Atlas-based template matching to determine knee alignment from plain long-leg radiographs

Abstract

This Master of Science thesis was conducted as a commissioned study for Coxa Hospital for Joint Replacement, a hospital specializing in joint replacement surgeries. The majority of its procedures are knee replacement surgeries. Knee osteoarthritis is the most common condition leading to knee replacement, and angular deformities of the knee accelerate the progression of osteoarthritis. Angular deformities of the knee are classified into varus and valgus types. In varus deformity, the knee bends laterally, and in valgus deformity, the knee bends medially. These must be corrected during knee joint replacement surgery to achieve long-term results.

Determining lower limb alignment from a plain long-leg radiograph is an important part of planning knee replacement surgery and assessing the postoperative alignment. Lower limb alignment is defined using the hip-knee-ankle angle. To determine this angle, the center of the femoral head, the center of the knee joint, and the center of the distal end of the tibia must be accurately marked on the radiographic image. The hip-knee-ankle angle is calculated based on the angle between the lines connecting the ankle to the knee and the knee to the hip. However, manual annotation is prone to error. Different orthopedic surgeons may mark slightly different locations, and even the same surgeon may mark the points differently on different days. Even a small difference in these markings can lead to a significant error in alignment measurement, which in turn affects the success of the knee replacement surgery and the longevity of the prosthesis.

The aim of this thesis is to design, implement, and evaluate a model based on traditional computer vision methods that determines the angular deformity of the knee and measures the hip-knee-ankle angle from long-leg radiographic images. The radiographs were preprocessed to improve image quality and to make joint detection easier. Histogram equalization was used for preprocessing. The hip, knee, and ankle joints were localized using an atlas-based template matching. The hip-knee-ankle angle was measured based on the centers of the matched templates, and the results were compared to manual measurements made by an experienced orthopedic surgeon. Two different methods were used to determine angular deformity. In the first method, the position of the localized knee joint was compared to the mechanical axis of the lower limb defined by the localized hip and ankle joints. In the second method, the position of the knee joint was compared directly to the localized ankle joint.

The automatic measurements matched moderately with the manual measurements. The mean absolute error between orthopedists’ and algorithm measurements was 4.5 degrees, and the intraclass correlation coefficient was 0.76. Better accuracy in determining the type of angular deformity was achieved when comparing the relative position of the knee joint to the ankle joint. Challenges in localizing the femoral head impaired the definition of the mechanical axis and therefore affected the first method. The femoral head was the most difficult joint to locate, partly due to its position inside the pelvis and partly because of potential existing hip prostheses. As a result, more templates were needed for the hip atlases than for the other joints. In the future, locating joints based on known joint coordinates instead of only hip-knee-ankle angle values could bring more reliable results. Deep learning could also be utilized to enhance and refine analysis.

Tämä diplomityö suoritettiin toimeksiantona Tekonivelsairaala Coxa Oy:lle, joka on tekonivelleikkauksiin erikoistunut sairaala. Suurin osa Coxan leikkauksista on polven tekonivelleikkauksia. Polven nivelrikko on yleisin polven tekonivelleikkaukseen johtava sairaus, ja polven virheasento nopeuttaa polven nivelrikon etenemistä. Polven virheasennot jaetaan varus- ja valgusasentoihin. Varusasennossa polvi taittuu lateraalisuuntaan, ja valgusasennossa polvi taittuu mediaalisuuntaan. Virheasento tulee korjata polven tekonivelleikkauksessa pitkäaikaisten tulosten saavuttamiseksi.

Alaraajan linjauksen määrittäminen röntgenkuvasta on tärkeä osa polven tekonivelleikkauksen suunnittelua ja leikkauksen jälkeistä polven asennon arvioimista. Alaraajan linjaus määritetään niin kutsutun lonkka-polvi-nilkka kulman (hip-knee-ankle angle) avulla. Tämän määrittämiseksi alaraajan röntgenkuvaan tulee merkitä tarkasti reisiluun pään keskikohta, polvinivelen keskikohta, sekä sääriluun distaalisen pään keskikohta. Kulma määritetään nilkan ja polven, sekä polven ja lonkan välisten janojen kulmana. Manuaalinen merkitseminen on kuitenkin herkkä virheille. Ortopedit voivat asettaa merkit hiukan eri paikkoihin, ja eroja voi olla myös saman ortopedin eri päivinä tekemissä merkinnöissä. Pienikin ero kohtien asettamisessa voi johtaa suureen eroon linjauksen määrityksessä, ja vaikuttaa siten polven tekonivelleikkauksen onnistumiseen ja tekonivelen kestävyyteen.

Työn tarkoituksena on suunnitella, toteuttaa, ja arvioida perinteiseen tietokonenäköön pohjautuva malli, joka määrittää polven virheasennon ja mittaa alaraajan linjauksen alaraajan röntgenkuvista. Röntgenkuvia esikäsiteltiin kuvan laadun parantamiseksi ja nivelkohtien löytämisen helpottamiseksi. Esikäsittelynä käytettiin histogrammin tasoitusta. Lonkka-, polvi-, ja nilkkanivel paikallistettiin atlaspohjaiseen mallin sovituksen avulla. Alarajaajan linjaus mitattiin perustuen paikallistettujen mallien keskikohtiin, ja mitattuja arvoja verrattiin kokeneen ortopedin tekemiin manuaalisiin mittauksiin. Virheasennon määrittämiseen käytettiin kahta eri menetelmää. Ensimmäisessä paikallistettua polvinivelen sijaintia verrattiin paikallistettujen lonkan ja nilkan avulla määritettyyn alaraajan mekaaniseen akseliin, ja toisessa menetelmässä paikallistettua polvinivelen sijaintia verrattiin paikallistettuun nilkan sijaintiin.

Automaattiset mittaukset vastasivat manuaalisia mittauksia kohtalaisella tarkkuudella. Keskimääräinen absoluuttinen virhe ortopedin ja algoritmin mittauksen välillä on 4,5 astetta, ja ICC-arvo oli 0,76. Parempi tarkkuus virheasennon tyypin määrittämiseen saatiin vertaamalla polvinivelen sijaintia suhteessa nilkan sijaintiin. Mekaanisen akselin määrittämistä ja siten ensimmäistä vaihtoehtoa häiritsi reisiluun pään paikallistamisen haasteet. Reisiluun pää oli nivelkohdista kaikista vaikein paikantaa, johtuen sen sijainnista osittain lonkkaluun sisällä, sekä mahdollisista kuvissa näkyvistä lonkkaproteeseista. Näin ollen myös lonkan atlakset tarvitsivat eniten malleja muihin niveliin verrattuna. Jatkossa nivelten paikantaminen tunnettujen nivelkoordinaattien perusteella pelkkien tunnettujen lonkka-polvi-nilkka kulmien sijaan toisi luotettavampia tuloksia. Syväoppimista voitaisiin myös hyödyntää analyysin tehostamiseen ja tarkentamiseen.