University of Oulu

Computed tomography assessment of low-energy acetabular fractures in the elderly

Saved in:
Author: Gebre, Robel Kebede1,2,3,4
Organizations: 1University of Oulu Graduate School
2University of Oulu, Faculty of Medicine, Medicine, Research Unit of Medical Imaging, Physics and Technology (MIPT)
3University of Oulu, Faculty of Medicine, Medicine, Medical Research Center Oulu
4Oulu University Hospital
Format: ebook
Version: published version
Persistent link: http://urn.fi/urn:isbn:9789526229188
Language: English
Published: Oulu : University of Oulu, 2021
Publish Date: 2021-05-27
Thesis type: Doctoral Dissertation
Defence Note: Academic dissertation to be presented with the assent of the Doctoral Training Committee of Health and Biosciences of the University of Oulu for public defence in the Leena Palotie auditorium (101A) of the Faculty of Medicine (Aapistie 5 A), on 3 June 2021, at 12 noon
Tutor: Professor Timo Jämsä
Doctor Jukka Hirvasniemi
Professor Juhana Leppilahti
Reviewer: Professor Karl Jepsen
Professor Hannu Eskola
Opponent: Professor Jari Hyttinen
Description:

Abstract

Low-energy acetabular fractures (LEAFs) are osteoporotic pelvic fractures. The clinical diagnosis of acetabular fractures is conducted using computed tomography (CT) imaging. A LEAF is typically a result of a sideways fall and the common fracture patterns are fractures of the anterior column, anterior wall, anterior with a posterior hemi-transverse and an anteromedial dislocation of the femoral head. The fall mechanisms and the recurrent fracture patterns of LEAFs have previously been investigated. However, the etiology of LEAFs still remains unclear. Hence, the aim of this thesis was to elucidate the biomechanical and structural risk factors associated with low-energy acetabular fractures in the elderly.

The study data consisted of clinical CT images of subjects with acetabular fractures (n=121) and their gender-age matched controls. Measurements of the proximal femur and acetabular geometry variables were made on 3-D pelvic models. 3-D regions of interest were extracted at the femoral head and the acetabulum to assess the trabecular architecture and to discriminate cases from controls using machine learning methods. Furthermore, the presence of radiographic hip osteoarthritis (rHOA) was assessed by optimizing a deep learning model.

The fracture cases showed a significantly lower neck shaft angle, longer femoral neck axis length, and a lower bone volume fraction and mean gray value (GV) at the femoral head, and a lower mean GV at the acetabulum compared to their controls. Although significant differences in rHOA distributions were not found, fracture subjects showed a higher prevalence of rHOA than the controls. In addition, the machine learning and deep learning models were able to discriminate fractures from controls as well as to classify rHOA from the CT data.

In conclusion, potential biomechanical and structural risk factors associated with low-energy acetabular fractures in the elderly were identified, using clinical CT to measure the pelvic geometry, trabecular architecture, and radiographic hip OA.

see all

Tiivistelmä

Matalaenergiset lonkkamaljan murtumat ovat osteoporoottisia lantiomurtumia, jotka kliinisesti diagnosoidaan tietokonetomografiakuvista. Matalaenerginen lonkkamaljan murtuma tyypillisesti johtuu kyljelleen kaatumisesta. Kaatumismekanismia ja murtumatyyppejä on aiemmin tutkittu, mutta muutoin matalaenergisiä lonkkamaljan murtumia on tutkittu vain vähän. Toistaiseksi niiden syntymekanismia ei tiedetä. Tämän väitöskirjatyön tarkoituksena oli selvittää matalaenergisten lonkkamaljan murtumien biomekaanisia ja rakenteellisia riskitekijöitä ikääntyvillä henkilöillä.

Tutkimusainesto koostui tietokonetomografiakuvista, jotka oli otettu henkilöistä, joiden lonkkamalja oli murtunut ja heidän ikä- ja sukupuolikontrolloiduista verrokeista. Reisiluun yläosan ja lonkkamaljan geometria mitattiin lantion kolmiulotteisista malleista. Hohkaluun rakenne arvioitiin reisiluun pään ja lonkkamaljan alueelta. Laskettuja muuttujia käytettiin koneoppimismenetelmän avulla erottamaan murtumatapaukset verrokeista. Lonkkanivelrikko arvioitiin syväoppimismenetelmällä.

Murtumatapauksilla oli pienempi reisiluun kaulan kulma, pidempi reisiluun kaula ja alhaisempi luun tiheys ja keskimääräinen harmaasävyarvo reisiluun pään alueella sekä matalampi keskimääräinen harmaasävyarvo lonkkamaljan alueella. Murtumatapauksien keskuudessa esiintyi enemmän lonkan nivelrikkoa kuin verrokeilla, mutta ero ei ollut tilastollisesti merkitsevä. Koneoppimismenetelmät onnistuivat luokittelemaan murtumatapaukset verrokeista ja syväoppimismenetelmä onnistui tunnistamaan lonkan nivelrikon tietokonetomografiakuvista.

Loppupäätelmänä voidaan todeta, että tässä väitöskirjatyössä tunnistettiin mahdollisia biomekaanisia ja rakenteellisia riskitekijöitä matalaenergisille lonkkamaljan murtumille ikääntyvien keskuudessa mittaamalla lantion geometriaa ja hohkaluun rakennetta sekä tunnistamalla lonkan nivelrikko tietokonetomografiakuvista.

see all

Osajulkaisut / Original papers

Osajulkaisut eivät sisälly väitöskirjan elektroniseen versioon / Original papers are not included in the electronic version of the dissertation.

  1. Gebre, R. K., Hirvasniemi, J., Lantto, I., Saarakkala, S., Leppilahti, J., & Jämsä, T. (2019). Structural risk factors for low-energy acetabular fractures. Bone, 127, 334–342. https://doi.org/10.1016/j.bone.2019.07.004

    Rinnakkaistallennettu versio / Self-archived version

  2. Gebre, R. K., Hirvasniemi, J., Lantto, I., Saarakkala, S., Leppilahti, J., & Jämsä, T. (2020). Discrimination of Low-Energy Acetabular Fractures from Controls Using Computed Tomography-Based Bone Characteristics. Annals of Biomedical Engineering, 49(1), 367–381. https://doi.org/10.1007/s10439-020-02563-4

    Rinnakkaistallennettu versio / Self-archived version

  3. Gebre, R. K., Hirvasniemi, J., Lantto, I., Saarakkala, S., Leppilahti, J., & Jämsä, T. A. (2021). Deep Learning Application to Study the Association Between Low-Energy Acetabular Fractures and Hip Osteoarthritis. Manuscript submitted for publication.

see all

Series: Acta Universitatis Ouluensis. D, Medica
ISSN: 0355-3221
ISSN-E: 1796-2234
ISSN-L: 0355-3221
ISBN: 978-952-62-2918-8
ISBN Print: 978-952-62-2917-1
Issue: 1611
Type of Publication: G5 Doctoral dissertation (articles)
Field of Science: 3111 Biomedicine
Subjects: