386 research outputs found
Polven nivelrikon automaattinen diagnostiikka sekä sairauden etenemisen ennustaminen röntgenkuvan sekä kliinisen tiedon perusteella hyödyntäen syväoppimismalleja
No full textAbstractOsteoarthritis (OA) is the most common musculoskeletal disorder in the world, affecting hand, hip, and knee joints. At the final stage, OA leads to joint replacement, causing an immense burden at the individual and societal levels. Multiple risk factors that can lead to OA are known; however, the etiology of OA and the underlying mechanisms of OA progression are not currently known.OA is currently diagnosed by a clinical examination and, when necessary, confirmed by imaging — a radiographic evaluation. However, these conventional tools are not sensitive to detect the early stages of OA, which makes the development of preventive measures for further disease progression difficult. Therefore, there is a need for other methods that could allow for the early diagnosis of OA. As such, computer vision-based techniques provide quantitative biomarkers that allow for an automatic and systematic assessment of OA severity from images.In recent years, the rapid development of computer vision and machine learning methods have merged into a new field — deep learning (DL). DL allows for one to formulate the problems of computer vision and other fields in a machine learning fashion. In the medical field, DL has made a tremendous impact and allowed to approach for human-level decision-making accuracy in diagnostic and prognostic tasks compared with the traditional computer vision-based methods.The focus of this thesis is on the development of DL-based methods for fully automatic knee OA severity diagnosis and the prediction of its progression. Multiple new methods for localizing the region of interest, landmark localization, knee OA severity assessment, and OA progression prediction are proposed. The results exceeded the state-of-the-art or formed completely new benchmarks for the evaluation of diagnostic and predictive model performance in OA. The main conclusion is that DL yields excellent performance in the diagnostics of OA and in the prediction of its progression. All the source codes of all the developed methods and the annotations for some of the datasets have been made publicly available.Original papersOriginal papers are not included in the electronic version of the dissertation.Tiulpin, A., Thevenot, J., Rahtu, E., & Saarakkala, S. (2017). A Novel Method for Automatic Localization of Joint Area on Knee Plain Radiographs. In P. Sharma, F. Bianchi F. (Eds.). Image Analysis. SCIA 2017. Lecture Notes in Computer Science, 10270, 290–301. https://doi.org/10.1007/978-3-319-59129-2_25Self-archived versionTiulpin, A., Melekhov, I., & Saarakkala, S. (in press). KNEEL: Knee Anatomical Landmark Localization Using Hourglass Networks. In Proceedings of the IEEE International Conference on Computer Vision Workshops. https://doi.org/10.1109/ICCVW.2019.00046Self-archived versionTiulpin, A., Thevenot, J., Rahtu, E., Lehenkari, P., & Saarakkala, S. (2018). Automatic Knee Osteoarthritis Diagnosis from Plain Radiographs: A Deep Learning-Based Approach. Scientific Reports, 8(1). https://doi.org/10.1038/s41598-018-20132-7Self-archived versionTiulpin, A., & Saarakkala, S. (2019). Automatic Grading of Individual Knee Osteoarthritis Features in Plain Radiographs using Deep Convolutional Neural Networks. Manuscript submitted for publication.Tiulpin, A., Klein, S., Bierma-Zeinstra, S. M. A., Thevenot, J., Rahtu, E., … Saarakkala, S. (2019). Multimodal Machine Learning-based Knee Osteoarthritis Progression Prediction from Plain Radiographs and Clinical Data. Scientific Reports, 9(1). https://doi.org/10.1038/s41598-019-56527-3Self-archived versionTiivistelmäNivelrikko on maailman yleisin käden, lonkan ja polven niveliin vaikuttava liikuntaelinsairaus. Viimekädessä nivelrikko johtaa tekonivelleikkauksiin, aiheuttaen merkittävää rasitetta niin yksilö- kuin yhteiskunnallisella tasolla. Monia nivelrikolle altistavia tekijöitä on jo tunnistettu, mutta kaikkia nivelrikon syitä ja vaikutusmekanismeja nivelrikon etenemisessä ei tunneta.Nivelrikko diagnosoidaan kliinisellä tutkimuksella ja vahvistetaan/varmistetaan tarvittaessa tehtävällä kuvantamistutkimuksella — tekemällä radiografinen arviointi. Nämä perinteiset työkalut eivät kuitenkaan ole riittävän herkkiä nivelrikon varhaisten vaiheiden havaitsemiseen, ja tämä hankaloittaa sairauden kehittymistä ehkäisevien toimenpiteiden kehittämistä. Näistä syistä johtuen tarvitaan muita menetelmiä, jotka mahdollistavat nivelrikon varhaisen diagnosoinnin. Konenäkömenetelmät sellaisenaan tuottavat kvantitatiivisia biologisia indikaattoreita jotka mahdollistavat automaattisen ja järjestelmällisen nivelrikon vakavuusarvion tekemisen kuvamateriaalista.Viime vuosina konenäkö- ja koneoppimismenetelmien nopea kehitys on synnyttänyt uuden syväoppimisen haaran. Syväoppiminen mahdollistaa konenäkö- ja muiden ongelmien määrittelyn koneoppimisongelman tavoin. Verrattuna perinteisiin lääketieteessä käytettyihin tietokonenäkömenetelmiin, syväoppiminen on mahdollistanut ihmisen suorituskykyä lähestyvät toteutukset lääketieteen diagnostisissa ja prognostisissa tehtävissä ja niiden vaikutus alan kehitykselle on ollut merkittävä.Tämän väitöskirja keskittyy kehittämään syväoppimismenetelmiä täysautomaattiseen polven nivelrikon vakavuuden diagnosointiin ja taudin kehittymisen ennustamiseen. Työssä ehdotetaan/esitetään useita uusia menetelmiä kohdealueen paikallistamiseen, maamerkkien paikallistamiseen, polven nivelrikon vakavuuden arviointiin ja nivelrikon etenemisen ennustamiseen. Työn tulokset ylittävät viimeisintä tekniikkaa edustavat ratkaisut tai muodostavat täysin uuden mittarin diagnostisten ja ennustavien menetelmien suorituskyvyn evaluoinnille nivelrikon kontekstissa. Työn keskeisimpänä johtopäätöksenä esitetään, että syväoppimisella on mahdollista saavuttaa erittäin hyvä suorituskyky nivelrikon diagnosoinnissa ja sen etenemisen ennustamisessa. Kaikki työssä kehitetyt menetelmät lähdekoodeineen sekä annotoinnit osalle tutkimuksessa käytetyistä aineistoista on saatettu avoimesti saataville.OsajulkaisutOsajulkaisut eivät sisälly väitöskirjan elektroniseen versioon.Tiulpin, A., Thevenot, J., Rahtu, E., & Saarakkala, S. (2017). A Novel Method for Automatic Localization of Joint Area on Knee Plain Radiographs. In P. Sharma, F. Bianchi F. (Eds.). Image Analysis. SCIA 2017. Lecture Notes in Computer Science, 10270, 290–301. https://doi.org/10.1007/978-3-319-59129-2_25Rinnakkaistallennettu versioTiulpin, A., Melekhov, I., & Saarakkala, S. (in press). KNEEL: Knee Anatomical Landmark Localization Using Hourglass Networks. In Proceedings of the IEEE International Conference on Computer Vision Workshops. https://doi.org/10.1109/ICCVW.2019.00046Rinnakkaistallennettu versioTiulpin, A., Thevenot, J., Rahtu, E., Lehenkari, P., & Saarakkala, S. (2018). Automatic Knee Osteoarthritis Diagnosis from Plain Radiographs: A Deep Learning-Based Approach. Scientific Reports, 8(1). https://doi.org/10.1038/s41598-018-20132-7Rinnakkaistallennettu versioTiulpin, A., & Saarakkala, S. (2019). Automatic Grading of Individual Knee Osteoarthritis Features in Plain Radiographs using Deep Convolutional Neural Networks. Manuscript submitted for publication.Tiulpin, A., Klein, S., Bierma-Zeinstra, S. M. A., Thevenot, J., Rahtu, E., … Saarakkala, S. (2019). Multimodal Machine Learning-based Knee Osteoarthritis Progression Prediction from Plain Radiographs and Clinical Data. Scientific Reports, 9(1). https://doi.org/10.1038/s41598-019-56527-3Rinnakkaistallennettu versioAcademic 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 Auditorium P117 (Aapistie 5B), on 6 March 2020, at 12 noonAbstract
Osteoarthritis (OA) is the most common musculoskeletal disorder in the world, affecting hand, hip, and knee joints. At the final stage, OA leads to joint replacement, causing an immense burden at the individual and societal levels. Multiple risk factors that can lead to OA are known; however, the etiology of OA and the underlying mechanisms of OA progression are not currently known.
OA is currently diagnosed by a clinical examination and, when necessary, confirmed by imaging — a radiographic evaluation. However, these conventional tools are not sensitive to detect the early stages of OA, which makes the development of preventive measures for further disease progression difficult. Therefore, there is a need for other methods that could allow for the early diagnosis of OA. As such, computer vision-based techniques provide quantitative biomarkers that allow for an automatic and systematic assessment of OA severity from images.
In recent years, the rapid development of computer vision and machine learning methods have merged into a new field — deep learning (DL). DL allows for one to formulate the problems of computer vision and other fields in a machine learning fashion. In the medical field, DL has made a tremendous impact and allowed to approach for human-level decision-making accuracy in diagnostic and prognostic tasks compared with the traditional computer vision-based methods.
The focus of this thesis is on the development of DL-based methods for fully automatic knee OA severity diagnosis and the prediction of its progression. Multiple new methods for localizing the region of interest, landmark localization, knee OA severity assessment, and OA progression prediction are proposed. The results exceeded the state-of-the-art or formed completely new benchmarks for the evaluation of diagnostic and predictive model performance in OA. The main conclusion is that DL yields excellent performance in the diagnostics of OA and in the prediction of its progression. All the source codes of all the developed methods and the annotations for some of the datasets have been made publicly available.Tiivistelmä
Nivelrikko on maailman yleisin käden, lonkan ja polven niveliin vaikuttava liikuntaelinsairaus. Viimekädessä nivelrikko johtaa tekonivelleikkauksiin, aiheuttaen merkittävää rasitetta niin yksilö- kuin yhteiskunnallisella tasolla. Monia nivelrikolle altistavia tekijöitä on jo tunnistettu, mutta kaikkia nivelrikon syitä ja vaikutusmekanismeja nivelrikon etenemisessä ei tunneta.
Nivelrikko diagnosoidaan kliinisellä tutkimuksella ja vahvistetaan/varmistetaan tarvittaessa tehtävällä kuvantamistutkimuksella — tekemällä radiografinen arviointi. Nämä perinteiset työkalut eivät kuitenkaan ole riittävän herkkiä nivelrikon varhaisten vaiheiden havaitsemiseen, ja tämä hankaloittaa sairauden kehittymistä ehkäisevien toimenpiteiden kehittämistä. Näistä syistä johtuen tarvitaan muita menetelmiä, jotka mahdollistavat nivelrikon varhaisen diagnosoinnin. Konenäkömenetelmät sellaisenaan tuottavat kvantitatiivisia biologisia indikaattoreita jotka mahdollistavat automaattisen ja järjestelmällisen nivelrikon vakavuusarvion tekemisen kuvamateriaalista.
Viime vuosina konenäkö- ja koneoppimismenetelmien nopea kehitys on synnyttänyt uuden syväoppimisen haaran. Syväoppiminen mahdollistaa konenäkö- ja muiden ongelmien määrittelyn koneoppimisongelman tavoin. Verrattuna perinteisiin lääketieteessä käytettyihin tietokonenäkömenetelmiin, syväoppiminen on mahdollistanut ihmisen suorituskykyä lähestyvät toteutukset lääketieteen diagnostisissa ja prognostisissa tehtävissä ja niiden vaikutus alan kehitykselle on ollut merkittävä.
Tämän väitöskirja keskittyy kehittämään syväoppimismenetelmiä täysautomaattiseen polven nivelrikon vakavuuden diagnosointiin ja taudin kehittymisen ennustamiseen. Työssä ehdotetaan/esitetään useita uusia menetelmiä kohdealueen paikallistamiseen, maamerkkien paikallistamiseen, polven nivelrikon vakavuuden arviointiin ja nivelrikon etenemisen ennustamiseen. Työn tulokset ylittävät viimeisintä tekniikkaa edustavat ratkaisut tai muodostavat täysin uuden mittarin diagnostisten ja ennustavien menetelmien suorituskyvyn evaluoinnille nivelrikon kontekstissa. Työn keskeisimpänä johtopäätöksenä esitetään, että syväoppimisella on mahdollista saavuttaa erittäin hyvä suorituskyky nivelrikon diagnosoinnissa ja sen etenemisen ennustamisessa. Kaikki työssä kehitetyt menetelmät lähdekoodeineen sekä annotoinnit osalle tutkimuksessa käytetyistä aineistoista on saatettu avoimesti saataville
Nivelen luu-rustorajapinnan mikrometritason kudosmuutoksien tutkiminen nivelrikon eri vaiheissa
No full textAbstractOsteoarthritis (OA) is the most common joint disease that causes disability in the adult population. While the etiology and pathogenesis of OA remain unclear, it is now commonly accepted that the entire joint is affected by OA. The deep zone of hyaline articular cartilage, calcified cartilage, and cortical subchondral bone plate form the osteochondral junction that is specially adapted to transferring loads during weight-bearing and joint motion. Although the OA-related changes in articular cartilage and subchondral trabecular bone have been extensively studied, the changes in the osteochondral junction, especially in the calcified cartilage, remain under explored.Calcified cartilage is a relatively thin tissue layer and has a similar mineral phase to the underlying bone. Hence, it is a major challenge to quantitively study calcified cartilage separately from the whole osteochondral junction, due to the limitations in spatial resolution and the contrast of current microscopic imaging modalities. Therefore, this doctoral dissertation aims to study the biochemical composition, mineral crystal structure, micromechanical and structural properties of calcified cartilage, and the subchondral bone plate in healthy and osteoarthritic knee joints in vitro.Raman microspectroscopy was used to investigate biochemical composition from unfixed and fully hydrated human osteochondral specimens. State-of-the-art micro-focus small-angle X-ray scattering (μSAXS) measurements were performed to map the mineral crystal thickness across the junction. Finally, a bovine patella model was utilized to explore the micromechanical changes in the junction as a function of degeneration and associate these changes with site-specific microstructure.Results show that calcified cartilage had a higher degree of mineralization, with thicker mineral crystals having greater stoichiometric perfection in a proteoglycan-rich matrix than underlying bone. The alterations in the degree of mineralization, type-B carbonate substitutions, mineral crystal thickness, tissue stiffness, and microstructure in both calcified cartilage and subchondral bone plate were observed during OA development. Some of these changes were found to occur at the very early stages of OA. In conclusion, this study shows that both mineralized tissues at the osteochondral junction undergo marked alterations during the evolution of OA, contributing to our current understanding of OA.Original papersOriginal papers are not included in the electronic version of the dissertation.Das Gupta, S., Finnilä, M. A. J., Karhula, S. S., Kauppinen, S., Joukainen, A., Kröger, H., Korhonen, R. K., Thambyah, A., Rieppo, L., & Saarakkala, S. (2020). Raman microspectroscopic analysis of the tissue-specific composition of the human osteochondral junction in osteoarthritis: A pilot study. Acta Biomaterialia, 106, 145–155. https://doi.org/10.1016/j.actbio.2020.02.020Self-archived versionFinnilä, M. A. J., Das Gupta, S., Turunen, M. J., Kestilä, I., Turkiewicz, A., Lutz-Bueno, V., Folkesson, E., Holler, M., Ali, N., Hughes, V., Isaksson, H., Tjörnstrand, J., Önnerfjord, P., Guizar-Sicairos, M., Saarakkala, S., & Englund, M. (2021). Mineral crystal thickness in calcified cartilage and subchondral bone in healthy and osteoarthritic knees. BioRxiv. https://doi.org/10.1101/2021.06.15.448181Das Gupta, S., Finnilä, M. A. J., Rieppo, L., Turunen, M. J., Kestilä, I., Lutz-Bueno, V., Folkesson, E., Ali, N., Hughes, V., Isaksson, H., Tjörnstrand, J., Önnerfjord, P., Turkiewicz, A., Englund, M., & Saarakkala, S. (2021). Mineral composition of calcified cartilage and subchondral bone plate in humans with and without knee osteoarthritis. Manuscript in preparation.Das Gupta, S., Workman, J., Finnilä, M. A. J., Saarakkala, S., & Thambyah, A. (2022). Subchondral bone plate thickness is associated with micromechanical and microstructural changes in the bovine patella osteochondral junction with different levels of cartilage degeneration. Journal of the Mechanical Behavior of Biomedical Materials, 129, 105158. https://doi.org/10.1016/j.jmbbm.2022.105158Self-archived versionTiivistelmäNivelrikko on aikuisväestön yleisin invalidoiva nivelsairaus. Nivelrikon tarkkaa syntytapaa ei edelleenkään tiedetä, mutta nykyisin on yleisesti hyväksytty, että nivelrikko vaikuttaa kaikkiin nivelen kudoksiin. Nivelessä sijaitseva luu-rustorajapinta muodostuu hyaliiniruston pohjakerroksen, kalkkeutuneen ruston ja rustonalaisen luun yhdistelmästä. Luu-rustorajapinnan rooli on välittää mekaanista kuormitusta rustosta luuhun nivelen liikkuessa. Nivelruston ja sen alaisen luun kudosmuutoksia nivelrikon eri vaiheissa on tutkittu laajasti, mutta luu-rustorajapinnan — erityisesti kalkkeutuneen ruston — kudosmuutoksia nivelrikon aikana on tutkittu vain vähän.Kalkkeutunut rusto on ohut kudoskerros, jossa on myös mineraalifaasi samoin kuin alla olevassa luukudoksessa. Tämä tekee kalkkeutuneen ruston kvantitatiivisesta tutkimisesta hankalaa, koska luun ja kalkkeutuneen ruston erottaminen on vaikeaa mikroskooppisten kuvantamismenetelmien rajoittuneen kontrastin ja erotuskyvyn vuoksi. Tässä väitöskirjassa tutkittiin nivelrikkoisen ja terveen kalkkeutuneen ruston biokemiallista koostumusta, mikrorakennetta sekä mikromekaanisia ominaisuuksia.Ihmisestä saatuja tuoreita ja käsittelemättömiä luu-rustonäytteitä tutkittiin aluksi Raman-mikroskopialla, jonka perusteella kartoitettiin niiden biokemiallista koostumusta eri kohdissa kudosta. Mineraalikristalleja analysoitiin pienkulmaröntgensironnan avulla, jolla pystyttiin kartoittamaan kristallien paksuutta koko luu-rustorajapinnan alueelta. Tutkimuksessa käytettiin myös naudan polvilumpiosta otettuja näytteitä, joiden avulla tutkittiin luu-rustorajapinnan mikromekaanisia muutoksia nivelrikon eri kehitysvaiheissa. Lisäksi tutkittiin mikromekaanisten muutoksien ja mikrorakenteen muutoksien välistä yhteyttä toisiinsa.Tulokset osoittavat, että kalkkeutuneessa rustossa on luuhun verrattuna korkeampi mineralisoitumisen aste, paksummat ja stoikiometrisesti täydellisemmät mineraalikristallit, sekä suurempi proteoglykaanipitoisuus. Lisäksi tutkimuksessa havaittiin selkeitä muutoksia mineralisaation määrässä, tyypin B karbonaattisubstituutiossa, mineraalikristallien paksuudessa, kudoksen jäykkyydessä sekä mikrorakenteessa nivelrikon kehittyessä. Osa muutoksista havaittiin hyvin varhaisessa nivelrikon kehitysvaiheessa. Tässä väitöskirjassa saatiin tärkeää uutta tietoa siitä, että luu-rustorajapinnnassa tapahtuu merkittäviä muutoksia nivelrikon kehittyessä. Tämä lisää nykyistä tietämystämme nivelrikon etiologiasta.OsajulkaisutOsajulkaisut eivät sisälly väitöskirjan elektroniseen versioon.Das Gupta, S., Finnilä, M. A. J., Karhula, S. S., Kauppinen, S., Joukainen, A., Kröger, H., Korhonen, R. K., Thambyah, A., Rieppo, L., & Saarakkala, S. (2020). Raman microspectroscopic analysis of the tissue-specific composition of the human osteochondral junction in osteoarthritis: A pilot study. Acta Biomaterialia, 106, 145–155. https://doi.org/10.1016/j.actbio.2020.02.020Rinnakkaistallennettu versioFinnilä, M. A. J., Das Gupta, S., Turunen, M. J., Kestilä, I., Turkiewicz, A., Lutz-Bueno, V., Folkesson, E., Holler, M., Ali, N., Hughes, V., Isaksson, H., Tjörnstrand, J., Önnerfjord, P., Guizar-Sicairos, M., Saarakkala, S., & Englund, M. (2021). Mineral crystal thickness in calcified cartilage and subchondral bone in healthy and osteoarthritic knees. BioRxiv. https://doi.org/10.1101/2021.06.15.448181Das Gupta, S., Finnilä, M. A. J., Rieppo, L., Turunen, M. J., Kestilä, I., Lutz-Bueno, V., Folkesson, E., Ali, N., Hughes, V., Isaksson, H., Tjörnstrand, J., Önnerfjord, P., Turkiewicz, A., Englund, M., & Saarakkala, S. (2021). Mineral composition of calcified cartilage and subchondral bone plate in humans with and without knee osteoarthritis. Manuscript in preparation.Das Gupta, S., Workman, J., Finnilä, M. A. J., Saarakkala, S., & Thambyah, A. (2022). Subchondral bone plate thickness is associated with micromechanical and microstructural changes in the bovine patella osteochondral junction with different levels of cartilage degeneration. Journal of the Mechanical Behavior of Biomedical Materials, 129, 105158. https://doi.org/10.1016/j.jmbbm.2022.105158Rinnakkaistallennettu versioAcademic dissertation to be presented with the assent of the Doctoral Programme Committee of Health and Biosciences of the University of Oulu for public defence in the Markku Larmas auditorium (H1091) in Dentopolis, on 12 August 2022, at 12 noonAbstract
Osteoarthritis (OA) is the most common joint disease that causes disability in the adult population. While the etiology and pathogenesis of OA remain unclear, it is now commonly accepted that the entire joint is affected by OA. The deep zone of hyaline articular cartilage, calcified cartilage, and cortical subchondral bone plate form the osteochondral junction that is specially adapted to transferring loads during weight-bearing and joint motion. Although the OA-related changes in articular cartilage and subchondral trabecular bone have been extensively studied, the changes in the osteochondral junction, especially in the calcified cartilage, remain under explored.
Calcified cartilage is a relatively thin tissue layer and has a similar mineral phase to the underlying bone. Hence, it is a major challenge to quantitively study calcified cartilage separately from the whole osteochondral junction, due to the limitations in spatial resolution and the contrast of current microscopic imaging modalities. Therefore, this doctoral dissertation aims to study the biochemical composition, mineral crystal structure, micromechanical and structural properties of calcified cartilage, and the subchondral bone plate in healthy and osteoarthritic knee joints in vitro.
Raman microspectroscopy was used to investigate biochemical composition from unfixed and fully hydrated human osteochondral specimens. State-of-the-art micro-focus small-angle X-ray scattering (μSAXS) measurements were performed to map the mineral crystal thickness across the junction. Finally, a bovine patella model was utilized to explore the micromechanical changes in the junction as a function of degeneration and associate these changes with site-specific microstructure.
Results show that calcified cartilage had a higher degree of mineralization, with thicker mineral crystals having greater stoichiometric perfection in a proteoglycan-rich matrix than underlying bone. The alterations in the degree of mineralization, type-B carbonate substitutions, mineral crystal thickness, tissue stiffness, and microstructure in both calcified cartilage and subchondral bone plate were observed during OA development. Some of these changes were found to occur at the very early stages of OA. In conclusion, this study shows that both mineralized tissues at the osteochondral junction undergo marked alterations during the evolution of OA, contributing to our current understanding of OA.Tiivistelmä
Nivelrikko on aikuisväestön yleisin invalidoiva nivelsairaus. Nivelrikon tarkkaa syntytapaa ei edelleenkään tiedetä, mutta nykyisin on yleisesti hyväksytty, että nivelrikko vaikuttaa kaikkiin nivelen kudoksiin. Nivelessä sijaitseva luu-rustorajapinta muodostuu hyaliiniruston pohjakerroksen, kalkkeutuneen ruston ja rustonalaisen luun yhdistelmästä. Luu-rustorajapinnan rooli on välittää mekaanista kuormitusta rustosta luuhun nivelen liikkuessa. Nivelruston ja sen alaisen luun kudosmuutoksia nivelrikon eri vaiheissa on tutkittu laajasti, mutta luu-rustorajapinnan — erityisesti kalkkeutuneen ruston — kudosmuutoksia nivelrikon aikana on tutkittu vain vähän.
Kalkkeutunut rusto on ohut kudoskerros, jossa on myös mineraalifaasi samoin kuin alla olevassa luukudoksessa. Tämä tekee kalkkeutuneen ruston kvantitatiivisesta tutkimisesta hankalaa, koska luun ja kalkkeutuneen ruston erottaminen on vaikeaa mikroskooppisten kuvantamismenetelmien rajoittuneen kontrastin ja erotuskyvyn vuoksi. Tässä väitöskirjassa tutkittiin nivelrikkoisen ja terveen kalkkeutuneen ruston biokemiallista koostumusta, mikrorakennetta sekä mikromekaanisia ominaisuuksia.
Ihmisestä saatuja tuoreita ja käsittelemättömiä luu-rustonäytteitä tutkittiin aluksi Raman-mikroskopialla, jonka perusteella kartoitettiin niiden biokemiallista koostumusta eri kohdissa kudosta. Mineraalikristalleja analysoitiin pienkulmaröntgensironnan avulla, jolla pystyttiin kartoittamaan kristallien paksuutta koko luu-rustorajapinnan alueelta. Tutkimuksessa käytettiin myös naudan polvilumpiosta otettuja näytteitä, joiden avulla tutkittiin luu-rustorajapinnan mikromekaanisia muutoksia nivelrikon eri kehitysvaiheissa. Lisäksi tutkittiin mikromekaanisten muutoksien ja mikrorakenteen muutoksien välistä yhteyttä toisiinsa.
Tulokset osoittavat, että kalkkeutuneessa rustossa on luuhun verrattuna korkeampi mineralisoitumisen aste, paksummat ja stoikiometrisesti täydellisemmät mineraalikristallit, sekä suurempi proteoglykaanipitoisuus. Lisäksi tutkimuksessa havaittiin selkeitä muutoksia mineralisaation määrässä, tyypin B karbonaattisubstituutiossa, mineraalikristallien paksuudessa, kudoksen jäykkyydessä sekä mikrorakenteessa nivelrikon kehittyessä. Osa muutoksista havaittiin hyvin varhaisessa nivelrikon kehitysvaiheessa. Tässä väitöskirjassa saatiin tärkeää uutta tietoa siitä, että luu-rustorajapinnnassa tapahtuu merkittäviä muutoksia nivelrikon kehittyessä. Tämä lisää nykyistä tietämystämme nivelrikon etiologiasta
Ihmisen polven nivelruston ja -kierukan mikrorakenteiden kolmiulotteinen kvantitointi mikrotietokonetomografian avulla
No full textAbstractOsteoarthritis is globally a highly prevalent joint disorder leading to major disabilities among affected patients. With increasing obesity and prolonging life expectancy of the world’s population, the burden of this disease will be even more substantial in the future. However, little is known about the onset and the earliest events of osteoarthritis on the microstructural level—especially regarding the soft tissues of the joint. Therefore, being able to image and quantify them volumetrically on a micrometer level might help us gain a better understanding of osteoarthritis and its early events.The main objective of this thesis was to develop a hexamethyldisilazane (HMDS)-based micro-computed tomography (micro-CT) method that enables the visualization of knee joint soft tissues. The developed methodology was validated by morphological and microstructural quantitative analysis of articular cartilage and meniscus specimens from osteoarthritic patients and osteoarthritis-free tissue donors. Conventional histology was used as a reference methodology.It was shown that with HMDS-based micro-CT, similar scale structural features of articular cartilage and meniscus can be visualized in 3D as with conventional 2D histology. Importantly, the proposed technique enabled quantitative analysis of the studied tissues. In articular cartilage, morphological analyses showed that chondrons were larger and more elongated in osteoarthritic samples than in intact tissue. In meniscus, microstructural local orientation analysis revealed increased disorganization in the medial menisci of medial compartment knee osteoarthritis patients compared to the lateral menisci of the same patients and medial and lateral menisci of osteoarthritis-free tissue donors. From the analysis of meniscal calcifications, it seemed that there are two patterns of meniscal degeneration: one with diminutive calcifications and other with large to widespread calcifications.To conclude, the HMDS-based micro-CT technique presented in this thesis provides a novel high-resolution tool for volumetric visualization and quantitative microstructural analysis for knee joint soft tissues. In addition to articular cartilage and meniscus that were studied in this thesis, the proposed technique could also be useful for the analysis of other soft tissues of joints and their associated changes in osteoarthritis.Original papersOriginal papers are not included in the electronic version of the dissertation.Kestilä, I., Thevenot, J., Finnilä, M. A., Karhula, S. S., Hadjab, I., Kauppinen, S., Garon, M., Quenneville, E., Haapea, M., Rieppo, L., Pritzker, K. P., Buschmann, M. D., Nieminen, H. J., & Saarakkala, S. (2018). In vitro method for 3D morphometry of human articular cartilage chondrons based on micro-computed tomography. Osteoarthritis and Cartilage, 26(8), 1118–1126. https://doi.org/10.1016/j.joca.2018.05.012Self-archived versionKestilä, I., Folkesson, E., Finnilä, M. A., Turkiewicz, A., Önnerfjord, P., Hughes, V., Tjörnstrand, J., Englund, M., & Saarakkala, S. (2019). Three-dimensional microstructure of human meniscus posterior horn in health and osteoarthritis. Osteoarthritis and Cartilage, 27(12), 1790–1799. https://doi.org/10.1016/j.joca.2019.07.003Self-archived versionKarjalainen, V.-P., Kestilä, I., Finnilä, M. A., Folkesson, E., Turkiewicz, A., Önnerfjord, P., Hughes, V., Tjörnstrand, J., Englund, M., & Saarakkala, S. (2021). Quantitative three-dimensional collagen orientation analysis of human meniscus posterior horn in health and osteoarthritis using micro-computed tomography. Osteoarthritis and Cartilage, 29(5), 762–772. https://doi.org/10.1016/j.joca.2021.01.009Self-archived versionHellberg, I., Karjalainen, V.-P., Finnilä, M. A. J., Jonsson, E., Turkiewicz, A., Önnerfjord, P., Hughes, V., Tjörnstrand, J., Englund, M., & Saarakkala, S. (2023). 3D analysis and grading of calcifications from ex vivo human meniscus. Osteoarthritis and Cartilage, 31(4), 482–492. https://doi.org/10.1016/j.joca.2022.10.016Self-archived versionTiivistelmäNivelrikko on maailman yleisin nivelsairaus, joka lopulta johtaa liikuntakyvyn menetykseen. Ylipainon yleistyessä ja elinajanodotteen pidentyessä tämän sairauden aiheuttama yhteiskunnallinen taakka tulee olemaan entistäkin merkittävämpi tulevaisuudessa. Nivelrikon alkuvaiheen mikrorakennetason muutoksista ei kuitenkaan vielä tiedetä kovin paljoa etenkään nivelen pehmytkudosten osalta. Näiden kudosten kolmiulotteinen kuvantaminen mikrometrien tarkkuudella voisi auttaa ymmärtämään nivelrikkoa sekä sen alkuvaiheen muutoksia paremmin.Tämän väitöskirjan päätavoitteena oli kehittää näytteiden kuivaamiseen heksametyylidisilatsaanilla (HMDS) perustuva mikrotietokonetomografiamenetelmä (mikro-TT-menetelmä) polvinivelen pehmytkudosten kuvantamiseen. Lisäksi kyseistä menetelmää validoitiin nivelruston ja -kierukan morfologiaa ja mikrorakenteita määrittävillä kvantitatiivisilla analyyseillä käyttäen nivelrikkopotilailta ja nivelrikkoa sairastamattomilta kudoslahjoittajilta saatuja näytteitä. Perinteinen histologia toimi verrokkimenetelmänä.HMDS:ään perustuvan mikro-TT:n osoitettiin kuvaavan saman kokoluokan rakenteellisia piirteitä nivelrustossa ja -kierukassa kolmiulotteisesti kuin perinteinen histologia kaksiulotteisesti. Lisäksi menetelmä mahdollisti kvantitatiivisten analyysien käytön: nivelrustossa morfologiset analyysit osoittivat, että kondronit olivat suurempia ja pitkänomaisempia nivelrikkoisissa näytteissä verrattuna terveisiin näytteisiin. Nivelkierukan orientaatioanalyysissä havaittiin, että mediaalipuolen nivelkierukan mikrorakenteet ovat epäjärjestäytyneempiä mediaalipuolen nivelrikkoa sairastavilla potilailla verrattuna samojen potilaiden lateraalipuolen näytteisiin ja terveiden kudoslahjoittajien mediaali- ja lateraalipuolen näytteisiin. Nivelkierukoiden kalkkeuma-analyyseissä havaitsimme kahdentyyppistä nivelkierukan rappeutumista: ensimmäisessä tyypissä oli erittäin vähäinen määrä kalkkeumia ja toisessa tyypissä oli suuria ja/tai laajasti levinneitä kalkkeumia.Tässä väitöskirjassa esitelty HMDS:ään perustuva mikro-TT-menetelmä tarjoaa uudentyppisen, korkearesoluutioisen työkalun polven pehmytkudosten kolmiulotteiseen kuvantamiseen ja mikrorakenteiden määrälliseen analyysiin. Nivelruston ja -kierukan lisäksi tällä menetelmällä voidaan tutkia myös muita nivelen pehmytkudoksia ja niissä tapahtuvia nivelrikon aiheuttamia muutoksia.OsajulkaisutOsajulkaisut eivät sisälly väitöskirjan elektroniseen versioon.Kestilä, I., Thevenot, J., Finnilä, M. A., Karhula, S. S., Hadjab, I., Kauppinen, S., Garon, M., Quenneville, E., Haapea, M., Rieppo, L., Pritzker, K. P., Buschmann, M. D., Nieminen, H. J., & Saarakkala, S. (2018). In vitro method for 3D morphometry of human articular cartilage chondrons based on micro-computed tomography. Osteoarthritis and Cartilage, 26(8), 1118–1126. https://doi.org/10.1016/j.joca.2018.05.012Rinnakkaistallennettu versioKestilä, I., Folkesson, E., Finnilä, M. A., Turkiewicz, A., Önnerfjord, P., Hughes, V., Tjörnstrand, J., Englund, M., & Saarakkala, S. (2019). Three-dimensional microstructure of human meniscus posterior horn in health and osteoarthritis. Osteoarthritis and Cartilage, 27(12), 1790–1799. https://doi.org/10.1016/j.joca.2019.07.003Rinnakkaistallennettu versioKarjalainen, V.-P., Kestilä, I., Finnilä, M. A., Folkesson, E., Turkiewicz, A., Önnerfjord, P., Hughes, V., Tjörnstrand, J., Englund, M., & Saarakkala, S. (2021). Quantitative three-dimensional collagen orientation analysis of human meniscus posterior horn in health and osteoarthritis using micro-computed tomography. Osteoarthritis and Cartilage, 29(5), 762–772. https://doi.org/10.1016/j.joca.2021.01.009Rinnakkaistallennettu versioHellberg, I., Karjalainen, V.-P., Finnilä, M. A. J., Jonsson, E., Turkiewicz, A., Önnerfjord, P., Hughes, V., Tjörnstrand, J., Englund, M., & Saarakkala, S. (2023). 3D analysis and grading of calcifications from ex vivo human meniscus. Osteoarthritis and Cartilage, 31(4), 482–492. https://doi.org/10.1016/j.joca.2022.10.016Rinnakkaistallennettu versioAcademic dissertation to be presented with the assent of the Doctoral Programme Committee of Health and Biosciences of the University of Oulu for public defence in Auditorium A101 (Aapistie 7 A), on 1 December 2023, at 12 noonAbstract
Osteoarthritis is globally a highly prevalent joint disorder leading to major disabilities among affected patients. With increasing obesity and prolonging life expectancy of the world’s population, the burden of this disease will be even more substantial in the future. However, little is known about the onset and the earliest events of osteoarthritis on the microstructural level—especially regarding the soft tissues of the joint. Therefore, being able to image and quantify them volumetrically on a micrometer level might help us gain a better understanding of osteoarthritis and its early events.
The main objective of this thesis was to develop a hexamethyldisilazane (HMDS)-based micro-computed tomography (micro-CT) method that enables the visualization of knee joint soft tissues. The developed methodology was validated by morphological and microstructural quantitative analysis of articular cartilage and meniscus specimens from osteoarthritic patients and osteoarthritis-free tissue donors. Conventional histology was used as a reference methodology.
It was shown that with HMDS-based micro-CT, similar scale structural features of articular cartilage and meniscus can be visualized in 3D as with conventional 2D histology. Importantly, the proposed technique enabled quantitative analysis of the studied tissues. In articular cartilage, morphological analyses showed that chondrons were larger and more elongated in osteoarthritic samples than in intact tissue. In meniscus, microstructural local orientation analysis revealed increased disorganization in the medial menisci of medial compartment knee osteoarthritis patients compared to the lateral menisci of the same patients and medial and lateral menisci of osteoarthritis-free tissue donors. From the analysis of meniscal calcifications, it seemed that there are two patterns of meniscal degeneration: one with diminutive calcifications and other with large to widespread calcifications.
To conclude, the HMDS-based micro-CT technique presented in this thesis provides a novel high-resolution tool for volumetric visualization and quantitative microstructural analysis for knee joint soft tissues. In addition to articular cartilage and meniscus that were studied in this thesis, the proposed technique could also be useful for the analysis of other soft tissues of joints and their associated changes in osteoarthritis.Tiivistelmä
Nivelrikko on maailman yleisin nivelsairaus, joka lopulta johtaa liikuntakyvyn menetykseen. Ylipainon yleistyessä ja elinajanodotteen pidentyessä tämän sairauden aiheuttama yhteiskunnallinen taakka tulee olemaan entistäkin merkittävämpi tulevaisuudessa. Nivelrikon alkuvaiheen mikrorakennetason muutoksista ei kuitenkaan vielä tiedetä kovin paljoa etenkään nivelen pehmytkudosten osalta. Näiden kudosten kolmiulotteinen kuvantaminen mikrometrien tarkkuudella voisi auttaa ymmärtämään nivelrikkoa sekä sen alkuvaiheen muutoksia paremmin.
Tämän väitöskirjan päätavoitteena oli kehittää näytteiden kuivaamiseen heksametyylidisilatsaanilla (HMDS) perustuva mikrotietokonetomografiamenetelmä (mikro-TT-menetelmä) polvinivelen pehmytkudosten kuvantamiseen. Lisäksi kyseistä menetelmää validoitiin nivelruston ja -kierukan morfologiaa ja mikrorakenteita määrittävillä kvantitatiivisilla analyyseillä käyttäen nivelrikkopotilailta ja nivelrikkoa sairastamattomilta kudoslahjoittajilta saatuja näytteitä. Perinteinen histologia toimi verrokkimenetelmänä.
HMDS:ään perustuvan mikro-TT:n osoitettiin kuvaavan saman kokoluokan rakenteellisia piirteitä nivelrustossa ja -kierukassa kolmiulotteisesti kuin perinteinen histologia kaksiulotteisesti. Lisäksi menetelmä mahdollisti kvantitatiivisten analyysien käytön: nivelrustossa morfologiset analyysit osoittivat, että kondronit olivat suurempia ja pitkänomaisempia nivelrikkoisissa näytteissä verrattuna terveisiin näytteisiin. Nivelkierukan orientaatioanalyysissä havaittiin, että mediaalipuolen nivelkierukan mikrorakenteet ovat epäjärjestäytyneempiä mediaalipuolen nivelrikkoa sairastavilla potilailla verrattuna samojen potilaiden lateraalipuolen näytteisiin ja terveiden kudoslahjoittajien mediaali- ja lateraalipuolen näytteisiin. Nivelkierukoiden kalkkeuma-analyyseissä havaitsimme kahdentyyppistä nivelkierukan rappeutumista: ensimmäisessä tyypissä oli erittäin vähäinen määrä kalkkeumia ja toisessa tyypissä oli suuria ja/tai laajasti levinneitä kalkkeumia.
Tässä väitöskirjassa esitelty HMDS:ään perustuva mikro-TT-menetelmä tarjoaa uudentyppisen, korkearesoluutioisen työkalun polven pehmytkudosten kolmiulotteiseen kuvantamiseen ja mikrorakenteiden määrälliseen analyysiin. Nivelruston ja -kierukan lisäksi tällä menetelmällä voidaan tutkia myös muita nivelen pehmytkudoksia ja niissä tapahtuvia nivelrikon aiheuttamia muutoksia
Koneoppimissovelluksia kalkkeutuneiden kudosten tietokonetomografiaan
No full textAbstractOsteoarthritis (OA) is a serious joint disease affecting millions of people globally. Early detection of the disease allows for slowing down its progression, leading to reduced healthcare costs. Furthermore, dental pathological conditions are highly prevalent and often lead to more extensive infection, comorbidities and costly late-stage interventions when left untreated. In this doctoral study, new methods are proposed for OA research and clinical computed tomography (CT) of mineralized tissues using laboratory micro-computed tomography (µCT) imaging and machine learning.First, automated software was developed to assess the histopathologic grade of human osteochondral samples using machine learning and contrast-enhanced µCT. The automated grading performed adequately on independent data and, with further development, could be useful for the development of new OA drugs requiring objective assessment of the tissue changes.In the second sub-study, deep-learning based segmentation and morphological analysis were used to assess the calcified cartilage thickness in New Zealand White rabbit knees. Analysis of µCT reconstructions and histological images could differentiate anatomical surfaces with distinct biomechanical environments. The developed technique is useful in understanding the role of osteochondral junction during mechanical load, aging and disease.Finally, deep-learning based super-resolution models were trained on ex vivo µCT images of human knee samples and extracted teeth. The models were assessed rigorously with independent CT test data for technical image quality, ability to predict trabecular bone microstructure, as well as clinical image quality on the knee, wrist, ankle and maxillofacial region. The super-resolution techniques have the potential for earlier and more accurate diagnostics, treatment planning and dose reductions.In conclusion, the first two sub-studies facilitate a better understanding of OA etiology in basic research. The third sub-study integrates the laboratory details of µCT into clinical cone-beam CT imaging of mineralized tissues. The developed methods are fully open-source comprising a multi-scale framework that could be useful for super-resolution, segmentation and quantification of volumetric medical image data also outside the scope of these applications.Original papersOriginal papers are not included in the electronic version of the dissertation.Rytky, S. J. O., Tiulpin, A., Frondelius, T., Finnilä, M. A. J., Karhula, S. S., Leino, J., Pritzker, K. P. H., Valkealahti, M., Lehenkari, P., Joukainen, A., Kröger, H., Nieminen, H. J., & Saarakkala, S. (2020). Automating three-dimensional osteoarthritis histopathological grading of human osteochondral tissue using machine learning on contrast-enhanced micro-computed tomography. Osteoarthritis and Cartilage, 28(8), 1133–1144. https://doi.org/10.1016/j.joca.2020.05.002Self-archived versionRytky, S. J. O., Huang, L., Tanska, P., Tiulpin, A., Panfilov, E., Herzog, W., Korhonen, R. K., Saarakkala, S., & Finnilä, M. A. J. (2021). Automated analysis of rabbit knee calcified cartilage morphology using micro‐computed tomography and deep learning. Journal of Anatomy, 239(2), 251–263. https://doi.org/10.1111/joa.13435Self-archived versionRytky, S. J. O., Tiulpin, A., Finnilä, M. A. J., Karhula, S. S., Sipola, A., Kurttila, V., Valkealahti, M., Lehenkari, P., Joukainen, A., Kröger, H., Korhonen, R. K., Saarakkala, S., & Niinimäki, J. (2023). Clinical super-resolution computed tomography of bone microstructure: application in musculoskeletal and dental imaging. Manuscript in preparation.TiivistelmäNivelrikko on maailman yleisin nivelsairaus, joka vaikeuttaa miljoonien ihmisten elämää maailmanlaajuisesti. Sairauden varhainen havaitseminen mahdollistaisi sen etenemisen hidastamisen, mikä edelleen johtaisi terveydenhuollon kustannusten alenemiseen. Hampaiston sairaudet ovat myös erittäin yleisiä ja johtavat hoitamattomina laajempiin tulehduksiin, liitännäissairauksiin ja kalliisiin myöhäisvaiheen toimenpiteisiin. Tässä väitöskirjassa kehitettiin uusia menetelmiä nivelrikon tutkimukseen ja mineralisoituneiden kudosten kliiniseen tietokonetomografiaan (TT) mikrotietokonetomografia (µTT) -laboratoriokuvantamisen ja koneoppimisen avulla.Ensimmäisessä osatyössä kehitettiin automaattinen tietokoneohjelmisto ihmisen luu-rustonäytteiden histopatologiseen arviointiin koneoppimisen ja kontrastitehostetun µTT:n avulla. Automaattiarvioinnin suorituskyky osoittautui hyväksi, ja jatkokehityksen jälkeen menetelmää voitaisiin tulevaisuudessa käyttää esimerkiksi uusien nivelrikkolääkkeiden kehityksessä, missä vaaditaan objektiivista arviota nivelrikon kudosmuutoksille.Toisessa osatyössä kehitettiin syväoppiva kuva-alueen rajausmenetelmä kalkkeutuneen nivelruston paksuuden määrittämiseen jäniksen polvinivelessä. Kehitetyn menetelmän avulla pystyttiin erottamaan anatomiset nivelpinnat, joilla on erilainen biomekaaninen ympäristö. Menetelmä voi auttaa ymmärtämään luun ja ruston liitoskohdan merkitystä mekaanisen rasituksen, ikääntymisen ja nivelrikon aikana.Kolmannessa osatyössä koulutettiin syväoppivia superresoluutiomalleja ihmisen polvinäytteiden ja poistettujen hampaiden µTT-kuville. Mallien tarkkuutta arvioitiin riippumattomalla testiaineistolla teknisen kuvanlaadun, luun mikrorakenteiden ennustamiskyvyn sekä polven, ranteen, nilkan ja hampaiston kliinisen kuvanlaadun määrittämiseksi. Tällaisilla superresoluutiomalleilla tulee mahdollisesti olemaan paljon sovelluksia mm. tehokkaammassa diagnostiikassa ja hoidossa sekä potilaiden säteilyannosten alentamisessa.Yhteenvetona, ensimmäiset kaksi osatyötä mahdollistavat nivelrikon etiologian paremman ymmärtämisen. Kolmas osatyö taas yhdistää µTT:n laboratoriotarkkuuden kalkkeutuneiden kudosten kliiniseen kartiokeila-TT-kuvantamiseen. Kehitetyt avoimen lähdekoodin menetelmät muodostavat monimittakaavaisen kehyksen, joka voi olla hyödyllinen kolmiulotteisen lääketieteellisen datan kuvanparannuksessa, rajapintojen määrityksessä ja kvantitoinnissa myös näiden sovelluskohteiden ulkopuolella.OsajulkaisutOsajulkaisut eivät sisälly väitöskirjan elektroniseen versioon.Rytky, S. J. O., Tiulpin, A., Frondelius, T., Finnilä, M. A. J., Karhula, S. S., Leino, J., Pritzker, K. P. H., Valkealahti, M., Lehenkari, P., Joukainen, A., Kröger, H., Nieminen, H. J., & Saarakkala, S. (2020). Automating three-dimensional osteoarthritis histopathological grading of human osteochondral tissue using machine learning on contrast-enhanced micro-computed tomography. Osteoarthritis and Cartilage, 28(8), 1133–1144. https://doi.org/10.1016/j.joca.2020.05.002Rinnakkaistallennettu versioRytky, S. J. O., Huang, L., Tanska, P., Tiulpin, A., Panfilov, E., Herzog, W., Korhonen, R. K., Saarakkala, S., & Finnilä, M. A. J. (2021). Automated analysis of rabbit knee calcified cartilage morphology using micro‐computed tomography and deep learning. Journal of Anatomy, 239(2), 251–263. https://doi.org/10.1111/joa.13435Rinnakkaistallennettu versioRytky, S. J. O., Tiulpin, A., Finnilä, M. A. J., Karhula, S. S., Sipola, A., Kurttila, V., Valkealahti, M., Lehenkari, P., Joukainen, A., Kröger, H., Korhonen, R. K., Saarakkala, S., & Niinimäki, J. (2023). Clinical super-resolution computed tomography of bone microstructure: application in musculoskeletal and dental imaging. Manuscript in preparation.Academic dissertation to be presented with the assent of the Doctoral Programme Committee of Health and Biosciences of the University of Oulu for public defence in Auditorium F202 of the Faculty of Medicine (Aapistie 5 B), on 8 December 2023, at 12 noonAbstract
Osteoarthritis (OA) is a serious joint disease affecting millions of people globally. Early detection of the disease allows for slowing down its progression, leading to reduced healthcare costs. Furthermore, dental pathological conditions are highly prevalent and often lead to more extensive infection, comorbidities and costly late-stage interventions when left untreated. In this doctoral study, new methods are proposed for OA research and clinical computed tomography (CT) of mineralized tissues using laboratory micro-computed tomography (µCT) imaging and machine learning.
First, automated software was developed to assess the histopathologic grade of human osteochondral samples using machine learning and contrast-enhanced µCT. The automated grading performed adequately on independent data and, with further development, could be useful for the development of new OA drugs requiring objective assessment of the tissue changes.
In the second sub-study, deep-learning based segmentation and morphological analysis were used to assess the calcified cartilage thickness in New Zealand White rabbit knees. Analysis of µCT reconstructions and histological images could differentiate anatomical surfaces with distinct biomechanical environments. The developed technique is useful in understanding the role of osteochondral junction during mechanical load, aging and disease.
Finally, deep-learning based super-resolution models were trained on ex vivo µCT images of human knee samples and extracted teeth. The models were assessed rigorously with independent CT test data for technical image quality, ability to predict trabecular bone microstructure, as well as clinical image quality on the knee, wrist, ankle and maxillofacial region. The super-resolution techniques have the potential for earlier and more accurate diagnostics, treatment planning and dose reductions.
In conclusion, the first two sub-studies facilitate a better understanding of OA etiology in basic research. The third sub-study integrates the laboratory details of µCT into clinical cone-beam CT imaging of mineralized tissues. The developed methods are fully open-source comprising a multi-scale framework that could be useful for super-resolution, segmentation and quantification of volumetric medical image data also outside the scope of these applications.Tiivistelmä
Nivelrikko on maailman yleisin nivelsairaus, joka vaikeuttaa miljoonien ihmisten elämää maailmanlaajuisesti. Sairauden varhainen havaitseminen mahdollistaisi sen etenemisen hidastamisen, mikä edelleen johtaisi terveydenhuollon kustannusten alenemiseen. Hampaiston sairaudet ovat myös erittäin yleisiä ja johtavat hoitamattomina laajempiin tulehduksiin, liitännäissairauksiin ja kalliisiin myöhäisvaiheen toimenpiteisiin. Tässä väitöskirjassa kehitettiin uusia menetelmiä nivelrikon tutkimukseen ja mineralisoituneiden kudosten kliiniseen tietokonetomografiaan (TT) mikrotietokonetomografia (µTT) -laboratoriokuvantamisen ja koneoppimisen avulla.
Ensimmäisessä osatyössä kehitettiin automaattinen tietokoneohjelmisto ihmisen luu-rustonäytteiden histopatologiseen arviointiin koneoppimisen ja kontrastitehostetun µTT:n avulla. Automaattiarvioinnin suorituskyky osoittautui hyväksi, ja jatkokehityksen jälkeen menetelmää voitaisiin tulevaisuudessa käyttää esimerkiksi uusien nivelrikkolääkkeiden kehityksessä, missä vaaditaan objektiivista arviota nivelrikon kudosmuutoksille.
Toisessa osatyössä kehitettiin syväoppiva kuva-alueen rajausmenetelmä kalkkeutuneen nivelruston paksuuden määrittämiseen jäniksen polvinivelessä. Kehitetyn menetelmän avulla pystyttiin erottamaan anatomiset nivelpinnat, joilla on erilainen biomekaaninen ympäristö. Menetelmä voi auttaa ymmärtämään luun ja ruston liitoskohdan merkitystä mekaanisen rasituksen, ikääntymisen ja nivelrikon aikana.
Kolmannessa osatyössä koulutettiin syväoppivia superresoluutiomalleja ihmisen polvinäytteiden ja poistettujen hampaiden µTT-kuville. Mallien tarkkuutta arvioitiin riippumattomalla testiaineistolla teknisen kuvanlaadun, luun mikrorakenteiden ennustamiskyvyn sekä polven, ranteen, nilkan ja hampaiston kliinisen kuvanlaadun määrittämiseksi. Tällaisilla superresoluutiomalleilla tulee mahdollisesti olemaan paljon sovelluksia mm. tehokkaammassa diagnostiikassa ja hoidossa sekä potilaiden säteilyannosten alentamisessa.
Yhteenvetona, ensimmäiset kaksi osatyötä mahdollistavat nivelrikon etiologian paremman ymmärtämisen. Kolmas osatyö taas yhdistää µTT:n laboratoriotarkkuuden kalkkeutuneiden kudosten kliiniseen kartiokeila-TT-kuvantamiseen. Kehitetyt avoimen lähdekoodin menetelmät muodostavat monimittakaavaisen kehyksen, joka voi olla hyödyllinen kolmiulotteisen lääketieteellisen datan kuvanparannuksessa, rajapintojen määrityksessä ja kvantitoinnissa myös näiden sovelluskohteiden ulkopuolella
Magnetic resonance imaging-based biomarkers of knee osteoarthritis progression via deep learning
No full textAbstract
Knee osteoarthritis (KOA) is a common degenerative musculoskeletal disease that significantly affects the quality of life. Its progression, characterized by joint degeneration, pain, and functional impairment, is heterogeneous and inadequately understood. Magnetic Resonance Imaging (MRI) is instrumental in KOA research for studying changes in articular cartilage, bones, and other tissues. However, producing high-quality manual interpretations of multi-sequence MRI data requires substantial training and expertise, making it inefficient for large-scale studies. Deep learning (DL), which has excelled in computer vision, holds great promise for automating data analysis and advancing KOA research, though further development and rigorous validation are required.
Articular cartilage is one of the primary tissues affected by KOA and a common therapeutic target. To enable automatic quantitative assessment of cartilage changes from MRI, a DL-based segmentation method was developed and validated with Dual-Echo Steady-State (DESS) and Multi-Echo Spin-Echo sequences. Regularization techniques were evaluated to improve the robustness of the method across different data acquisition scenarios. The complete workflow for extracting subregional imaging biomarkers demonstrated results consistent with those of a semi-automatic workflow.
An alternative end-to-end method for biomarker extraction was developed to assess the predictive value of imaging data for KOA progression. The model, optimized for DESS MRI, outperformed its radiography counterpart. However, the fusion of multi-sequence MRI data (DESS, Turbo Spin-Echo, and T2map) with radiography data did not further improve performance across different progression horizons. Imaging-based models were more accurate at predicting the progression of subjects with prior knee injuries or surgical interventions.
DL demonstrated strong potential for analyzing multi-sequence MRI data to identify biomarkers associated with KOA progression. Its effectiveness was shown in automating segmentation, a key step in multi-stage prediction workflows. Additionally, end-to-end biomarker learning proved promising for modeling KOA progression directly from multimodal data. All developed methods have been openly released to facilitate further research and clinical applications. Original papers Panfilov, E., Tiulpin, A., Klein, S., Nieminen, M. T., & Saarakkala, S. (2019). Improving robustness of deep learning based knee MRI segmentation: Mixup and adversarial domain adaptation. 2019 IEEE/CVF International Conference on Computer Vision Workshop (ICCVW), 450–459. https://doi.org/10.1109/ICCVW.2019.00057 https://doi.org/10.1109/ICCVW.2019.00057 Self-archived version Panfilov, E., Tiulpin, A., Nieminen, M. T., Saarakkala, S., & Casula, V. (2022). Deep learning‐based segmentation of knee MRI for fully automatic subregional morphological assessment of cartilage tissues: Data from the Osteoarthritis Initiative. Journal of Orthopaedic Research, 40(5), 1113–1124. https://doi.org/10.1002/jor.25150 https://doi.org/10.1002/jor.25150 Self-archived version Panfilov, E., Saarakkala, S., Nieminen, M. T., & Tiulpin, A. (2022). Predicting knee osteoarthritis progression from structural MRI using deep learning. 2022 IEEE 19th International Symposium on Biomedical Imaging (ISBI), 1–5. https://doi.org/10.1109/ISBI52829.2022.9761458 https://doi.org/10.1109/ISBI52829.2022.9761458 Self-archived version Panfilov, E., Saarakkala, S., Nieminen, M. T., & Tiulpin, A. (2025). End-to-end prediction of knee osteoarthritis progression with multimodal transformers. IEEE Journal of Biomedical and Health Informatics. Advance online publication. https://doi.org/10.1109/JBHI.2025.3536170 https://doi.org/10.1109/JBHI.2025.3536170 Self-archived version Hirvasniemi, J., Runhaar, J., Van Der Heijden, R. A., Zokaeinikoo, M., Yang, M., Li, X., Tan, J., Rajamohan, H. R., Zhou, Y., Deniz, C. M., Caliva, F., Iriondo, C., Lee, J. J., Liu, F., Martinez, A. M., Namiri, N., Pedoia, V., Panfilov, E., Bayramoglu, N., … Klein, S. (2023). The KNee OsteoArthritis Prediction (KNOAP2020) challenge: An image analysis challenge to predict incident symptomatic radiographic knee osteoarthritis from MRI and X-ray images. Osteoarthritis and Cartilage, 31(1), 115–125. https://doi.org/10.1016/j.joca.2022.10.001 https://doi.org/10.1016/j.joca.2022.10.001 Self-archived version Tiivistelmä
Polven nivelrikko on yleinen degeneratiivinen tuki- ja liikuntaelinsairaus, joka vaikuttaa merkittävästi elämänlaatuun. Sairauden eteneminen ja siihen liittyvät ongelmat, kuten nivelten rappeutuminen, kipu ja toiminnalliset häiriöt, ovat yksilöllisiä eikä prosessia tunneta vielä riittävästi. Magneettiresonanssikuvantaminen (MRI) on keskeinen menetelmä polven nivelrikkoa tutkittaessa sekä nivelruston, luun ja muiden kudosten muutoksia kartoitettaessa. Laadukkaiden manuaalisten tulkintojen tuottaminen monisekvenssisestä MRI-datasta edellyttää kuitenkin koulutusta ja asiantuntemusta, minkä vuoksi se on tehotonta laajamittaisissa tutkimuksissa. Syväoppiminen, joka on saavuttanut erinomaisia tuloksia etenkin konenäön alalla, on lupaava menetelmä, jolla voidaan automatisoida tietojen analysointia ja edistää polven nivelrikon tutkimusta, mutta jatkokehittämistä ja tulosten perusteellista validointia tarvitaan.
Tärkeimpiä – ja hoidetuimpia – kudoksia, joihin nivelrikko polvessa vaikuttaa, on nivelrusto. Magneettikuvantamisessa havaittujen rustomuutosten automaattisen kvantitatiivisen arvioinnin mahdollistamiseksi kehitettiin ja validoitiin syväoppimiseen perustuva segmentointimenetelmä Dual-Echo Steady-State (DESS)- ja Multi-Echo Spin-Echo-sekvensseillä. Regularisointitekniikoita arvioitiin, jotta menetelmän luotettavuutta eri tiedonhankintaskenaarioissa voidaan parantaa. Täysin automatisoitu työnkulku alueellisten kuvantamisbiomarkkereiden poiminnassa tuotti tuloksia, jotka olivat yhdenmukaisia puoliautomaattisen työnkulun tulosten kanssa.
Biomarkkereiden poimintaa varten kehitettiin vaihtoehtoinen päästä päähän -menetelmä, jolla arvioidaan nivelrikon etenemiseen liittyvien kuvantamistietojen ennustearvoa. DESS MRI:tä varten optimoitu mallinnus päihitti radiografian. Monisekvenssisten MRI-tietojen (DESS, Turbo Spin-Echo ja T2map) yhdistäminen radiografiatietoihin ei kuitenkaan parantanut suorituskykyä eri etenemishorisonteilla. Kuvantamiseen perustuvat mallit olivat tarkempia ennustettaessa etenemistä potilailla, joilla oli taustalla aiempia polvivammoja tai kirurgisia toimenpiteitä.
Syväoppimisella on vahva potentiaali analysoida monisekvenssisiä MRI-tietoja nivelrikon etenemiseen liittyvien biomarkkerien tunnistamiseksi. Sen tehokkuus on osoitettu segmentoinnin automatisoinnissa, joka on tärkeä vaihe etenemisen ennustamiseen liittyvässä monivaiheisissa työnkuluissa. Lisäksi biomarkkerin kokonaisoppiminen on osoittautunut lupaavaksi välineeksi polven nivelrikon etenemisen mallintamisessa suoraan multimodaalidatasta. Kaikki kehitetyt menetelmät on julkaistu avoimesti lisätutkimuksen ja kliinisten sovellusten helpottamiseksi. Osajulkaisut Panfilov, E., Tiulpin, A., Klein, S., Nieminen, M. T., & Saarakkala, S. (2019). Improving robustness of deep learning based knee MRI segmentation: Mixup and adversarial domain adaptation. 2019 IEEE/CVF International Conference on Computer Vision Workshop (ICCVW), 450–459. https://doi.org/10.1109/ICCVW.2019.00057 https://doi.org/10.1109/ICCVW.2019.00057 Rinnakkaistallennettu versio Panfilov, E., Tiulpin, A., Nieminen, M. T., Saarakkala, S., & Casula, V. (2022). Deep learning‐based segmentation of knee MRI for fully automatic subregional morphological assessment of cartilage tissues: Data from the Osteoarthritis Initiative. Journal of Orthopaedic Research, 40(5), 1113–1124. https://doi.org/10.1002/jor.25150 https://doi.org/10.1002/jor.25150 Rinnakkaistallennettu versio Panfilov, E., Saarakkala, S., Nieminen, M. T., & Tiulpin, A. (2022). Predicting knee osteoarthritis progression from structural MRI using deep learning. 2022 IEEE 19th International Symposium on Biomedical Imaging (ISBI), 1–5. https://doi.org/10.1109/ISBI52829.2022.9761458 https://doi.org/10.1109/ISBI52829.2022.9761458 Rinnakkaistallennettu versio Panfilov, E., Saarakkala, S., Nieminen, M. T., & Tiulpin, A. (2025). End-to-end prediction of knee osteoarthritis progression with multimodal transformers. IEEE Journal of Biomedical and Health Informatics. Advance online publication. https://doi.org/10.1109/JBHI.2025.3536170 https://doi.org/10.1109/JBHI.2025.3536170 Rinnakkaistallennettu versio Hirvasniemi, J., Runhaar, J., Van Der Heijden, R. A., Zokaeinikoo, M., Yang, M., Li, X., Tan, J., Rajamohan, H. R., Zhou, Y., Deniz, C. M., Caliva, F., Iriondo, C., Lee, J. J., Liu, F., Martinez, A. M., Namiri, N., Pedoia, V., Panfilov, E., Bayramoglu, N., … Klein, S. (2023). The KNee OsteoArthritis Prediction (KNOAP2020) challenge: An image analysis challenge to predict incident symptomatic radiographic knee osteoarthritis from MRI and X-ray images. Osteoarthritis and Cartilage, 31(1), 115–125. https://doi.org/10.1016/j.joca.2022.10.001 https://doi.org/10.1016/j.joca.2022.10.001 Rinnakkaistallennettu versio Academic dissertation to be presented with the assent of the Doctoral Programme Committee of Health and Biosciences of the University of Oulu for public defence in Auditorium F202 of the Faculty of Medicine (Aapistie 5 B), on 15 August 2025, at 12 noonAbstract
Knee osteoarthritis (KOA) is a common degenerative musculoskeletal disease that significantly affects the quality of life. Its progression, characterized by joint degeneration, pain, and functional impairment, is heterogeneous and inadequately understood. Magnetic Resonance Imaging (MRI) is instrumental in KOA research for studying changes in articular cartilage, bones, and other tissues. However, producing high-quality manual interpretations of multi-sequence MRI data requires substantial training and expertise, making it inefficient for large-scale studies. Deep learning (DL), which has excelled in computer vision, holds great promise for automating data analysis and advancing KOA research, though further development and rigorous validation are required.
Articular cartilage is one of the primary tissues affected by KOA and a common therapeutic target. To enable automatic quantitative assessment of cartilage changes from MRI, a DL-based segmentation method was developed and validated with Dual-Echo Steady-State (DESS) and Multi-Echo Spin-Echo sequences. Regularization techniques were evaluated to improve the robustness of the method across different data acquisition scenarios. The complete workflow for extracting subregional imaging biomarkers demonstrated results consistent with those of a semi-automatic workflow.
An alternative end-to-end method for biomarker extraction was developed to assess the predictive value of imaging data for KOA progression. The model, optimized for DESS MRI, outperformed its radiography counterpart. However, the fusion of multi-sequence MRI data (DESS, Turbo Spin-Echo, and T2map) with radiography data did not further improve performance across different progression horizons. Imaging-based models were more accurate at predicting the progression of subjects with prior knee injuries or surgical interventions.
DL demonstrated strong potential for analyzing multi-sequence MRI data to identify biomarkers associated with KOA progression. Its effectiveness was shown in automating segmentation, a key step in multi-stage prediction workflows. Additionally, end-to-end biomarker learning proved promising for modeling KOA progression directly from multimodal data. All developed methods have been openly released to facilitate further research and clinical applications.Tiivistelmä
Polven nivelrikko on yleinen degeneratiivinen tuki- ja liikuntaelinsairaus, joka vaikuttaa merkittävästi elämänlaatuun. Sairauden eteneminen ja siihen liittyvät ongelmat, kuten nivelten rappeutuminen, kipu ja toiminnalliset häiriöt, ovat yksilöllisiä eikä prosessia tunneta vielä riittävästi. Magneettiresonanssikuvantaminen (MRI) on keskeinen menetelmä polven nivelrikkoa tutkittaessa sekä nivelruston, luun ja muiden kudosten muutoksia kartoitettaessa. Laadukkaiden manuaalisten tulkintojen tuottaminen monisekvenssisestä MRI-datasta edellyttää kuitenkin koulutusta ja asiantuntemusta, minkä vuoksi se on tehotonta laajamittaisissa tutkimuksissa. Syväoppiminen, joka on saavuttanut erinomaisia tuloksia etenkin konenäön alalla, on lupaava menetelmä, jolla voidaan automatisoida tietojen analysointia ja edistää polven nivelrikon tutkimusta, mutta jatkokehittämistä ja tulosten perusteellista validointia tarvitaan.
Tärkeimpiä – ja hoidetuimpia – kudoksia, joihin nivelrikko polvessa vaikuttaa, on nivelrusto. Magneettikuvantamisessa havaittujen rustomuutosten automaattisen kvantitatiivisen arvioinnin mahdollistamiseksi kehitettiin ja validoitiin syväoppimiseen perustuva segmentointimenetelmä Dual-Echo Steady-State (DESS)- ja Multi-Echo Spin-Echo-sekvensseillä. Regularisointitekniikoita arvioitiin, jotta menetelmän luotettavuutta eri tiedonhankintaskenaarioissa voidaan parantaa. Täysin automatisoitu työnkulku alueellisten kuvantamisbiomarkkereiden poiminnassa tuotti tuloksia, jotka olivat yhdenmukaisia puoliautomaattisen työnkulun tulosten kanssa.
Biomarkkereiden poimintaa varten kehitettiin vaihtoehtoinen päästä päähän -menetelmä, jolla arvioidaan nivelrikon etenemiseen liittyvien kuvantamistietojen ennustearvoa. DESS MRI:tä varten optimoitu mallinnus päihitti radiografian. Monisekvenssisten MRI-tietojen (DESS, Turbo Spin-Echo ja T2map) yhdistäminen radiografiatietoihin ei kuitenkaan parantanut suorituskykyä eri etenemishorisonteilla. Kuvantamiseen perustuvat mallit olivat tarkempia ennustettaessa etenemistä potilailla, joilla oli taustalla aiempia polvivammoja tai kirurgisia toimenpiteitä.
Syväoppimisella on vahva potentiaali analysoida monisekvenssisiä MRI-tietoja nivelrikon etenemiseen liittyvien biomarkkerien tunnistamiseksi. Sen tehokkuus on osoitettu segmentoinnin automatisoinnissa, joka on tärkeä vaihe etenemisen ennustamiseen liittyvässä monivaiheisissa työnkuluissa. Lisäksi biomarkkerin kokonaisoppiminen on osoittautunut lupaavaksi välineeksi polven nivelrikon etenemisen mallintamisessa suoraan multimodaalidatasta. Kaikki kehitetyt menetelmät on julkaistu avoimesti lisätutkimuksen ja kliinisten sovellusten helpottamiseksi
The effect of ageing, oestrogen and diet hardness on rat mandibular condylar cartilage
No full textAbstract
The aim of this study was to examine the effects of ageing, oestrogen, and dietary loading on the structure and composition of the mandibular condylar cartilage (MCC) in rats. The study was done using histomorphometry, immunohistochemistry, Fourier-transform infrared (FTIR) spectroscopy, and polarised light microscopy (PLM).
Morphometric characteristics and collagen expressions were studied in the MCC of 75 male and female rats exposed to different dietary loading conditions. The results showed that a hard diet increased cartilage thickness and type I collagen expression, especially in younger rats, while ageing was associated with increased Type II collagen expression.
Collagen and proteoglycan composition were analysed in 96 female rats using FTIR spectroscopy. Oestrogen deficiency was induced by ovariectomy at 7 weeks of age. Ageing and a soft diet were associated with increased collagen content in deeper layers of the MCC, while a hard diet enhanced proteoglycan content. Oestrogen deficiency modified the distribution of both collagen and proteoglycan.
Collagen fibre orientation and retardance in PLM were studied in the same ovariectomised and non-ovariectomised female rat groups as in the FTIR spectroscopy study. Ageing led to increased fibre disorientation and reduced retardance. Oestrogen deficiency further impaired collagen alignment, whereas diet board feeding increased the orientation angle in the deep layer.
The results of this study suggest that ageing, low oestrogen levels, and reduced masticatory loading compromise the structural integrity of the MCC in the regions analysed, increasing their susceptibility to region-specific alterations in cartilage composition and organisation. Original papers Orajärvi, M., Laaksonen, S., Hauru, R., Mursu, E., Jonaviciute, E., Voipio, H.-M., Raustia, A., & Pirttiniemi, P. (2018). Changes in type I and type II collagen expression in rat mandibular condylar cartilage associated with aging and dietary loading. Journal of Oral & Facial Pain and Headache, 32(3), 258–265. https://doi.org/10.11607/ofph.1581 https://doi.org/10.11607/ofph.1581 Hauru, R., Rieppo, L., Tuomisto, T., Yu, J., Laaksonen, S., Saarakkala, S., Raustia, A., & Pirttiniemi, P. (2024). Fourier‐transform infrared study on effects of ageing, oestrogen level and altered dietary loading on rat mandibular condylar cartilage. Orthodontics & Craniofacial Research, 27(1), 151–164. https://doi.org/10.1111/ocr.12693 https://doi.org/10.1111/ocr.12693 Self-archived version Hauru, R., Shakya, B., Rieppo, L., Silvola, A., Yu, J., Laaksonen, S., Saarakkala, S., Raustia, A., & Pirttiniemi, P. (2025). Effects of ageing, oestrogen level and altered dietary loading on rat mandibular cartilage—A polarised light microscopy study. Orthodontics & Craniofacial Research, 28(6), 971–976. https://doi.org/10.1111/ocr.70010 https://doi.org/10.1111/ocr.70010 Self-archived version Tiivistelmä
Tutkimuksen tavoitteena oli selvittää iän, estrogeenitason ja purentarasituksen vaikutuksia rotan alaleuan kondyyliruston rakenteeseen ja koostumukseen. Tutkimuksen menetelminä käytettiin histomorfometriaa, immunohistokemiaa, Fourier-muunnettua infrapunaspektroskopiaa (FTIR) ja polarisoivaa valomikroskopiaa (PLM). Kondyyliruston eri kerrosten paksuutta ja kollageenia tutkittiin 75 naaras- ja urospuolisella rotalla, jotka altistettiin erilaisille ruokavalion aiheuttamille purentakuormituksille. Tulokset osoittivat lisääntyneen purentakuormituksen lisäävän ruston paksuutta ja tyypin I kollageenin määrää erityisesti nuorilla rotilla, kun taas ikääntyminen lisäsi tyypin II kollageenin määrää. FTIR-spektroskopiaa käytettiin analysoimaan tyypin I ja II kollageenin sekä proteoglykaanien ilmentymistä 96 naarasrotan kondyylirustossa. Näistä osalle oli tehty ovariektomia estrogeenitasoerojen aikaansaamiseksi. Ikääntyminen ja pehmeä ruokavalio lisäsivät kollageenin määrää syvissä rustosolukerroksissa, kun taas kova ruokavalio lisäsi proteoglykaanipitoisuutta. Estrogeenivaje vaikutti sekä kollageenin että proteoglykaanien jakautumiseen rustossa.
Kollageenisäikeiden suuntautumista ja viivettä (retardanssia) PLM-menetelmää käytettäessä tutkittiin samoilla alaleuan kondyylirustonäytteillä kuin FTIR-analyysissä. Ikääntyminen lisäsi kollageenisäikeiden epäjärjestystä ja vähensi retardanssia erityisesti ruston pintakerroksessa. Estrogeenivaje ja pehmeä ruokavalio heikensivät kollageenisäikeiden järjestäytyneisyyttä, kun taas kova ruokavalio näyttäisi lieventävän näitä muutoksia.
Tulokset viittaavat, että ikä, matala estrogeenitaso ja vähentynyt kuormitus heikentävät kondyyliruston rakennetta tutkituilla alueilla voiden altistaa sen paikallisille muutoksille ruston koostumuksessa. Osajulkaisut Orajärvi, M., Laaksonen, S., Hauru, R., Mursu, E., Jonaviciute, E., Voipio, H.-M., Raustia, A., & Pirttiniemi, P. (2018). Changes in type I and type II collagen expression in rat mandibular condylar cartilage associated with aging and dietary loading. Journal of Oral & Facial Pain and Headache, 32(3), 258–265. https://doi.org/10.11607/ofph.1581 https://doi.org/10.11607/ofph.1581 Hauru, R., Rieppo, L., Tuomisto, T., Yu, J., Laaksonen, S., Saarakkala, S., Raustia, A., & Pirttiniemi, P. (2024). Fourier‐transform infrared study on effects of ageing, oestrogen level and altered dietary loading on rat mandibular condylar cartilage. Orthodontics & Craniofacial Research, 27(1), 151–164. https://doi.org/10.1111/ocr.12693 https://doi.org/10.1111/ocr.12693 Rinnakkaistallennettu versio Hauru, R., Shakya, B., Rieppo, L., Silvola, A., Yu, J., Laaksonen, S., Saarakkala, S., Raustia, A., & Pirttiniemi, P. (2025). Effects of ageing, oestrogen level and altered dietary loading on rat mandibular cartilage—A polarised light microscopy study. Orthodontics & Craniofacial Research, 28(6), 971–976. https://doi.org/10.1111/ocr.70010 https://doi.org/10.1111/ocr.70010 Rinnakkaistallennettu versio Academic dissertation to be presented with the assent of the Doctoral Programme 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 20 March 2026, at 12 noonAbstract
The aim of this study was to examine the effects of ageing, oestrogen, and dietary loading on the structure and composition of the mandibular condylar cartilage (MCC) in rats. The study was done using histomorphometry, immunohistochemistry, Fourier-transform infrared (FTIR) spectroscopy, and polarised light microscopy (PLM).
Morphometric characteristics and collagen expressions were studied in the MCC of 75 male and female rats exposed to different dietary loading conditions. The results showed that a hard diet increased cartilage thickness and type I collagen expression, especially in younger rats, while ageing was associated with increased Type II collagen expression.
Collagen and proteoglycan composition were analysed in 96 female rats using FTIR spectroscopy. Oestrogen deficiency was induced by ovariectomy at 7 weeks of age. Ageing and a soft diet were associated with increased collagen content in deeper layers of the MCC, while a hard diet enhanced proteoglycan content. Oestrogen deficiency modified the distribution of both collagen and proteoglycan.
Collagen fibre orientation and retardance in PLM were studied in the same ovariectomised and non-ovariectomised female rat groups as in the FTIR spectroscopy study. Ageing led to increased fibre disorientation and reduced retardance. Oestrogen deficiency further impaired collagen alignment, whereas diet board feeding increased the orientation angle in the deep layer.
The results of this study suggest that ageing, low oestrogen levels, and reduced masticatory loading compromise the structural integrity of the MCC in the regions analysed, increasing their susceptibility to region-specific alterations in cartilage composition and organisation.Tiivistelmä
Tutkimuksen tavoitteena oli selvittää iän, estrogeenitason ja purentarasituksen vaikutuksia rotan alaleuan kondyyliruston rakenteeseen ja koostumukseen. Tutkimuksen menetelminä käytettiin histomorfometriaa, immunohistokemiaa, Fourier-muunnettua infrapunaspektroskopiaa (FTIR) ja polarisoivaa valomikroskopiaa (PLM). Kondyyliruston eri kerrosten paksuutta ja kollageenia tutkittiin 75 naaras- ja urospuolisella rotalla, jotka altistettiin erilaisille ruokavalion aiheuttamille purentakuormituksille. Tulokset osoittivat lisääntyneen purentakuormituksen lisäävän ruston paksuutta ja tyypin I kollageenin määrää erityisesti nuorilla rotilla, kun taas ikääntyminen lisäsi tyypin II kollageenin määrää. FTIR-spektroskopiaa käytettiin analysoimaan tyypin I ja II kollageenin sekä proteoglykaanien ilmentymistä 96 naarasrotan kondyylirustossa. Näistä osalle oli tehty ovariektomia estrogeenitasoerojen aikaansaamiseksi. Ikääntyminen ja pehmeä ruokavalio lisäsivät kollageenin määrää syvissä rustosolukerroksissa, kun taas kova ruokavalio lisäsi proteoglykaanipitoisuutta. Estrogeenivaje vaikutti sekä kollageenin että proteoglykaanien jakautumiseen rustossa.
Kollageenisäikeiden suuntautumista ja viivettä (retardanssia) PLM-menetelmää käytettäessä tutkittiin samoilla alaleuan kondyylirustonäytteillä kuin FTIR-analyysissä. Ikääntyminen lisäsi kollageenisäikeiden epäjärjestystä ja vähensi retardanssia erityisesti ruston pintakerroksessa. Estrogeenivaje ja pehmeä ruokavalio heikensivät kollageenisäikeiden järjestäytyneisyyttä, kun taas kova ruokavalio näyttäisi lieventävän näitä muutoksia.
Tulokset viittaavat, että ikä, matala estrogeenitaso ja vähentynyt kuormitus heikentävät kondyyliruston rakennetta tutkituilla alueilla voiden altistaa sen paikallisille muutoksille ruston koostumuksessa
Matalaenergisten lonkkamaljan murtumien monikomponenttinen elementtianalyysi : Lantion murtumamekanismin laskennallinen tutkimus
No full textAbstractOsteoporosis significantly increases the risk of bone fracture. Falls are the leading cause of osteoporotic fracture among elderly people. The incidence of low-energy acetabular fracture among the elderly population has been increasing in developed countries in recent decades. Low-energy acetabular fractures mostly happen due to falling from a standing height. While the mechanism of proximal femur fracture due to low-energy falls has been investigated widely owing to higher incidence and the associated morbidities and mortalities, the biomechanical mechanism responsible for acetabular fracture has remained underexplored. Through developing comprehensive finite element models as a reliable and cost-effective method of study, this thesis aims to evaluate the effects of various biomechanical factors contributing to the occurrence, severity, and type of acetabular fracture during low-energy sideways falls.The finite element models were based on abdominal computed tomography (CT) images of a median male without acetabular fracture history, retrieved from a large clinical dataset. While the bony parts and trochanteric soft tissue were reconstructed directly from the CT images, cartilages and ligaments were added manually according to anatomy and literature. The material models able to simulate the behavior of tissues during the impact loading condition were considered. Initial/boundary conditions, loads, contacts, interactions, and controlling parameters were applied according to the literature. By varying the corresponding variables in the model, the effects of body configuration, impact velocity, flooring material, trochanteric soft tissue stiffness, and bone loss on the risk the acetabular fracture were investigated.Results of the current study showed that the effects of body configuration, impact velocity, and bone loss on the risk of acetabular fracture are substantial. However, the effects of flooring material and trochanteric soft tissue stiffness remained marginal. This study suggests a horizontal trunk and femur at the impact, the impact velocity higher than 3.17 m/s, and severe bone loss increase the risk of acetabular fracture considerably.In conclusion, it appears that among studied biomechanical factors, those related to the bone quality and kinematics of the fall have a significant effect on the risk of acetabular fracture. Original papersOriginal papers are not included in the electronic version of the dissertation.Khakpour, S., Tanska, P., Saarakkala, S., Korhonen, R. K., & Jämsä, T. (2021). The effect of body configuration on the strain magnitude and distribution within the acetabulum during sideways falls: A finite element approach. Journal of Biomechanics, 114, 110156. https://doi.org/10.1016/j.jbiomech.2020.110156Self-archived versionKhakpour, S., Tanska, P., Esrafilian, A., Mononen, M. E., Saarakkala, S., Korhonen, R. K., & Jämsä, T. (2021). Effect of impact velocity, flooring material, and trochanteric soft-tissue quality on acetabular fracture during a sideways fall: A parametric finite element approach. Applied Sciences, 11(1), 365. https://doi.org/10.3390/app11010365Self-archived versionKhakpour, S., Esrafilian, A., Tanska, P., Mononen, M. E., Korhonen, R. K., & Jämsä, T. (2021). Effect of osteoporosis-related reduction in the mechanical properties of bone on the acetabular fracture during a sideways fall: A parametric finite element approach. Manuscript in preparation.TiivistelmäLuukato eli osteoporoosi lisää merkittävästi luunmurtuman riskiä. Kaatuminen on tärkein osteoporoottisten murtumien syy ikääntyvillä. Matalaenergisten lonkkamaljan murtumien esiintyvyys on kasvanut kehittyneissä maissa viime vuosikymmeninä. Useimmiten matalaenergiset lonkkamaljan murtumat ovat seurausta kaatumisesta. Kaatumisen aiheuttamien lonkkamurtumien mekamismia on tutkittu runsaasti, koska niitä esiintyy enemmän ja niihin liittyy korkea sairastavuus ja kuolleisuus. Sen sijaan lonkkamaljan biomekaanista mekanismia on toistaiseksi tutkittu vain vähän. Tämän väitöstutkimuksen tavoitteena oli arvioida erilaisten biomekaanisten tekijöiden vaikutusta matalaenergisen kaatumisen aiheuttaman lonkkamaljan murtuman esiintymiseen, vakavuuteen ja murtumatyyppiin, kehittäen siihen soveltuvia luotettavia, kustannustehokkaita elementtimalleja.Elementtimallit perustuivat tietokonetomografiakuviin (TT), jotka oli valikoitu laajasta kliinisestä aineistosta edustamaan sellaisten miesten mediaania, joilla ei ole lonkkamaljan murtumaa. Luut ja pehmytkudos rekonstruoitiin suoraan TT-kuvista. Rustokudos ja nivelsiteet lisättiin manuaalisesti niiden anatomian ja kirjallisuuden perusteella. Materiaalimallit valittiin niin, että niillä voidaan simuloida kudosten käyttäytymistä törmäyskuormitustilanteessa. Alku- ja reunaehdot, kuormitukset, rajakontaktit, vuorovaikutukset ja säätöparametrit valittiin kirjallisuuden perusteella. Kehon asennon, törmäysnopeuden, lattiamateriaalin, pehmytkudoksen jäykkyyden ja luukadon vaikutusta lonkkamaljan murtumariskiin tutkittiin vaihtelemalla kyseisiä muuttujia.Tutkimuksen tulokset osoittivat, että kehon asento, törmäysnopeus ja luukato vaikuttavat oleellisesti lonkkamaljan murtumariskiin. Sen sijaan lattiamateriaalin ja pehmytkudoksen jäykkyyden vaikutus jäi vähäiseksi. Tutkimuksen perusteella törmäyshetkellä vaakasuorassa olevat vartalo ja reisi, yli 3,17 m/s törmäysnopeus sekä merkittävä luukato lisäävät huomattavasti lonkkamaljan murtumariskiä.Loppupäätelmänä voidaan todeta, että tutkituista suureista niillä, jotka liittyvät luun laatuun sekä kaatumistapahtuman kinematiikkaan, on merkittävä vaikutus riskiin saada lonkkamaljan murtuma.OsajulkaisutOsajulkaisut eivät sisälly väitöskirjan elektroniseen versioon.Khakpour, S., Tanska, P., Saarakkala, S., Korhonen, R. K., & Jämsä, T. (2021). The effect of body configuration on the strain magnitude and distribution within the acetabulum during sideways falls: A finite element approach. Journal of Biomechanics, 114, 110156. https://doi.org/10.1016/j.jbiomech.2020.110156Rinnakkaistallennettu versioKhakpour, S., Tanska, P., Esrafilian, A., Mononen, M. E., Saarakkala, S., Korhonen, R. K., & Jämsä, T. (2021). Effect of impact velocity, flooring material, and trochanteric soft-tissue quality on acetabular fracture during a sideways fall: A parametric finite element approach. Applied Sciences, 11(1), 365. https://doi.org/10.3390/app11010365Rinnakkaistallennettu versioKhakpour, S., Esrafilian, A., Tanska, P., Mononen, M. E., Korhonen, R. K., & Jämsä, T. (2021). Effect of osteoporosis-related reduction in the mechanical properties of bone on the acetabular fracture during a sideways fall: A parametric finite element approach. Manuscript in preparation.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 Auditorium K101 of the Faculty of Medicine (Aapistie 7 A), on 4 February 2022, at 12 noonAbstract
Osteoporosis significantly increases the risk of bone fracture. Falls are the leading cause of osteoporotic fracture among elderly people. The incidence of low-energy acetabular fracture among the elderly population has been increasing in developed countries in recent decades. Low-energy acetabular fractures mostly happen due to falling from a standing height. While the mechanism of proximal femur fracture due to low-energy falls has been investigated widely owing to higher incidence and the associated morbidities and mortalities, the biomechanical mechanism responsible for acetabular fracture has remained underexplored. Through developing comprehensive finite element models as a reliable and cost-effective method of study, this thesis aims to evaluate the effects of various biomechanical factors contributing to the occurrence, severity, and type of acetabular fracture during low-energy sideways falls.
The finite element models were based on abdominal computed tomography (CT) images of a median male without acetabular fracture history, retrieved from a large clinical dataset. While the bony parts and trochanteric soft tissue were reconstructed directly from the CT images, cartilages and ligaments were added manually according to anatomy and literature. The material models able to simulate the behavior of tissues during the impact loading condition were considered. Initial/boundary conditions, loads, contacts, interactions, and controlling parameters were applied according to the literature. By varying the corresponding variables in the model, the effects of body configuration, impact velocity, flooring material, trochanteric soft tissue stiffness, and bone loss on the risk the acetabular fracture were investigated.
Results of the current study showed that the effects of body configuration, impact velocity, and bone loss on the risk of acetabular fracture are substantial. However, the effects of flooring material and trochanteric soft tissue stiffness remained marginal. This study suggests a horizontal trunk and femur at the impact, the impact velocity higher than 3.17 m/s, and severe bone loss increase the risk of acetabular fracture considerably.
In conclusion, it appears that among studied biomechanical factors, those related to the bone quality and kinematics of the fall have a significant effect on the risk of acetabular fracture.Tiivistelmä
Luukato eli osteoporoosi lisää merkittävästi luunmurtuman riskiä. Kaatuminen on tärkein osteoporoottisten murtumien syy ikääntyvillä. Matalaenergisten lonkkamaljan murtumien esiintyvyys on kasvanut kehittyneissä maissa viime vuosikymmeninä. Useimmiten matalaenergiset lonkkamaljan murtumat ovat seurausta kaatumisesta. Kaatumisen aiheuttamien lonkkamurtumien mekamismia on tutkittu runsaasti, koska niitä esiintyy enemmän ja niihin liittyy korkea sairastavuus ja kuolleisuus. Sen sijaan lonkkamaljan biomekaanista mekanismia on toistaiseksi tutkittu vain vähän. Tämän väitöstutkimuksen tavoitteena oli arvioida erilaisten biomekaanisten tekijöiden vaikutusta matalaenergisen kaatumisen aiheuttaman lonkkamaljan murtuman esiintymiseen, vakavuuteen ja murtumatyyppiin, kehittäen siihen soveltuvia luotettavia, kustannustehokkaita elementtimalleja.
Elementtimallit perustuivat tietokonetomografiakuviin (TT), jotka oli valikoitu laajasta kliinisestä aineistosta edustamaan sellaisten miesten mediaania, joilla ei ole lonkkamaljan murtumaa. Luut ja pehmytkudos rekonstruoitiin suoraan TT-kuvista. Rustokudos ja nivelsiteet lisättiin manuaalisesti niiden anatomian ja kirjallisuuden perusteella. Materiaalimallit valittiin niin, että niillä voidaan simuloida kudosten käyttäytymistä törmäyskuormitustilanteessa. Alku- ja reunaehdot, kuormitukset, rajakontaktit, vuorovaikutukset ja säätöparametrit valittiin kirjallisuuden perusteella. Kehon asennon, törmäysnopeuden, lattiamateriaalin, pehmytkudoksen jäykkyyden ja luukadon vaikutusta lonkkamaljan murtumariskiin tutkittiin vaihtelemalla kyseisiä muuttujia.
Tutkimuksen tulokset osoittivat, että kehon asento, törmäysnopeus ja luukato vaikuttavat oleellisesti lonkkamaljan murtumariskiin. Sen sijaan lattiamateriaalin ja pehmytkudoksen jäykkyyden vaikutus jäi vähäiseksi. Tutkimuksen perusteella törmäyshetkellä vaakasuorassa olevat vartalo ja reisi, yli 3,17 m/s törmäysnopeus sekä merkittävä luukato lisäävät huomattavasti lonkkamaljan murtumariskiä.
Loppupäätelmänä voidaan todeta, että tutkituista suureista niillä, jotka liittyvät luun laatuun sekä kaatumistapahtuman kinematiikkaan, on merkittävä vaikutus riskiin saada lonkkamaljan murtuma
Deep learning for knee osteoarthritis diagnosis and progression prediction from plain radiographs and clinical data
No full textAbstract
Osteoarthritis (OA) is the most common musculoskeletal disorder in the world, affecting hand, hip, and knee joints. At the final stage, OA leads to joint replacement, causing an immense burden at the individual and societal levels. Multiple risk factors that can lead to OA are known; however, the etiology of OA and the underlying mechanisms of OA progression are not currently known.
OA is currently diagnosed by a clinical examination and, when necessary, confirmed by imaging — a radiographic evaluation. However, these conventional tools are not sensitive to detect the early stages of OA, which makes the development of preventive measures for further disease progression difficult. Therefore, there is a need for other methods that could allow for the early diagnosis of OA. As such, computer vision-based techniques provide quantitative biomarkers that allow for an automatic and systematic assessment of OA severity from images.
In recent years, the rapid development of computer vision and machine learning methods have merged into a new field — deep learning (DL). DL allows for one to formulate the problems of computer vision and other fields in a machine learning fashion. In the medical field, DL has made a tremendous impact and allowed to approach for human-level decision-making accuracy in diagnostic and prognostic tasks compared with the traditional computer vision-based methods.
The focus of this thesis is on the development of DL-based methods for fully automatic knee OA severity diagnosis and the prediction of its progression. Multiple new methods for localizing the region of interest, landmark localization, knee OA severity assessment, and OA progression prediction are proposed. The results exceeded the state-of-the-art or formed completely new benchmarks for the evaluation of diagnostic and predictive model performance in OA. The main conclusion is that DL yields excellent performance in the diagnostics of OA and in the prediction of its progression. All the source codes of all the developed methods and the annotations for some of the datasets have been made publicly available.Tiivistelmä
Nivelrikko on maailman yleisin käden, lonkan ja polven niveliin vaikuttava liikuntaelinsairaus. Viimekädessä nivelrikko johtaa tekonivelleikkauksiin, aiheuttaen merkittävää rasitetta niin yksilö- kuin yhteiskunnallisella tasolla. Monia nivelrikolle altistavia tekijöitä on jo tunnistettu, mutta kaikkia nivelrikon syitä ja vaikutusmekanismeja nivelrikon etenemisessä ei tunneta.
Nivelrikko diagnosoidaan kliinisellä tutkimuksella ja vahvistetaan/varmistetaan tarvittaessa tehtävällä kuvantamistutkimuksella — tekemällä radiografinen arviointi. Nämä perinteiset työkalut eivät kuitenkaan ole riittävän herkkiä nivelrikon varhaisten vaiheiden havaitsemiseen, ja tämä hankaloittaa sairauden kehittymistä ehkäisevien toimenpiteiden kehittämistä. Näistä syistä johtuen tarvitaan muita menetelmiä, jotka mahdollistavat nivelrikon varhaisen diagnosoinnin. Konenäkömenetelmät sellaisenaan tuottavat kvantitatiivisia biologisia indikaattoreita jotka mahdollistavat automaattisen ja järjestelmällisen nivelrikon vakavuusarvion tekemisen kuvamateriaalista.
Viime vuosina konenäkö- ja koneoppimismenetelmien nopea kehitys on synnyttänyt uuden syväoppimisen haaran. Syväoppiminen mahdollistaa konenäkö- ja muiden ongelmien määrittelyn koneoppimisongelman tavoin. Verrattuna perinteisiin lääketieteessä käytettyihin tietokonenäkömenetelmiin, syväoppiminen on mahdollistanut ihmisen suorituskykyä lähestyvät toteutukset lääketieteen diagnostisissa ja prognostisissa tehtävissä ja niiden vaikutus alan kehitykselle on ollut merkittävä.
Tämän väitöskirja keskittyy kehittämään syväoppimismenetelmiä täysautomaattiseen polven nivelrikon vakavuuden diagnosointiin ja taudin kehittymisen ennustamiseen. Työssä ehdotetaan/esitetään useita uusia menetelmiä kohdealueen paikallistamiseen, maamerkkien paikallistamiseen, polven nivelrikon vakavuuden arviointiin ja nivelrikon etenemisen ennustamiseen. Työn tulokset ylittävät viimeisintä tekniikkaa edustavat ratkaisut tai muodostavat täysin uuden mittarin diagnostisten ja ennustavien menetelmien suorituskyvyn evaluoinnille nivelrikon kontekstissa. Työn keskeisimpänä johtopäätöksenä esitetään, että syväoppimisella on mahdollista saavuttaa erittäin hyvä suorituskyky nivelrikon diagnosoinnissa ja sen etenemisen ennustamisessa. Kaikki työssä kehitetyt menetelmät lähdekoodeineen sekä annotoinnit osalle tutkimuksessa käytetyistä aineistoista on saatettu avoimesti saataville
Lääketieteellisen kuvantamisen tehostaminen kuvarekonstruktio- ja koneoppimismenetelmillä : Käyttötapauksia tietokonetomografiassa ja magneettikuvauksessa
No full textAbstractMedical imaging encompasses many imaging modalities with different background physics and technological aspects, but they are united under the same premise: measuring data that can be expressed in image format. Furthermore, imaging protocols are designed to measure features that are archetypical for certain diseases, based on which a diagnosis can be made. Indeed, medical images are far more than just pictures, they contain a substantial amount of information. Some features are not visible to the naked eye, and computational means must be used to analyze them. The extraction and analysis of those features to serve as complementary information for diagnostic decision-making is called radiomics.This doctoral dissertation focuses on applying algorithms in medical imaging use-tasks for an improved workflow. In the first use-case, iterative reconstruction (IR) algorithms were applied for micro-computed tomography (μCT) reconstruction using a limited amount of measured data. Doing so could facilitate the imaging workflow in μCT laboratories, as samples could be imaged more efficiently as less data are measured. The second use-case considered the interpretation of low back pain (LBP) from lumbar spine magnetic resonance imaging (MRI), which is a challenging task as subjects with degenerative features seen in MRI can be completely asymptomatic. To complement the MRI findings, a texture analysis (TA) pipeline employing radiomics methodology was developed for LBP classification. Finally, in the third use-case a deep learning (DL) -based image reconstruction method was developed for interior computed tomography (CT) angiography. CT is a major source of populational radiation strain, so reducing the dose by scanning only an internal region of the body has the potential to achieve dose-efficiency.The results showed that a quantitative feature analysis in a μCT study could be performed with much less projection data than measured with a scanner traditionally. In addition, the developed TA method was able to differentiate subjects suffering from LBP from those who were asymptomatic, and an anatomical correspondence to pain manifestation was found. Finally, the developed DL reconstruction network was able to produce excellent image quality, and even increase the reconstructed field-of-view.Original papersOriginal papers are not included in the electronic version of the dissertation.Ketola, J. H., Karhula, S. S., Finnilä, M. A. J., Korhonen, R. K., Herzog, W., Siltanen, S., Nieminen, M. T., & Saarakkala, S. (2018). Iterative and discrete reconstruction in the evaluation of the rabbit model of osteoarthritis. Scientific Reports, 8(1), 12051. https://doi.org/10.1038/s41598-018-30334-8Self-archived versionKetola, J. H. J., Inkinen, S. I., Karppinen, J., Niinimäki, J., Tervonen, O., & Nieminen, M. T. (2021). T2-weighted magnetic resonance imaging texture as predictor of low back pain: a texture analysis‐based classification pipeline to symptomatic and asymptomatic cases. Journal of Orthopaedic Research, 39(11), 2428–2438. https://doi.org/10.1002/jor.24973Self-archived versionKetola, J. H. J., Heino, H., Juntunen, M. A. K., Siltanen, S., Nieminen, M. T., & Inkinen, S. I. (2021). Generative adversarial networks improve interior computed tomography reconstruction. Manuscript submitted for publication. https://doi.org/10.1088/2057-1976/ac31cbSelf-archived versionTiivistelmäLääketieteellinen kuvantaminen käsittää useita kuvantamismodaliteetteja, joiden taustalla oleva fysiikka ja teknologiset yksityiskohdat poikkeavat merkittävästi. Kuvantamisen lähtökohta on kuitenkin kaikilla menetelmillä sama: Ne mittaavat dataa potilaasta ja esittävät mittauksen kuvan muodossa. Kuvausprotokollat suunnitellaan siten, että niissä näkyvät piirteet paljastavat tietyille sairauksille tyypillisiä ominaisuuksia, joiden perusteella voidaan päätyä diagnoosiin. Visuaalisen sisällön lisäksi lääketieteelliset kuvat sisältävät valtavan määrän informaatiota, jota kaikkea ei voi prosessoida paljain silmin. Tällöin avuksi tarvitaan laskennallisia menetelmiä, kuten kvantitatiivisia piirteitä analysoivaa radiomiikkaa.Tämä väitöskirja käsittelee kuvarekonstruktio- ja koneoppimisalgoritmien soveltamista kolmeen kuvantamisen käyttötapaukseen. Ensimmäisessä käyttötapauksessa hyödynnettiin iteratiivisia kuvarekonstruktioalgoritmeja rekonstruoimaan harvasti näytteistettyä projektiodataa mikro-tietokonetomografiassa (μTT). Tämä voisi olla hyödyllistä μTT-kuvauksen optimoinnissa, koska kuvausaikojen ollessa pitkiä vain hyvin rajallinen määrä näytteitä on mahdollista kuvata prekliinisissä tutkimuksissa. Toinen käyttötapaus käsitteli lannerangan magneettikuvien (MRI) tulkintaa. Alaselkäkivun yhteydessä MRI-kuvissa voi näkyä degeneratiivisia muutoksia, mutta nämä muutokset ovat tyypillisiä myös oireettomilla potilailla. Tutkimuksessa kehitettiin tekstuurianalyysimenetelmä (TA) hyödyntäen radiomiikkaa, jonka avulla pystyttiin luokittelemaan aineistossa olleet koehenkilöt kivuliaisiin ja oireettomiin. Viimeisessä käyttötapauksessa kehitettiin syväoppiva neuroverkko kardiologisen tietokonetomografian rekonstruktioon (TT) ns. sisätomografiaongelmassa, jossa katetaan vain potilaan sisäinen mielenkiintoalue röntgenkeilalla. TT:stä aiheutuu merkittävä osa populaation säteilyrasituksesta, joten annoksen vähentämiseen tähtäävillä menetelmillä on selkeä kansanterveydellinen hyöty.Tulosten pohjalta selvisi, että vaihtamalla rekonstruktioalgoritmia kvantitatiivista μTT:tä voitaisiin tehdä pienemmällä määrällä projektiodataa kuin yleensä mitataan. Lisäksi kehitetty TA-menetelmä pystyi erottelemaan kivuliaat koehenkilöt oireettomista, ja luokittelun onnistumisen havaittiin riippuvan käytetystä anatomisesta mielenkiintoalueesta. Lopuksi, kehitetyllä syväoppivalla rekonstruktiomenetelmällä saavutettiin selkeä kuvanlaadullinen parannus, ja rekonstruoitua aluetta voitiin jopa kasvattaa.OsajulkaisutOsajulkaisut eivät sisälly väitöskirjan elektroniseen versioon.Ketola, J. H., Karhula, S. S., Finnilä, M. A. J., Korhonen, R. K., Herzog, W., Siltanen, S., Nieminen, M. T., & Saarakkala, S. (2018). Iterative and discrete reconstruction in the evaluation of the rabbit model of osteoarthritis. Scientific Reports, 8(1), 12051. https://doi.org/10.1038/s41598-018-30334-8Rinnakkaistallennettu versioKetola, J. H. J., Inkinen, S. I., Karppinen, J., Niinimäki, J., Tervonen, O., & Nieminen, M. T. (2021). T2-weighted magnetic resonance imaging texture as predictor of low back pain: a texture analysis‐based classification pipeline to symptomatic and asymptomatic cases. Journal of Orthopaedic Research, 39(11), 2428–2438. https://doi.org/10.1002/jor.24973Rinnakkaistallennettu versioKetola, J. H. J., Heino, H., Juntunen, M. A. K., Siltanen, S., Nieminen, M. T., & Inkinen, S. I. (2021). Generative adversarial networks improve interior computed tomography reconstruction. Manuscript submitted for publication. https://doi.org/10.1088/2057-1976/ac31cbRinnakkaistallennettu versioAcademic 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 Auditorium P117 (Aapistie 5B), on 19 November 2021, at 12 noonAbstract
Medical imaging encompasses many imaging modalities with different background physics and technological aspects, but they are united under the same premise: measuring data that can be expressed in image format. Furthermore, imaging protocols are designed to measure features that are archetypical for certain diseases, based on which a diagnosis can be made. Indeed, medical images are far more than just pictures, they contain a substantial amount of information. Some features are not visible to the naked eye, and computational means must be used to analyze them. The extraction and analysis of those features to serve as complementary information for diagnostic decision-making is called radiomics.
This doctoral dissertation focuses on applying algorithms in medical imaging use-tasks for an improved workflow. In the first use-case, iterative reconstruction (IR) algorithms were applied for micro-computed tomography (μCT) reconstruction using a limited amount of measured data. Doing so could facilitate the imaging workflow in μCT laboratories, as samples could be imaged more efficiently as less data are measured. The second use-case considered the interpretation of low back pain (LBP) from lumbar spine magnetic resonance imaging (MRI), which is a challenging task as subjects with degenerative features seen in MRI can be completely asymptomatic. To complement the MRI findings, a texture analysis (TA) pipeline employing radiomics methodology was developed for LBP classification. Finally, in the third use-case a deep learning (DL) -based image reconstruction method was developed for interior computed tomography (CT) angiography. CT is a major source of populational radiation strain, so reducing the dose by scanning only an internal region of the body has the potential to achieve dose-efficiency.
The results showed that a quantitative feature analysis in a μCT study could be performed with much less projection data than measured with a scanner traditionally. In addition, the developed TA method was able to differentiate subjects suffering from LBP from those who were asymptomatic, and an anatomical correspondence to pain manifestation was found. Finally, the developed DL reconstruction network was able to produce excellent image quality, and even increase the reconstructed field-of-view.Tiivistelmä
Lääketieteellinen kuvantaminen käsittää useita kuvantamismodaliteetteja, joiden taustalla oleva fysiikka ja teknologiset yksityiskohdat poikkeavat merkittävästi. Kuvantamisen lähtökohta on kuitenkin kaikilla menetelmillä sama: Ne mittaavat dataa potilaasta ja esittävät mittauksen kuvan muodossa. Kuvausprotokollat suunnitellaan siten, että niissä näkyvät piirteet paljastavat tietyille sairauksille tyypillisiä ominaisuuksia, joiden perusteella voidaan päätyä diagnoosiin. Visuaalisen sisällön lisäksi lääketieteelliset kuvat sisältävät valtavan määrän informaatiota, jota kaikkea ei voi prosessoida paljain silmin. Tällöin avuksi tarvitaan laskennallisia menetelmiä, kuten kvantitatiivisia piirteitä analysoivaa radiomiikkaa.
Tämä väitöskirja käsittelee kuvarekonstruktio- ja koneoppimisalgoritmien soveltamista kolmeen kuvantamisen käyttötapaukseen. Ensimmäisessä käyttötapauksessa hyödynnettiin iteratiivisia kuvarekonstruktioalgoritmeja rekonstruoimaan harvasti näytteistettyä projektiodataa mikro-tietokonetomografiassa (μTT). Tämä voisi olla hyödyllistä μTT-kuvauksen optimoinnissa, koska kuvausaikojen ollessa pitkiä vain hyvin rajallinen määrä näytteitä on mahdollista kuvata prekliinisissä tutkimuksissa. Toinen käyttötapaus käsitteli lannerangan magneettikuvien (MRI) tulkintaa. Alaselkäkivun yhteydessä MRI-kuvissa voi näkyä degeneratiivisia muutoksia, mutta nämä muutokset ovat tyypillisiä myös oireettomilla potilailla. Tutkimuksessa kehitettiin tekstuurianalyysimenetelmä (TA) hyödyntäen radiomiikkaa, jonka avulla pystyttiin luokittelemaan aineistossa olleet koehenkilöt kivuliaisiin ja oireettomiin. Viimeisessä käyttötapauksessa kehitettiin syväoppiva neuroverkko kardiologisen tietokonetomografian rekonstruktioon (TT) ns. sisätomografiaongelmassa, jossa katetaan vain potilaan sisäinen mielenkiintoalue röntgenkeilalla. TT:stä aiheutuu merkittävä osa populaation säteilyrasituksesta, joten annoksen vähentämiseen tähtäävillä menetelmillä on selkeä kansanterveydellinen hyöty.
Tulosten pohjalta selvisi, että vaihtamalla rekonstruktioalgoritmia kvantitatiivista μTT:tä voitaisiin tehdä pienemmällä määrällä projektiodataa kuin yleensä mitataan. Lisäksi kehitetty TA-menetelmä pystyi erottelemaan kivuliaat koehenkilöt oireettomista, ja luokittelun onnistumisen havaittiin riippuvan käytetystä anatomisesta mielenkiintoalueesta. Lopuksi, kehitetyllä syväoppivalla rekonstruktiomenetelmällä saavutettiin selkeä kuvanlaadullinen parannus, ja rekonstruoitua aluetta voitiin jopa kasvattaa
Pre-Clinical Ultrasound Diagnostics of Articular Cartilage and Subchondral Bone (Uusi ultraäänimenetelmä nivelrikon varhaiseen toteamiseen)
No full text- …
