszentrums für Rheumatologie des Universitätsklinikums Düsseldorf wurden 300 Röntgenstandardaufnahmen beider Hände in anterior-posterior Projektion von 119 gesichert an einer rheumatoiden Arthritis (RA) bzw. Psoriasis Arthritis erkrankten Patient:innen gesammelt und mithilfe des validierten Sharp van der Heijde Scores (SvdH) auf Erosionsausprägung analysiert. Zur simultanen Erkennung und Analyse der Gelenkregionen wurde ein Netzwerk auf Basis des RetinaNet genutzt. Die Patient:innen wurden auf 3 Datensätze aufgeteilt: Trainings-, Validierungs- und Testdatensatz. Im Training wurde das Netzwerk optimiert und angepasst. Die manuell zugewiesenen SvdH-Scores und Gelenkkoordinaten dienten hierfür als Grundlage. Der Validierungsdatensatz diente der Überprüfung der Leistungsentwicklung des Netzwerks während des Trainings. Die Genauigkeit, den Gelenken die korrekten SvdH-Scores zuzuordnen, wurde schlussendlich am bisher ungesehenen Datensatz, dem Testdatensatz, überprüft. Im Rahmen der Auswertung wurde sowohl die Übereinstimmung der vom Netzwerk mit dem vom menschlichen Befunder zugeordneten Scores als auch die Übereinstimmung des menschlichen Befunders mit sich selbst nach 6 Monaten bestimmt. Ergebnisse: Die Übereinstimmung der vom Netzwerk mit dem vom menschlichen Befunder zugeordneten Scores lag über alle Erosionsklassen bei 94%. Eine besonders hohe Übereinstimmung zeigte sich bei der Klassifikation von Gelenken mit einem SvH-Score von 0 bzw. 5. Im Vergleich der beiden Bewertungszeitpunkte lag die Übereinstimmungsgenauigkeit der manuellen Befundung bei 88,5%. Dabei lag die maximale Abweichung des menschlichen Befunders zwischen den zwei Bewertungszeitpunkten bei einem Erosionsgrad. Diskussion: Wir konnten im Rahmen dieser Arbeit zeigen, dass unser Ansatz auf Basis des RetinaNet eine hohe Genauigkeit bei der Lokalisation und Bewertung erosiver Veränderungen aufweist. Insbesondere in anatomisch komplexen Regionen wie der Handwurzel konnte im Vergleich zu früheren Ansätzen eine hohe Genauigkeit erreicht werden. Eine Vergrößerung des Datensatzes könnte zur Erhöhung der Reliabilität des Systems im Verlauf beitragen. Auch die Implementierung der im SvdH Score ebenfalls bewerteten Gelenkspaltverschmälerung könnte darüber hinaus die Anwendbarkeit des Systems im klinischen Kontext erweitern.Background: Rheumatic diseases affect up to 1% of the German population and can lead to severe joint deformities and considerable impairment of quality of life if left untreated. For early detection of structural bone damage, standardized scoring methods have been developed which show high reliability in the assessment of erosive changes. However, the application of these methods is time-consuming and requires specially trained personnel, making them difficult to use outside clinical trials. Automation of these methods could increase the quality of diagnostics and close blind spots. Objectives: The aim of this study was to develop a convolutional neural network (CNN) for reliable and automated analysis and evaluation of erosive change in conventionally radiographic image datasets. Methods: From the databases of the Institute of Diagnostic and Interventional Radiology and the Department of Rheumatology and the Hiller Research Center for Rheumatology of the University Hospital Düsseldorf, 300 standard radiographs of both hands in anterior-posterior projection of 119 confirmed patients with rheumatoid arthritis (RA) or Psoriasis Arthritis (PsA) were collected and analyzed for erosive changes using the validated Sharp van der Heijde score (SvdH). A network based on RetinaNet was used for the simultaneous detection and analysis of the joint regions. The patients were divided into 3 data sets: Training-, Validation- and Test-Set. In Training, the network was optimized and adjusted. The manually assigned SvdH scores and joint coordinates served as the ground truth. The Validation-Set was used to check the performance evolution of the network during training. The accuracy of assigning the correct SvdH scores to the joints was finally verified on the previously unseen dataset, the Test-Set. As part of the evaluation, both the agreement of the scores assigned by the network with the scores assigned by the human assessor and the agreement of the human assessor with itself after 6 months were determined. Results: The agreement of the scores assigned by the network with the scores assigned by the human diagnostician was 94% across all erosion classes. Particularly high agreement was seen in the classification of joints with SvH scores of 0 and 5, respectively. Comparing the two assessment time points, the agreement accuracy of the manual findings was 88.5%, while the maximum deviation of the human assessor between the two evaluation times was one degree of erosion. Discussion: In this work we could show that our approach based on the RetinaNet has a high accuracy in localizing and evaluating erosive changes. Especially in anatomically complex regions like the carpus, a high accuracy could be achieved compared to previous approaches. Increasing the size of the data set could help to increase the reliability of the system even further. Additionally, the implementation of the joint space narrowing, which is also assessed in the SvdH score, could extend the applicability of the system in a clinical context. | |||||||
| Quelle: | Radke, K.L.; Kors, M.; Müller-Lutz, A.; Frenken, M.; Wilms, L.M.; Baraliakos, X.; Wittsack, H.-J.; Distler, J.H.W.; Abrar, D.B.; Antoch, G.; Sewerin, P.
Adaptive IoU Thresholding for Improving Small Object Detection: A Proof-of-Concept Study of Hand Erosions Classification of Patients with Rheumatic Arthritis on X-ray Images. Diagnostics 2023, 13, 104. | |||||||
| Lizenz: |  Dieses Werk ist lizenziert unter einer Creative Commons Namensnennung 4.0 International Lizenz | |||||||
| Bezug: | 2024 | |||||||
| Fachbereich / Einrichtung: | Medizinische Fakultät | |||||||
| Dokument erstellt am: | 21.05.2024 | |||||||
| Dateien geändert am: | 21.05.2024 | |||||||
| Promotionsantrag am: | 26.07.2023 | |||||||
| Datum der Promotion: | 25.04.2024 |
