Abstract

Analysis of an image texture (TA) is an efficient way to increase the information obtained from medical images. Mathematical computations are performed to evaluate and quantitatively characterize the structure and pathology of the target tissue. Resulting variables may provide complementary information regarding the subtle macromolecular changes occurring in various diseases, such as knee osteoarthritis (OA).

OA is a common chronic disease that is characterized by disabling pain, joint dysfunction, and morphological alterations in multiple synovial joint structures. One of the structures affected in OA is the articular cartilage (AC) that provides frictionless movement and load-dampening properties for the joint articulation.

Current diagnostic tools lack sensitivity for the early stage of OA. TA combined with quantitative magnetic resonance imaging techniques, such as T2 relaxation time mapping, allow sensitive evaluation of AC degeneration and disease onset, and may lead to more accurate diagnostics, individualized treatment planning, and better patient outcomes.

The aim of this thesis was to assess two texture analysis methods, gray level co-occurrence matrix (GLCM) and local binary pattern (LBP), on the Oulu knee osteoarthritis (OKOA) dataset which comprises 80 confirmed OA patients and an equal number of healthy controls. The TA method’s ability to discern OA subjects from healthy subjects was evaluated on the whole dataset and on an early OA -stage simulating subset. Texture analyzed data included T2, T1ρ and T2ρ relaxation time maps and DESS images. Developed techniques were compared against the current mean relaxation time analysis scheme. Furthermore, the parametric outcomes of TA were subjected to machine learning classification algorithms and tested for automatic segregation of the study groups.

TA demonstrated excellent performance in discerning the study groups and appears to be more sensitive to the early changes than the current mean relaxation time focused analysis methods. TA can be applied on various quantitative contrasts and resulting outcomes can be utilized in automated classification pipelines for OA detection. TA demonstrates great potential for further research evaluations and clinical applications and these findings warrant further inquiries into the topic.

Tiivistelmä

Kuvan tekstuurin tutkiminen mahdollistaa lääketieteellisten kuvien rakenteissa piilevän strukturaalisen informaation esittämisen kvantitatiivisessa muodossa. Tekstuurianalyysimenetelmät tuovat erilaisten sairauksien, kuten polven nivelrikon, aiheuttamien kudosmuutosten seuraukset esiin laskennallisin keinoin.

Polven nivelrikko on yleinen, elämänlaatua laajasti heikentävä sairaus. Nivelrikossa polven ruston makromolekyyliympäristö muuttuu ja kudosta koossa pitävät tukirakenteet heikkenevät. Normaalisti nivelrusto vastaa nivelen lähes kitkattomasta liikkeestä ja toimii merkittävänä iskuja vaimentavana tukityynynä. Ruston vaurioituminen aiheuttaakin usein huomattavia kipuja sekä nivelen toiminnan ja yleisen toimintakyvyn merkittävää heikkenemistä. Nivelruston uusiutumiskyky on erittäin heikko, ja alkavat muutokset tulisi näin ollen pyrkiä tunnistamaan mahdollisimman varhaisessa vaiheessa.

Nykyisin nivelrikkodiagnostiikassa käytettävät menetelmät eivät ole erityisen herkkiä alkavan vaurion tunnistamisessa. Tekstuurianalyysimenetelmät yhdistettyinä ruston rakenneosasten koostumusta mittaaviin kvantitatiivisiin kuvantamismenetelmiin, kuten T2-relaksaatioaikakartoitukseen, mahdollistavat uudenlaisen työkalun kehittämisen. Työkalulla voidaan parantaa diagnostiikan tarkkuutta, potilaan ennustetta ja hoitomenetelmiä.

Tässä väitöskirjassa tutkitaan kahden erilaisen tekstuurianalyysimenetelmän soveltuvuutta nivelrikkodiagnostiikkaan. Käytetyt menetelmät ovat gray level co-occurrence matrix, joka perustuu harmaasävyjen yhteisesiintyvyyksiin kuvassa, ja local binary pattern, jossa tutkitaan kynnysarvoistetun kuvan rakenteiden suuntautumista. Menetelmien herkkyyttä erottaa nivelrikkopotilaat terveistä verrokeista tutkitaan testiaineistolla ja verrataan nykyisin käytössä oleviin menetelmiin. Analyysit suoritettiin T2-, T1ρ- ja T2ρ-relaksaatioaikakartoille sekä DESS-kuville. Tekstuurianalyysin tuottamaa parametrimuotoista dataa käytetään lisäksi koneoppimispohjaisten luokittelualgoritmien kehittämisessä. Algoritmien tavoitteena on erottaa tutkittavat ryhmät automaattisesti toisistaan.

Tekstuurianalyysimenetelmät osoittautuivat tässä väitöskirjatutkimuksessa erittäin herkiksi työkaluiksi nivelrikon aiheuttamien muutosten tunnistamisessa. Myös alkavan vaiheen nivelrikon tunnistaminen onnistui luotettavasti. Tekstuurianalyysia voidaan soveltaa monenlaisiin lähdekuviin, ja tuotettu data soveltuu automaattisten luokitinalgoritmien kehittämiseen.

Osajulkaisut / Original papers

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

1. Peuna, A., Hekkala, J., Haapea, M., Podlipská, J., Guermazi, A., Saarakkala, S., Nieminen, M. T., & Lammentausta, E. (2018). Variable angle gray level co-occurrence matrix analysis of T2 relaxation time maps reveals degenerative changes of cartilage in knee osteoarthritis: Oulu knee osteoarthritis study. Journal of Magnetic Resonance Imaging, 47(5), 1316–1327. https://doi.org/10.1002/jmri.25881

2. Peuna, A., Thevenot, J., Saarakkala, S., Nieminen, M. T., & Lammentausta, E. (2021). Machine learning classification on texture analyzed T2 maps of osteoarthritic cartilage: Oulu knee osteoarthritis study. Osteoarthritis and Cartilage, 29(6), 859–869. https://doi.org/10.1016/j.joca.2021.02.561

3. Peuna, A., Barros, I., Casula, V., Saarakkala, S., Nieminen, M., Lammentausta, E. (2021). Gray-level co-occurrence matrix texture analysis of osteoarthritic cartilage on T2, adiabatic T1rho, adiabatic T2rho relaxation time maps, and on 3D dual-echo steadystate (DESS) images. Manuscript in preparation.