Αξιοποίηση της βαθιάς μάθησης για την ακριβή διάγνωση της ρήξης του πρόσθιου χιαστού συνδέσμου και την ανίχνευση ανωμαλιών της άρθρωσης του γονάτου στην ιατρική απεικόνιση

Abstract

The accurate diagnosis of anterior cruciate ligament (ACL) rupture is crucial for the effective treatment and rehabilitation of knee injuries, which are particularly prevalent among athletes. Recent advancements in deep learning (DL) have significantly improved the detection of ACL injuries using MRI studies. This dissertation aims to explore and enhance the application of DL techniques for the precise identification and evaluation of ACL injuries in medical imaging. A systematic review was conducted to summarize existing DL methodologies for detecting knee injuries, highlighting the strengths and limitations of current approaches. Building upon this foundation, a lightweight DL pipeline using YOLOv5-Nano was developed to identify healthy ACLs in sagittal MRI slices, achieving high accuracy and efficiency with minimal computational resources. Additionally, the thesis introduces the Thessaly Graft Index (TGI), an AI-based index for assessing graft healing post-ACL reconstruction. The TGI demonstrated a strong correlation with clinical and functional outcomes, proving its potential as a reliable tool for postoperative evaluation. To address class imbalance and enhance diagnostic precision, an innovative hybrid DL framework was formulated, reconfiguring ACL tear classification as a novelty detection problem. This approach leveraged aleatoric semantic uncertainty and demonstrated superior performance across multiple datasets, including cross-database testing with public and clinical MRI data. The dissertation's findings underscore the potential of DL to match human-level performance in MRI-based knee injury diagnosis. Key contributions include the development of resource-efficient models, the introduction of novel diagnostic indices, and the demonstration of robust generalization capabilities across diverse datasets. These advancements pave the way for the widespread clinical application of DL in the accurate and cost-effective diagnosis of ACL injuries, promising significant improvements in patient outcomes and healthcare efficiency.

Η ακριβής διάγνωση της ρήξης του πρόσθιου χιαστού συνδέσμου (ACL) είναι ζωτικής σημασίας για την αποτελεσματική θεραπεία και αποκατάσταση των τραυματισμών στο γόνατο, οι οποίοι είναι ιδιαίτερα συχνοί στους αθλητές. Οι πρόσφατες εξελίξεις στην τεχνολογία της βαθιάς μάθησης έχουν βελτιώσει σημαντικά την ανίχνευση τραυματισμών του ACL μέσω μελετών μαγνητικής τομογραφίας (MRI). Η παρούσα διδακτορική διατριβή έχει ως στόχο να διερευνήσει και να βελτιώσει την εφαρμογή τεχνικών βαθιάς μάθησης για την ακριβή αναγνώριση και αξιολόγηση των τραυματισμών του ACL στην ιατρική απεικόνιση. Πραγματοποιήθηκε συστηματική ανασκόπηση για τη σύνοψη των υφιστάμενων μεθοδολογιών βαθιάς μάθησης που αφορούν την ανίχνευση τραυματισμών στο γόνατο, αναδεικνύοντας τα πλεονεκτήματα και τους περιορισμούς των τρεχουσών προσεγγίσεων. Βάσει αυτής της θεμελίωσης, αναπτύχθηκε μια ελαφριά διαδικασία βαθιάς μάθησης με χρήση του YOLOv5-Nano για την αναγνώριση υγιών πρόσθιων χιαστών συνδέσμων σε οβελιαίες τομές MRI, επιτυγχάνοντας υψηλή ακρίβεια και αποδοτικότητα με ελάχιστους υπολογιστικούς πόρους. Επιπλέον, η διατριβή εισάγει τον Δείκτη Μοσχεύματος Θεσσαλίας (Thessaly Graft Index - TGI), έναν δείκτη που βασίζεται στην τεχνητή νοημοσύνη για την αξιολόγηση της επούλωσης μοσχεύματος μετά από ανακατασκευή του ACL. Ο TGI επέδειξε ισχυρή συσχέτιση με τα κλινικά και λειτουργικά αποτελέσματα, αποδεικνύοντας τη δυνατότητά του ως αξιόπιστο εργαλείο για μετεγχειρητική αξιολόγηση. Για την αντιμετώπιση της ανισορροπίας των κατηγοριών και τη βελτίωση της διαγνωστικής ακρίβειας, διαμορφώθηκε ένα καινοτόμο υβριδικό πλαίσιο βαθιάς μάθησης, επαναπροσδιορίζοντας την ταξινόμηση της ρήξης του ACL ως πρόβλημα ανίχνευσης νεότητας (novelty detection). Αυτή η προσέγγιση αξιοποίησε την αληθοκρατική σημασιολογική αβεβαιότητα και επέδειξε ανώτερη απόδοση σε πολλαπλά σύνολα δεδομένων, συμπεριλαμβανομένων δοκιμών σε διασταυρούμενες βάσεις δεδομένων με δημόσια και κλινικά δεδομένα MRI. Τα ευρήματα της διατριβής υπογραμμίζουν τη δυνατότητα της βαθιάς μάθησης να επιτύχει επιδόσεις αντίστοιχες με αυτές του ανθρώπου στη διάγνωση τραυματισμών στο γόνατο μέσω MRI. Οι βασικές συνεισφορές περιλαμβάνουν την ανάπτυξη αποδοτικών μοντέλων, την εισαγωγή νέων διαγνωστικών δεικτών και την απόδειξη ισχυρών ικανοτήτων γενίκευσης σε ποικίλα σύνολα δεδομένων. Αυτές οι εξελίξεις ανοίγουν το δρόμο για την ευρεία κλινική εφαρμογή της βαθιάς μάθησης στην ακριβή και οικονομικά αποδοτική διάγνωση τραυματισμών του ACL, υποσχόμενες σημαντικές βελτιώσεις στα αποτελέσματα των ασθενών και στην αποδοτικότητα της υγειονομικής περίθαλψης.