Automated Deep Learning-Based Detection of Osteoporotic Fractures in CT Images

Yilmaz, Eren Bora; Buerger, Christian; Fricke, Tobias; Sagar, Motiur Rahman; Peña, Jaime; Lorenz, Cristian; Glüer, Claus-Christian; Meyer, Carsten

doi:10.1007/978-3-030-87589-3_39

Cited by 20 publications

(31 citation statements)

References 18 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Für die Identifikation von Wirbelkörperfrakturen wurde von uns ein Frakturdiagnostik-KI-Algorithmus entwickelt [12], der zunächst die Zentren der Wirbelkörper lokalisiert [13], um die dann Ausschnitte aus 3D Volumina der Größe 60 × 50 × 40 mm platziert werden, die den jeweiligen Wirbelkörper umschließen. Ein zweites neuronales Netz [14] wurde dann darauf trainiert, zu erkennen, ob der Ausschnitt einen Osteoporose-typisch frakturierten Wirbelkörper enthält oder nicht.…”

Section: Querverbindungen Von Osteologischen Zu Lungenerkrankungenunclassified

“…Der Wirbel-Lokalisierer identifizierte 98 % der Wirbel im Datensatz (maximaler Abstandsfehler vom wahren Wirbelkörperzentrum von 10 mm), und bei 82 % der Wirbel war die Nummerierung (z.B. BWK10 oder LWK3) korrekt [12]. Bei der Frakturklassifizierung einzelner Wirbel wurde eine Fläche unter der ROC-Kurve von 98 % erzielt [12] Die gesamte Pipeline erreicht eine Sensitivität und Fläche unter der ROC-Kurve von 95 % bei der Klassifizierung von Wirbeln, die osteoporotische Frakturen enthalten [12].…”

Section: Querverbindungen Von Osteologischen Zu Lungenerkrankungenunclassified

“…BWK10 oder LWK3) korrekt [12]. Bei der Frakturklassifizierung einzelner Wirbel wurde eine Fläche unter der ROC-Kurve von 98 % erzielt [12] Die gesamte Pipeline erreicht eine Sensitivität und Fläche unter der ROC-Kurve von 95 % bei der Klassifizierung von Wirbeln, die osteoporotische Frakturen enthalten [12].…”

Section: Querverbindungen Von Osteologischen Zu Lungenerkrankungenunclassified

“…Dennoch, so pos-▶abb. 1 Axialer Schnitt durch die Lunge eines COVID-19-Patienten [12]. Die von unserem KI-Algorithmus automatisch segmentierte Milchglastrübung (rot) und Konsolidierung (lila) sind auf der linken Seite farblich hervorgehoben.…”

Section: Niedrige Knochendichte Bei Covid-19 Patientenunclassified

“…▶ fig. 1 Axial CT slice through the lung of a COVID-19 patient [12]. Milk glass opacity (red) and consolidation (purple) automatically segmented by our AI algorithm are highlighted on the left side.…”

Section: Niedrige Knochendichte Bei Covid-19 Patientenmentioning

confidence: 99%

See 4 more Smart Citations

Radiologische Diagnostik und Prognostik von COVID-19: Einsatz von künstlicher Intelligenz und Zusammenhang mit muskulo-skelettaler Bildgebung

et al. 2022

Self Cite

View full text Add to dashboard Cite

ZusammenfassungDie COVID-19 Pandemie hat die Radiologie, wie viele andere Bereiche, vor völlig neue Herausforderungen gestellt. Radiologische Bildgebung spielt im Verbund mit Laboruntersuchungen und klinischen Daten eine wichtige Rolle bei der Diagnose von COVID-19. Anhand einer spezifischen Analyse der Lungenläsionen erlaubt sie auch Einschätzungen des Risikos schwerer Verläufe, wenngleich die Größenordnung des Informationsgewinns über biologisch klinische Daten hinaus im Einzelfall unterschiedlich und Gegenstand aktueller Forschung ist. Osteoporose-bedingte Frakturen stellen in diesem Zusammenhang möglicherweise einen unabhängigen Risikofaktor für schwere Verläufe dar. Die Pandemie hat aber auch neue Perspektiven eröffnet, insbesondere sind im Bereich der Bildgebung neue technologische Entwicklungen mit Nachdruck vorangetrieben worden. So arbeiten alle Universitätsradiologien am Projekt Radiological Cooperative Network (RACOON) zusammen, wobei auf der Basis strukturierter Befunde die Daten zusammengeführt und optional mit Methoden der künstlichen Intelligenz (KI) analysiert werden. Eine Zusammenführung mit KI-Methoden zur Frakturerkennungen bietet Perspektiven, Frakturinformationen automatisch zu gewinnen und in Risiko-Scores für schweren Verlauf mit einzubinden. Die neuen Strukturen und Methoden, die während der Pandemie entwickelt wurden, lassen sich auf andere Anwendungsbereiche wie die muskulo-skelettale Bildgebung übertragen und können so zu erheblichen technologischen Fortschritten in der radiologischen Diagnostik und Prognostik führen.

show abstract

Section: Querverbindungen Von Osteologischen Zu Lungenerkrankungenunclassified

Section: Niedrige Knochendichte Bei Covid-19 Patientenunclassified

Section: Niedrige Knochendichte Bei Covid-19 Patientenmentioning

confidence: 99%

See 3 more Smart Citations

Radiologische Diagnostik und Prognostik von COVID-19: Einsatz von künstlicher Intelligenz und Zusammenhang mit muskulo-skelettaler Bildgebung

et al. 2022

Self Cite

View full text Add to dashboard Cite

show abstract

Towards Improved Identification of Vertebral Fractures in Routine Computed Tomography (CT) Scans: Development and External Validation of a Machine Learning Algorithm

Nicolaes,

Skjødt,

Raeymaeckers

et al. 2023

Journal of Bone and Mineral Research

View full text Add to dashboard Cite

Vertebral fractures (VFs) are the hallmark of osteoporosis, being one of the most frequent types of fragility fracture and an early sign of the disease. They are associated with significant morbidity and mortality. VFs are incidentally found in one out of five imaging studies, however, more than half of the VFs are not identified nor reported in patient CT scans. Our study aimed to develop a machine learning algorithm to identify VFs in abdominal/chest CT scans and evaluate its performance.We acquired two independent data sets of routine abdominal/chest CT scans of patients aged 50 years or older: a training set of 1,011 scans from a non‐interventional, prospective proof‐of‐concept study at the Universitair Ziekenhuis (UZ) Brussel and a validation set of 2,000 subjects from an observational cohort study at the Hospital of Holbæk. Both data sets were externally reevaluated to identify reference standard VF readings using the Genant semiquantitative (SQ) grading.Four independent models have been trained in a cross‐validation experiment using the training set and an ensemble of four models has been applied to the external validation set. The validation set contained 15.3% scans with ≥1 VF (SQ2‐3), while 663 out of 24,930 evaluable vertebrae (2.7%) were fractured (SQ2‐3) as per reference standard readings. Comparison of the ensemble model with the reference standard readings in identifying subjects with one or more moderate or severe VF resulted in an AUROC of 0.88 (95% CI 0.85–0.90), accuracy of 0.92 (95% CI 0.91–0.93), kappa of 0.72 (95% CI 0.67–0.76), sensitivity of 0.81 (95% CI 0.76–0.85), and specificity of 0.95 (95% CI 0.93–0.96).We demonstrated that a machine learning algorithm trained for VF detection achieved strong performance on an external validation set. It has the potential to support healthcare professionals with the early identification of vertebral fractures and prevention of future fragility fractures.

show abstract

Chest CT‐based automated vertebral fracture assessment using artificial intelligence and morphologic features

Nadeem,

Comellas,

Regan

et al. 2024

Medical Physics

View full text Add to dashboard Cite

BackgroundSpinal degeneration and vertebral compression fractures are common among the elderly that adversely affect their mobility, quality of life, lung function, and mortality. Assessment of vertebral fractures in chronic obstructive pulmonary disease (COPD) is important due to the high prevalence of osteoporosis and associated vertebral fractures in COPD.PurposeWe present new automated methods for (1) segmentation and labelling of individual vertebrae in chest computed tomography (CT) images using deep learning (DL), multi‐parametric freeze‐and‐grow (FG) algorithm, and separation of apparently fused vertebrae using intensity autocorrelation and (2) vertebral deformity fracture detection using computed vertebral height features and parametric computational modelling of an established protocol outlined for trained human experts.MethodsA chest CT‐based automated method was developed for quantitative deformity fracture assessment following the protocol by Genant et al. The computational method was accomplished in the following steps: (1) computation of a voxel‐level vertebral body likelihood map from chest CT using a trained DL network; (2) delineation and labelling of individual vertebrae on the likelihood map using an iterative multi‐parametric FG algorithm; (3) separation of apparently fused vertebrae in CT using intensity autocorrelation; (4) computation of vertebral heights using contour analysis on the central anterior‐posterior (AP) plane of a vertebral body; (5) assessment of vertebral fracture status using ratio functions of vertebral heights and optimized thresholds. The method was applied to inspiratory or total lung capacity (TLC) chest scans from the multi‐site Genetic Epidemiology of COPD (COPDGene) (ClinicalTrials.gov: NCT00608764) study, and the performance was examined (n = 3231). One hundred and twenty scans randomly selected from this dataset were partitioned into training (n = 80) and validation (n = 40) datasets for the DL‐based vertebral body classifier. Also, generalizability of the method to low dose CT imaging (n = 236) was evaluated.ResultsThe vertebral segmentation module achieved a Dice score of .984 as compared to manual outlining results as reference (n = 100); the segmentation performance was consistent across images with the minimum and maximum of Dice scores among images being .980 and .989, respectively. The vertebral labelling module achieved 100% accuracy (n = 100). For low dose CT, the segmentation module produced image‐level minimum and maximum Dice scores of .995 and .999, respectively, as compared to standard dose CT as the reference; vertebral labelling at low dose CT was fully consistent with standard dose CT (n = 236). The fracture assessment method achieved overall accuracy, sensitivity, and specificity of 98.3%, 94.8%, and 98.5%, respectively, for 40,050 vertebrae from 3231 COPDGene participants. For generalizability experiments, fracture assessment from low dose CT was consistent with the reference standard dose CT results across all participants.ConclusionsOur CT‐based automated method for vertebral fracture assessment is accurate, and it offers a feasible alternative to manual expert reading, especially for large population‐based studies, where automation is important for high efficiency. Generalizability of the method to low dose CT imaging further extends the scope of application of the method, particularly since the usage of low dose CT imaging in large population‐based studies has increased to reduce cumulative radiation exposure.

show abstract

Automated Deep Learning-Based Detection of Osteoporotic Fractures in CT Images

Cited by 20 publications

References 18 publications

Radiologische Diagnostik und Prognostik von COVID-19: Einsatz von künstlicher Intelligenz und Zusammenhang mit muskulo-skelettaler Bildgebung

Radiologische Diagnostik und Prognostik von COVID-19: Einsatz von künstlicher Intelligenz und Zusammenhang mit muskulo-skelettaler Bildgebung

Towards Improved Identification of Vertebral Fractures in Routine Computed Tomography (CT) Scans: Development and External Validation of a Machine Learning Algorithm

Chest CT‐based automated vertebral fracture assessment using artificial intelligence and morphologic features

Contact Info

Product

Resources

About