Analysis of vertebrae without fracture on spine MRI to assess bone fragility: A Comparison of Traditional Machine Learning and Deep Learning

Autor(es):Mostrar menos -

Ramos, Jonathan S. ; de Aguiar, Erikson J. ; Belizario, Ivar, V ; Costa, Marcus V. L. ; Maciel, Jamilly G. ; Cazzolato, Mirela T. ; Traina, Caetano, Jr. ; Nogueira-Barbosa, Marcello H. ; Traina, Agma J. M. ; Shen, L ; Gonzalez, AR ; Santosh, KC ; Lai, Z ; Sicilia, R ; Almeida, JR ; Kane, B

• Tipo de documento: Artigo Científico
• Fonte: 2022 IEEE 35TH INTERNATIONAL SYMPOSIUM ON COMPUTER-BASED MEDICAL SYSTEMS (CBMS); v. N/A, p. 6-pg., 2022-01-01.

Resumo

Bone mineral density (BMD) is the international standard for evaluating osteoporosis/osteopenia. The success rate of BMD alone in estimating the risk of vertebral fragility fracture (VFF) is approximately 50%, making BMD far from ideal in predicting VFF. In addition, whether or not a patient has been diagnosed with osteoporosis or osteopenia, he or she may suffer a VFF. For this reason, we conducted an extensive empirical study to assess VFFs in postmenopausal women. We considered a representative dataset of 94 T1- and T2-weighted routine spine MRI (with osteopenia or osteoporosis), split into 2,400 samples (slices). Comparing the classification results of machine learning and deep learning (DL) techniques showed that DL generally achieved better results at the cost of higher computational power and hard explainability. ResNet achieved the best results in discriminating patients from groups with and without VFFs with 83% accuracy and 90% AUC (with a confidence interval of 99%). Our results represent a significant step toward prospective and longitudinal studies investigating methods to achieve higher accuracy in predicting VFFs based on spine MRI features of vertebrae without fracture. (AU)

• Processo FAPESP: 21/02412-0 - Desenvolvimento de plataforma para execução de consultas por similaridade sobre dados complexos usando estruturas de indexação multimétricas
• Beneficiário: Jonathan da Silva Ramos
• Modalidade de apoio: Bolsas no Brasil - Programa Capacitação - Treinamento Técnico
• Processo FAPESP: 20/11258-2 - Consultas por similaridade e interoperabilidade em bases de dados médicos
• Beneficiário: Mirela Teixeira Cazzolato
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Processo FAPESP: 16/17078-0 - Mineração, indexação e visualização de Big Data no contexto de sistemas de apoio à decisão clínica (MIVisBD)
• Beneficiário: Agma Juci Machado Traina
• Modalidade de apoio: Auxílio à Pesquisa - Temático
• Processo FAPESP: 21/11403-5 - Mineração de registros multimodais: descoberta explicável de padrões e anomalias
• Beneficiário: Mirela Teixeira Cazzolato
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Pós-Doutorado
• Processo FAPESP: 21/00360-3 - Desenvolvimento de software de apoio para consultas por similaridade em bases de dados de saúde
• Beneficiário: Ivar Vargas Belizario
• Modalidade de apoio: Bolsas no Brasil - Programa Capacitação - Treinamento Técnico
• Processo FAPESP: 21/08982-3 - Segurança e privacidade em modelos de aprendizagem de máquina para imagens médicas contra ataques adversários
• Beneficiário: Erikson Júlio de Aguiar
• Modalidade de apoio: Bolsas no Brasil - Doutorado
• Processo FAPESP: 18/04266-9 - Análise multiparamétrica da textura de vértebras lombares em imagens de ressonância magnética e correlação com fraturas por fragilidade.
• Beneficiário: Marcello Henrique Nogueira Barbosa
• Modalidade de apoio: Auxílio à Pesquisa - Regular