[论文解读] Femoral ROIs and Entropy for Texture-based Detection of Osteoarthritis from High-Resolution Knee Radiographs

Jiřı́ Hladůvka, Bui Thi Mai Phuong+5 more|arXiv (Cornell University)|Mar 27, 2017

Osteoarthritis Treatment and Mechanisms参考文献 10被引用 4

一句话总结

本研究提出了一种基于纹理的计算机辅助诊断方法，用于利用高分辨率膝关节X光片早期检测骨关节炎，重点聚焦股骨感兴趣区域（ROIs）及香农熵作为计算高效的纹理描述符。通过结合内侧股骨的熵值与标准纹理特征，五特征线性分类器实现了0.85的AUC，优于当前最先进方法约0.1，同时保持了可解释性。

ABSTRACT

The relationship between knee osteoarthritis progression and changes in tibial bone structure has long been recognized and various texture descriptors have been proposed to detect early osteoarthritis (OA) from radiographs. This work aims to investigate (1) femoral textures as an OA indicator and (2) the potential of entropy as a computationally efficient alternative to established texture descriptors. We design a robust semi-automatically placed layout for regions of interest (ROI), compute the Hurst coefficient and the entropy in each ROI, and employ statistical and machine learning methods to evaluate feature combinations. Based on 153 high-resolution radiographs, our results identify medial femur as an effective univariate descriptor, with significance comparable to medial tibia. Entropy is shown to contribute to classification performance. A linear five-feature classifier combining femur, entropic and standard texture descriptors, achieves AUC of 0.85, outperforming the state-of-the-art by roughly 0.1.

研究动机与目标

• 探究股骨小梁纹理作为早期骨关节炎（OA）检测生物标志物的潜力。
• 评估香农熵作为传统纹理描述符（如Hurst指数）的计算高效替代方案的性能。
• 开发一种结合股骨、熵值及标准纹理特征的简单、可解释的线性分类器，用于OA风险预测。
• 评估在股骨远端内侧与外侧区域及胫骨近端区域中，纹理特征的区分能力。

提出的方法

• 在股骨远端和胫骨近端半自动放置六个矩形ROI，避开软组织和关节软骨。
• 在每个ROI中计算Hurst指数（H）和香农熵（E），以量化小梁骨纹理。
• 应用统计检验与机器学习（基于SVM的特征选择）以识别最优特征组合。
• 采用1000次随机划分的5折交叉验证评估模型性能，AUC为主要评价指标。
• 在投影至低维空间进行可视化前，将数据标准化为零均值与单位方差。
• 根据AUC与计算效率，选择表现最佳的特征子集。

实验结果

研究问题

• RQ1 从股骨远端提取的纹理特征能否作为早期骨关节炎的可靠指标，其表现是否可与胫骨特征相媲美？
• RQ2 香农熵是否在纹理基骨关节炎检测中提供具有竞争力且计算高效的替代Hurst指数的方案？
• RQ3 结合股骨、熵值及标准纹理特征的少量可解释线性分类器能否超越现有最先进方法？
• RQ4 哪些特定ROI及特征组合在区分骨关节炎患者与对照组时表现最优？

主要发现

• 通过香农熵分析内侧股骨区域，单变量p值为2.48×10⁻⁷，表明在区分骨关节炎患者与对照组方面具有显著统计学意义。
• 表现最佳的五特征线性分类器AUC达到0.85，优于当前最先进方法约0.1。
• 在不同大小的特征子集中，熵特征始终被选中，表明其对分类性能具有稳定且重要的贡献。
• 模型中同时包含Hurst指数与熵特征可提升性能，其中熵特征提供了Hurst指数的计算高效替代方案。
• 内侧股骨ROI在最佳特征子集中始终被选中，表明其作为胫骨的互补生物标志物具有重要价值。
• 该模型具备高AUC与良好透明度，表明其在临床部署中具有强大潜力，尤其因其可解释性优于复杂黑箱模型。