Machine learning applications for multi-scale computed tomography of skeletal tissues

Abstract 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