Teknillisen fysiikan alaan kuuluva väitöskirja tarkastetaan luonnontieteiden, metsätieteiden ja tekniikan tiedekunnassa. Tilaisuutta voi seurata Kuopion kampuksellaja verkossa.
Mikä on väitöstutkimuksesi aihe? Miksi aihepiiriä on tärkeää tutkia?
Väitöskirjassa tutkittiin, miten laskennallisilla menetelmillä voitaisiin tukea osteoporoosin diagnostiikkaa ja parantaa murtumariskin arviointia. Väestön ikääntyessä osteoporoosi ja siihen liittyvät murtumat yleistyvät, mikä lisää terveydenhuollon kuormitusta.
Osteoporoosin diagnoosi perustuu luun mineraalitiheyden mittaamiseen kaksoisenergia-röntgenabsorptiometrialla (DXA-kuvantaminen). Luun mineraalitiheys ennustaa murtumia väestötasolla, mutta toimii hyvin rajallisesti yksilöllisen murtumariskin arviointiin. Työssä selvitettiin, voidaanko syväoppimismenetelmillä löytää DXA-kuvista ja muusta lääketieteellisestä kuvantamisdatasta murtumia ennustavaa lisätietoa.
Mitkä ovat väitöstutkimuksesi keskeiset tulokset tai havainnot?
Tutkimuksen tulokset viittaavat siihen, että konvoluutioneuroverkot kykenevät tunnistamaan DXA-kuvista patologisia löydöksiä, mutta ne löytävät vain rajallisesti murtumariskiä ennustavia ominaisuuksia. Tulos tukee vallitsevaa käsitystä siitä, että murtumariski koostuu moninaisista tekijöistä, joista vain osa on havaittavissa kuvantamistutkimuksissa.
Tutkimuksessa selvitettiin myös, miten jo tapahtuneita murtumia voidaan tunnistaa automaattisesti. Tulokset osoittavat, että kuvantamistutkimusten käyntitietojen ja kansallisten rekisteritietojen yhdistäminen mahdollistaa murtumien aiempaa kattavamman ja tarkemman tunnistamisen.
Lisäksi työssä kehitettiin automaattinen nikamamurtumien tunnistusmenetelmä, joka hyödyntää syväoppimiseen perustuvaa kuvasegmentointia ja kliinisessä työssä käytettävää nikamamurtumaluokitusta. Eri kuvantamismenetelmillä saadut tulokset viittaavat siihen, että menetelmää voitaisiin hyödyntää murtuma-aineistojen kokoamisessa tutkimuskäyttöön sekä korkean murtumariskin potilaiden seulonnassa.
Miten väitöstutkimuksesi tuloksia voidaan hyödyntää käytännössä?
Kliinisten löydösten, kuten skolioosin ja rappeumamuutosten, havaitsemiseen kehitettyjä neuroverkkomalleja voitaisiin käyttää tukemaan luuntiheysmittaustulosten tulkintaa. Mittaustulosten tarkkuuteen vaikuttavista löydöksistä voitaisiin varoittaa automaattisesti mitattujen arvojen esittämisen yhteydessä.
Murtumien tunnistusmenetelmillä voidaan löytää korkean murtumariskin tapauksia potilasaineistoista, sillä aiempi murtuma on vahva ennustaja tuleville murtumille. Tällä voitaisiin tukea tehokkaampien seulonta- ja ehkäisykäytäntöjen käyttöönottoa tulevaisuudessa.
Tutkimuksessa tehdyt havainnot kansallisiin rekistereihin ja kuva-arkistoihin liittyen tuovat lisätietoa suomalaisen terveydenhuollon järjestelmiin tallennettujen murtumatietojen kattavuudesta ja tarkkuudesta. Kehitetyt menetelmät mahdollistavat murtumatietojen kokoamisen laajoista tietoaineistoista ja tukevat siten myös tulevaa murtumatutkimusta.
Mitkä ovat väitöstutkimuksesi keskeiset tutkimusmenetelmät ja -aineistot?
Väitöskirjatyön aikana koottiin suomalaisista sairaaloista lähes 90 000 DXA-kuvatun potilaan toisiokäyttöaineisto. Kuvien lisäksi aineistoon yhdistetyt rekisteri- ja kuvantamistiedot tarjoavat kattavan näkymän potilaiden murtumiin ja hoitopolkuihin. Aineistoa hyödynnettiin väitöskirjassa, mutta se tarjoaa mahdollisuuksia myös tuleville osteoporoottisia murtumia käsitteleville tutkimuksille.
Tutkimuksessa käytettiin syväoppimismenetelmiä, erityisesti konvoluutioneuroverkkoja, joille voidaan syöttää kuvia ilman, että kuvista analysoitavia ominaisuuksia määritellään etukäteen. Ohjatussa oppimisessa neuroverkkomalli koulutetaan syöte-vastemuuttuja-pareilla, jolloin malli oppii itse tunnistamaan syötedatasta erilaisia ominaisuuksia, jotka liittyvät ennustettavaan vastemuuttujaan.
Lisäksi työssä kehitettiin sääntöpohjaisia algoritmeja murtumatapahtumien tunnistamiseen. Algoritmit hyödyntävät kansallisten rekisterien lisäksi lääketieteellisten kuva-arkistojen röntgentutkimusten käyntitietoja.
FM Tomi Nissisen teknillisen fysiikan alaan kuuluva väitöskirja Detection and prediction of osteoporotic fractures from medical imaging data (Osteoporoottisten murtumien tunnistaminen ja ennustaminen lääketieteellisestä kuvantamisdatasta)tarkastetaan luonnontieteiden, metsätieteiden ja tekniikan tiedekunnassa, Kuopion kampuksella. Vastaväittäjänä toimii apulaisprofessori Danielle Whittier, University of Calgary, Kanada, ja kustoksena dosentti Sami Väänänen, Itä-Suomen yliopisto. Tilaisuuden kieli on englanti.
Lisätietoja:
Tomi Nissinen, [email protected]
