Geometrische semi-automatische analyse van röntgenfoto's van de fracturen van Colles

Geometrische semi-automatische analyse van röntgenfoto's van de fracturen van Colles

september 14, 2020 0 Door admin

Translating…


CBD Olie kan helpen bij artrose. Lees hoe op MHBioShop.com


Huile de CBD peut aider avec l’arthrose. Visite HuileCBD.be


 

  • Loading metrics

Open Access

Peer-reviewed

Research Article

  • Constantino Carlos Reyes-Aldasoro, 
  • Kwun Ho Ngan, 
  • Ananda Ananda, 
  • Artur d’Avila Garcez, 
  • Andrew Appelboam, 
  • Karen M. Knapp
PLOS

x

Abstract

Fractures of the wrist are common in Emergency Departments, where some patients are treated with a procedure called Manipulation under Anaesthesia. In some cases, this procedure is unsuccessful and patients need to revisit the hospital where they undergo surgery to treat the fracture. This work describes a geometric semi-automatic image analysis algorithm to analyse and compare the x-rays of healthy controls and patients with dorsally displaced wrist fractures (Colles’ fractures) who were treated with Manipulation under Anaesthesia. A series of 161 posterior-anterior radiographs from healthy controls and patients with Colles’ fractures were acquired and analysed. The patients’ group was further subdivided according to the outcome of the procedure (successful/unsuccessful) and pre- or post-intervention creating five groups in total (healthy, pre-successful, pre-unsuccessful, post-successful, post-unsuccessful). The semi-automatic analysis consisted of manual location of three landmarks (finger, lunate and radial styloid) and automatic processing to generate 32 geometric and texture measurements, which may be related to conditions such as osteoporosis and swelling of the wrist. Statistical differences were found between patients and controls, as well as between pre- and post-intervention, but not between the procedures. The most distinct measurements were those of texture. Although the study includes a relatively low number of cases and measurements, the statistical differences are encouraging.

Citation: Reyes-Aldasoro CC, Ngan KH, Ananda A, d’Avila Garcez A, Appelboam A, Knapp KM (2020) Geometric semi-automatic analysis of radiographs of Colles’ fractures. PLoS ONE 15(9): e0238926. https://doi.org/10.1371/journal.pone.0238926

Editor: Hong-Seng Gan, University Kuala Lumpur, MALAYSIA

Received: March 10, 2020; Accepted: August 26, 2020; Published: September 14, 2020

Copyright: © 2020 Reyes-Aldasoro et al. This is an open access article distributed under the terms of the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original author and source are credited.

Data Availability: The code used in this work is available open-source through GitHub (https://github.com/reyesaldasoro/fractures).

Funding: Ananda Ananda PhD studies are partially funded by the School of Mathematics, Computer Science and Engineering, City, University of London. KHN is partially funded by the Data Science Institute, City, University of London. The funders had no role in study design, data collection and analysis, decision to publish, or preparation of the manuscript.

Competing interests: The authors have declared that no competing interests exist.

Introduction

The dorsally displaced wrist fracture, also known as Colles’ fracture, is the most common fracture involving a metaphyseal fracture leading to a posterior displacement of the distal fragment [1, 2]. This can result in some residual impairment in the motion of the hand and wrist [3], and more serious complications such as neuropathies, arthrosis, tendon ruptures and finger stiffness [4].

The main procedures for these fractures are Manipulation under Anaesthesia (MUA) and open surgery, also known as Open Reduction and Internal Fixation (ORIF) [5]. MUA, which includes closed reduction and casting, [5], is often the primary option undertaken in Emergency Departments for the displaced fractures in an attempt to correct the deformity and represents a significant proportion of the department workload [6]. Patients are initially treated with a temporary plaster cast after manipulation and a follow-up visit to monitor the rehabilitation progress on a separate day. In general, the fractured position would be improved upon manipulation. There are however cases where the fracture remains unstable or, despite plaster cast immobilisation, slip back into an unacceptable position during rehabilitation. ORIF would then have to be performed with yet another hospital visit causing significant inconvenience to the patient and further inefficiency to hospital resources. Nevertheless, ORIF is generally, not the preferred option as it requires the booking of operating theatre to operate on the manipulation and fixation of metallic pins, plates or screws. The ORIF procedure is also more complicated than MUA, and can lead to serious complications [7].

Clinicians determine the need to manipulate wrist fractures upon clinical and radiographical grounds. New, visible wrist deformity is a widely accepted clinical indication for manipulation. Radiographic assessment is routinely performed through evaluation of radiographs with lateral and postero-anterior (PA) views, which are used to detect, classify, assess fracture severity and evaluate treatment options [810]

When assessing radiographs of fractures, a series of geometric measurements have been proposed, namely, volar tilt, radial inclination, ulnar variance, [11], radial length [12], radial height, ulnar variance, articular stepoff [13] and metaphyseal collapse ratio [14]. These measurements have been used to assess the clinical outcome of elderly patients [15, 16]. Non-geometric measurements such as bone density have also been used to assess the fragility of bones [17, 18].

Although there are quoted radiographic deformities suggesting the need for wrist fracture reduction including dorsal tilt, dorsal displacement, loss of radial height and radial deviation from the anatomical position, in practice, these are not formally measured. Rather, many clinicians will take into account the position of the fracture on x-ray as a whole and the functional status of the patient including the current and future demands of wrist use when deciding on whether to manipulate the fracture, in consultation with the patient.

Despite considerable research [57, 1922], there is still ambiguity in the procedure to follow with Colles’ fracture [2325]. There is some evidence that the degree of initial deformity and other factors such as age, dependency, functional status and presence of osteoporosis and x-ray characteristics like axial shortening of bones [26, 27] and angles of volar tilt [28] might predict instability [2933].

It is common that the radiographic measurements previously mentioned are obtained manually by radiologists or radiographers. Whilst these measurements are still considered as gold standard, the manual delineation of measurements is laborious and subject to inter- and intra-observer variability and some times measurements are repeated by more than one person to obtain more reliable measurements [3436]. This work describes a geometric semi-automatic image analysis algorithm to analyse and compare the radiographs of healthy controls and patients with Colles’ fractures who have undergone either MUA and were followed to determine if the procedure was successful or unsuccessful. The measurements are obtained in a semi-automatic way in which three landmarks are selected by a user in a matter of seconds, and then the measurements are generated automatically with image-processing algorithms. The process is much faster than obtaining all measurements manually.

The main objective of this work is to determine if there are geometric differences between the successful and unsuccessful cases. The semi-automatic comparisons extracted a series of measurements, e.g. widths of forearm and metacarpal, based on three manually-placed landmarks. In particular, texture measurements at the radial bone were also explored. More accurate computer assisted assessment of fracture position together with evidence based decision making algorithms have the potential to save health services time and money whilst ensuring the best outcomes for patients.

Materials and methods

Study design and patients

In this work, one hundred and sixty-one posterior-anterior radiographs of wrist fractures from previous internal department activity were analysed. The study was submitted to the Health Research Authority (HRA) of National Health Service of the United Kingdom for approval through the Integrated Research Application System (IRAS). The study was approved with the IRAS Project ID: 233195. The data corresponding to the radiographs that were analysed was anonymised following the ethics procedures at the donating institution. It was sourced ethically, with Caldicott Guardian approval, from the Royal Devon and Exeter Hospital. All MUAs were undertaken or supervised by fully accredited emergency clinicians (consultants).

Of the 161 radiographs, 139 corresponded to wrist fractures and 22 to healthy controls. The controls corresponded to patients who required wrist radiographs, mostly following injury, to rule out fractures. As these cases did not present fractures, they were considered as healthy and used as controls. The wrist fractures were divided by the acquisition time: before (Pre) or after (Post) MUA and the outcome of these: successful or unsuccessful therefore creating four classes pre-successful (n = 50), pre-unsuccessful (n = 31), post-successful (n = 40), post-unsuccessful (n = 18). These cases and the clinical outcome were retrospectively identified from electronic attendance logs and electronic records. The demographics of the participants in the study are illustrated in Fig 1.

thumbnail

Fig 1. Graphical illustration of the demographic distribution of the population of the study.

(a) Age distribution is shown with boxplots, one per group of the study. (b) Female and Male distribution is shown with bars, one per group of the study.

https://doi.org/10.1371/journal.pone.0238926.g001

X-ray acquisition

X-rays were obtained with five different x-ray units: DigitalDiagnost DidiEleva01 (Philips Medical Systems, Netherlands), Mobile tablet work station (Thales, France), DirectView CR 975 and CD 850A (Kodak, USA), Definium 5000 (GE Healthcare, USA) with a variety of exposure factors and saved in DICOM format [37].

Six representative cases of the radiographs are shown in Fig 2. The radiographs presented considerable variability in the quality, positioning of the arm and presence of collimation lines.

thumbnail

Fig 2. Six representative radiographs that were collected from previous clinical activity at Royal Devon and Exeter NHS foundation trust emergency department.

The images present considerable variability in the quality, positioning of the arm and presence of lines caused by the x-ray collimator. The images were anonymised and metadata such as age, date of acquisition, gender and clinical outcome was available.

https://doi.org/10.1371/journal.pone.0238926.g002

Image analysis

The analysis is considered semi-automatic as three landmarks are manually located, and the algorithms obtain all the measurements. A graphical illustration the image analysis steps is presented in Fig 3. All the code was developed in Matlab® (The MathworksTM, Natick, MA, USA) and is available open-source in GitHub (https://github.com/reyesaldasoro/fractures/).

thumbnail

Fig 3. Graphical illustration of the steps for image analysis.

Radiographs are first pre-processed by manually selecting three landmarks and then automatically rotating so that the bones of the forearm are vertical and the lines produced by the collimator are removed. Then, measurements are extracted from four regions: the bone of the middle finger, the edges of the forearm, a textured region of the radius and two intensity profile lines over the radius.

https://doi.org/10.1371/journal.pone.0238926.g003

The pre-processing step removed the lines caused by the collimator and then aligned the forearm vertically. For this, the DICOM images and headers were read, converted into Matlab and saved as a *.mat file. The central region of the radiograph was selected by dividing the rows and columns into three thirds and selecting the central part where the bones of the forearm were prominent (Fig 4a and 4b). Lines of regions where there is abrupt change of intensity were detected through the Canny edge detection algorithm [38] (Fig 4c). was applied and thus The strongest lines (i.e. those that longest and most straight so that they will provide the highest projection when summed over a profile line) of the bones of the forearm were considered a good indication of the orientation of the arm. These strongest lines were detected with the use of the Hough transform [39]. The Hough transform can be understood as a technique in which a profile line is sequentially rotated around a pivot point and then it is displaced and rotated again and again. Eventually, the profile lines will cover the whole image and the sum of the intensity of all profiles is used to calculate where lines are located over the image. The strongest lines are overlaid on the edges in Fig 4d. The median angle of these lines was used to determine the rotation required to align the forearm vertically (Fig 4e). The lines of the collimator were easily detected as the pixels that were beyond the lines of the collimator were always zero, whilst the darkest regions inside the lines of the collimator, whilst low, were always above zero. Thus, the region(s) outside the lines were detected, dilated and removed from the image (Fig 4f). Fig 5 shows the effect of the pre-processing in the six cases of Fig 2.

thumbnail

Fig 4. Pre-processing steps.

(a) Original image, notice the lines of the collimator and the rotation of the radiograph. (b) Region of the bones of the forearm. (c) Edges of regions where regions show high change of intensity, detected with Canny algorithm. (d) Strongest lines detected by Hough transform overlaid on the edges. (e) Original image rotated by the angle of the lines detected in (d). (f) Region outside the collimator labelled in white. This region will be dilated to remove the lines of the collimator.

https://doi.org/10.1371/journal.pone.0238926.g004

thumbnail

Fig 5. Outcome of the automatic pre-processing of the radiographs.

The six representative cases shown in Fig 2 were automatically rotated so that the forearm is vertical. In addition, the artefacts due to the collimator were removed. All the code is written in Matlab and each image is pre-processed in less than one second.

https://doi.org/10.1371/journal.pone.0238926.g005

Every image was displayed and three landmarks were manually selected in the following order: (1) base of the lunate, (2) extreme of the radial styloid, (3) centre of the metacarpal of the middle finger (Fig 6a). These landmarks were subsequently used to obtain a series of measurements described below.

thumbnail

Fig 6. Semi-automatic extraction of measurements of the forearm.

(a) Original radiograph that presents rotation of the arm and artefactual lines due to the collimator. Three landmarks have been manually located in the base of the lunate (red), radial styloid (green) and centre of the middle finger (blue). (b) Automatic pre-processing of the image where the forearm was aligned vertically and the lines removed. (c) Using the lunate landmark as a guide, the boundaries of the forearm were automatically delineated and lines traced between the boundaries. The distance between the lines is 1 cm and were being used to derive swelling measurements of the wrist.

https://doi.org/10.1371/journal.pone.0238926.g006

Three groups of measurements were analysed with the expectation that each of these groups would correlate with a clinical condition such as swelling or osteoporosis.

First, as an indication of swelling, the boundaries of the forearm were detected. The landmark of the lunate (Red dot in Fig 6a) was used to determine the base of the wrist. The region of interest was determined from this point towards the forearm, and the region of the hand was removed. The boundaries of the forearm were detected by Canny edge detection, and then 8 lines perpendicular to the forearm, each at 1 cm separation were traced. The width of the forearm at each of these lines was recorded (Fig 6c) with the conjecture that the relationship between the widths could be an indication of swelling of the wrist due to the fracture. A series of ten measurements were generated by calculating ratios, e.g. width at the centre divided by widths at the extremes.

Second, the landmark of the middle finger (blue dot in Fig 6a) was used to extract a region of interest that contained a segment of the finger (Fig 7a). The bone in this region was also aligned vertically. Then, the edges of the finger itself and the trabecular and cortical regions were obtained (Fig 7b) by calculating a vertical projection of the intensities of the image (Fig 7c). It was conjectured that the thickness of the cortical and trabecular regions of the bone would be an indication of osteoporosis [4042]. The measurements extracted were the width of the finger and the ratio of trabecular area to total area.

thumbnail

Fig 7.

Semi-automatic extraction of measurements of the finger (a) Region of interest (ROI) of the central finger generated from the landmark, blue dot in Fig 5a. (b) Identification of regions of cortical bone (shaded in cyan) and trabecular bone (shaded in pink) from which the ratio of cortical to total area was calculated. Notice that the finger was rotated to align vertically as the previous rotation aligned the forearm but the fingers are not necessarily vertical. (c) Intensity profile of the ROI with the following key points: edges of the bone (magenta diamond), peak of cortical bone (blue asterisk) and centre of bone (red circle).

https://doi.org/10.1371/journal.pone.0238926.g007

Third, preliminary work had identified the potential correlation of texture measurements extracted from x-rays with image analysis with clinical outcome [43]. Therefore, bone texture was analysed in two ways. First, a small region of bone (Fig 8a and 8b) was selected from the radius, a short distance away from the landmarks previously detected. This region was analysed with a texture technique called Local Binary Pattern (LBPs) [44], which explores the relations between neighbouring pixels. LBPs concentrate on the relative intensity relations between the pixels in a small neighbourhood and not in their absolute intensity values or the spatial relationship of the whole data. The texture analysis was based on the relationship between the pixels of a 3 × 3 neighbourhood. A Texture Unit was calculated by differentiating the grey level of a central pixel with the grey level of its neighbours. The differences were measured if the neighbour is greater or lower than the central pixel and is then recorded as a histogram (Fig 8c). This analysis provided 10 measurements.

thumbnail

Fig 8. Semi-automatic extraction of texture measurements of a region of interest.

(a) To analyse the texture of the radius, a ROI is automatically located by traversing a fixed distance from the radial styloid landmark. (b) Zoom of the region of interest. (c) Texture coefficients generated by L ocal binaire patroonanalyse.

https://doi.org/10.1371/journal.pone.0238926.g008

Een andere manier om de textuur van de botten te analyseren is door middel van intensiteitsprofielijnen, die de variatie van de botintensiteit vastleggen over een rechte lijn ( Afb. 9a ). Aanvankelijk werd automatisch een lijn (groen) getrokken tussen de lunate en de radiale styloïde oriëntatiepunten. Twee lijnen werden automatisch afgeleid van de eerste, één op 30 (rood) en één op 45 (blauw) graden van de radiale styloïde tot aan de rand van de straal. De rand werd automatisch gedetecteerd toen de intensiteit drastisch daalde in het donkere gebied tussen de botten. Metingen werden geëxtraheerd uit zowel de intensiteitsprofielen ( Fig 9b ) als de profielen daarna werden aangepast door de helling te verwijderen ( Afb. 9c ) met het idee dat metingen zoals de standaarddeviatie niet vertekend zouden worden door een lijn die de intensiteit verhoogt. Deze analyse leverde 10 metingen op, b.v. lengte, helling en standaarddeviatie van het profiel.

Fig 9. Halfautomatische extractie van textuurmetingen van intensiteitsprofielen.

(a) Profiellijnen van de radiale styloïde. Aanvankelijk wordt automatisch een lijn (groen) getrokken tussen de lunate (rood in Fig 5a ) de radiale styloïde (groen in Afb. 5a ) oriëntatiepunten. Twee lijnen worden automatisch afgeleid van de eerste, één op 30 graden (rood) en één op 45 graden (blauw) vanaf de radiale styloïde tot aan de rand van de straal, die automatisch wordt gedetecteerd. (b) intensiteitsprofielen die overeenkomen met de lijnen die in (a) zijn getraceerd. Let op de toenemende helling. (c) Intensiteitsprofielen aangepast door de helling te verwijderen.

https://doi.org/10.1371/journal.pone.0238926.g009

Alle stappen, behalve de locatie van de drie oriëntatiepunten, zijn automatisch en het duurt ongeveer 10-20 seconden om te verwerken met op maat gemaakte Matlab-scripts.

Resultaten

In totaal werden 32 metingen geëxtraheerd voor elk van de röntgenfoto’s van de vijf eerder beschreven groepen, en deze worden gepresenteerd in Tabel 1 . Voor elk van de metingen werd het statistische verschil tussen de volgende gevallen getest met gepaarde t-tests: (i) gezonde controles tegen patiënten. (ii) Pre-interventie (succesvol en niet succesvol) tegen post-interventie (succesvol en niet succesvol). (iii) Succesvol tegen niet succesvol. (iv) Pre-interventie succesvol tegenover pre-interventie niet succesvol. (v) Post-interventie succesvol tegenover post-interventie niet succesvol. (vi) Succesvolle pre-interventie tegenover succesvolle post-interventie. (vii) Pre-interventie niet succesvol tegenover post-interventie niet succesvol. Vier representatieve metingen worden weergegeven in Fig 10 als boxplots.

Fig 10. Boxplots die overeenkomen met distributies van vier representatieve metingen.

De verschillen tussen controle en patiënten en de pre- en post-interventiegevallen zijn merkbaar maar binnen de pre-interventie en post-interventiegroepen liggen ze zeer dicht bij elkaar.

https://doi.org/10.1371/journal.pone.0238926.g010

Tabel 1. Metingen uit de röntgenfoto’s.

De derde kolom komt overeen met het herkenningspunt dat is gebruikt om de meting te berekenen. Kolommen 4-10 tonen het resultaat van de p-waarden van gepaarde t-tests tussen verschillende groepen. Waarden lager dan 0,05 worden vetgedrukt weergegeven. Afkortingen: verhouding tussen breedtelijn 1 / breedtelijn 4 (W1 / W4), lokaal binair patroon (LBP), standaarddeviatie (standaard).

https://doi.org/10.1371/journal.pone.0238926.t001

Ten slotte werd voor elke groep één representatief geval geselecteerd en weergegeven met al zijn metingen. Deze worden weergegeven in Fig 11 (Pre-succesvol), Fig 12 (Pre -onsuccessful), Fig 13 (Post-succesvol), Fig 14 (Post – mislukt) en Fig 15 (Controle). Enkele waarnemingen tussen de afmetingen van de boxplots en de figuren moeten worden opgemerkt. De maat van breedte (c) is groter dan 1 wanneer de uiterste lijnen (1,8) groter zijn dan de middelste (4,5). Dit is het geval voor de pre-succesvolle en controlevoorbeelden, maar minder voor de rest. De helling van het korte profiel (d.w.z. de rode lijn in (k)), is bijna nul (d.w.z. horizontaal) voor beide Postcases, iets hoger voor de Precases maar erg hoog voor de controlegeval. Nauw verwant is de standaarddeviatie, die kleiner zal zijn voor lijnen die horizontaal zijn dan voor lijnen die groeien. Ten slotte kan de vierde coëfficiënt van de LBP worden vergeleken in (i). Net als in de boxplots zijn de Pre-cases en controle veel hoger (bijna 0,2) dan de Post-cases (bijna 0,1).

Fig 11. Pre-succesvol: één representatief geval met al zijn afmetingen.

(a) Origineel met oriëntatiepunten, (b) Gedraaide en collimatorlijnen verwijderd. (c) Grenzen van de onderarm en breedtelijnen. (d) Centrale vinger. (e) trabeculaire en corticale regio’s. (f) Intensiteitsprofiel. (g) Getextureerde regio. (h) Detail van gestructureerd gebied. (i) LBP-coëfficiënten. (j) Locatie van intensiteitsprofielen. (k) Intensiteitsprofielwaarden. (l) Aangepaste intensiteitsprofielen.

https://doi.org/10.1371/journal.pone.0238926.g011

Discussie

In dit werk werd een reeks metingen geëxtraheerd uit röntgenfoto’s posterieur-anterieur met een halfautomatische methodologie. De tussenkomst van de gebruiker was minimaal en vereiste de selectie van drie herkenningspunten, wat minder dan een minuut per afbeelding in beslag nam. Alle andere stappen waren automatisch en de verwerking van elk beeld duurde ongeveer 10-20 seconden. Alle metingen werden visueel gevalideerd. Benadrukt moet worden dat er een aanzienlijke variatie was in de kwaliteit van de afbeeldingen. Dit had echter geen invloed op de meetafname. Etiketten zoals die zichtbaar zijn in Afb. 6 en de aanwezigheid van gipsverband hadden namelijk geen invloed op de methodologie.

Geen enkele meting wees op een statistisch verschil tussen de volgende groepen: succesvol en niet succesvol, pre-interventie succesvol en pre-interventie niet succesvol, post-interventie succesvol en post-interventie niet succesvol. Talrijke metingen waren echter statistisch verschillend tussen de groepen: gezonde controles en patiënten, pre-interventie en post-interventie voor succesvol, niet succesvol en gecombineerd. De verschillen tussen gezonde controles en patiënten kunnen worden verwacht vanwege vele factoren, zoals het feit dat de leeftijd van de patiënten hoger is dan die van de controles. Binnen de patiëntengroepen vertoonden de textuurkenmerken, zowel die geëxtraheerd uit de profiellijnen als de LBP-kenmerken, een statistisch verschil tussen controles en patiënten, evenals tussen röntgenfoto’s van pre- en post-interventie. Vijfentwintig van de 32 metingen wezen op statistische verschillen tussen controles en patiënten. Evenzo wezen 21 metingen op verschillen tussen pre-interventie en post-interventie succesvol en 14 pre-interventie en post-interventie niet succesvol. De LBP-metingen waren het duidelijkst en vertoonden verschillen voor vier van de zeven groepen, gevolgd door de metingen die waren afgeleid van de intensiteitsprofielen. Deze resultaten zijn bemoedigend en suggereren dat de textuurkenmerken verder moeten worden bestudeerd, vooral door de textuur in verschillende regio’s of grotere gebieden te analyseren, aangezien de verschillen kunnen variëren als de locatie wordt gewijzigd, zoals is gemeld in gevallen van botmineraaldichtheid [ 45 ] en volgende voor langere perioden, aangezien de veranderingen in textuur waarschijnlijk geen veranderingen van osteoporose zullen zijn, gezien de korte tijd tussen de pre- en post-imaging.

Hoewel geen van de resultaten tussen succesvol en niet succesvol was, waren sommige van de textuurmetingen dicht bij 0,05. Deze resultaten zijn ook bemoedigend en nodigen uit tot verder experimenteren met grotere monsters en meer metingen. Nieuwe metingen zoals radiale verkorting [ 46 ], volaire en dorsale verplaatsingen [ 47 ], ulnaire variantie, handpalmkanteling en radiale inclinatie [ 48 ] moeten worden onderzocht aangezien deze veel worden gebruikt, maar altijd handmatig worden geëxtraheerd. Evenzo kunnen meer aan osteoporose gerelateerde metingen b.v. corticale dikte, inwendige diameter, corticaal gebied [ 49 ] moeten worden onderzocht in andere gebieden dan de middelvinger. Verder moeten bij toekomstig onderzoek verschillende aspecten in overweging worden genomen. De resultaten kunnen verder worden onderzocht met statistische en machine learning-technieken om de meest onderscheidende functies te bepalen en te overwegen nieuwe functies te extraheren [ 50 ]. Ook moet worden onderzocht of de semi-automatische aard van de methodologie kan worden vervangen door een volledig automatische methode. Dit omvat de mogelijke optie om het gebruik van neurale convolutie-netwerken op te nemen voor automatische detectie van de straal [ 51 , 52 ] en fractuurdiagnose [ 53 ].

References

  1. 1. Colles A. Over de fractuur van de carpale extremiteit van de straal. The New England Journal of Medicine, Surgery and Collateral Branches of Science. 1814; 3 (4): 368-372.
  2. 2. Colles A. Over de fractuur van het carpale uiteinde van de straal [1814]. Letsel. 1970; 2 (1): 48-50. https://doi.org/10.1016/S0020-1383(70)80114-0 .
  3. 3. Bacorn RW, Kurtzke JF. COLLES ‘FRACTURE: A Study of Two Thousand Cases from the New York State Workmen’s Compensation Board. JBJS. 1953; 35 (3): 643-658.
  4. 4. Cooney WP, Dobyns JH, Linscheid RL. Complicaties van de fracturen van Colles. The Journal of Bone and Joint Surgery American Volume. 1980; 62 (4): 613-619.
  5. 5. Arora R, Gabl M, Gschwentner M, Deml C, Krappinger D, Lutz M.Een vergelijkende studie van klinische en radiologische uitkomsten van onstabiele Colles-type distale radiusfracturen bij patiënten ouder dan 70 jaar: niet-operatieve behandeling versus volaire vergrendelingsplaten. Journal of Orthopedic Trauma. 2009; 23 (4): 237-242.
  6. 6. Barai A, Lambie B, Cosgrave C, Baxter J. Management van distale radiusfracturen op de afdeling spoedeisende hulp: een langetermijnonderzoek naar functionele uitkomstmaten met de handicap van arm, schouder en hand (DASH) -scores. Emergency Medicine Australasia. 2018; 30 (4): 530-537.
  7. 7. Arora R, Lutz M, Hennerbichler A, Krappinger D, Md DE, Gabl M. Complicaties na interne fixatie van onstabiele distale radiusfractuur met een palmar-sluitplaat. Journal of Orthopedic Trauma. 2007; 21 (5): 316-322.
  8. 8. Meena S, Sharma P, Sambharia AK, Dawar A.Fracturen met distale straal: een overzicht. Journal of Family Medicine and Primary Care. 2014; 3 (4): 325.
  9. 9. Raby N, Berman L, Morley S, De Lacey G.Ongevallen- en noodradiologie: een overlevingsgids. Elsevier Gezondheidswetenschappen; 2014.
    • 10. Zenke Y, Furukawa K, Furukawa H, Maekawa K, Tajima T, Yamanaka Y, et al. Radiografische metingen als voorspeller van correctieverlies bij conservatieve behandeling van Colles ‘fractuur. Journal of UOEH. 2019; 41 (2): 139-144.
    • 11. Lee JI, Park KC, Joo IH, Jeong HW, Park JW. Het effect van osteoporose op de resultaten na volaire vergrendelingsplaatfixatie bij vrouwelijke patiënten ouder dan 50 jaar met onstabiele distale radiusfracturen. The Journal of Hand Surgery. 2018; 43 (8): 731-737.
    • 12. Wang J, Lu Y, Cui Y, Wei X, Sun J. Is de volaire vergrendelingsplaat superieur aan externe fixatie voor distale radiusfracturen? Een uitgebreide meta-analyse. Acta Orthopaedica en Traumatologica Turcica. 2018; 52 (5): 334-342.
    • 13. Sharareh B, Mitchell S. Radiografische resultaten van de dorsale overspanningsplaat voor de behandeling van verkleinde distale radiusfracturen bij niet-oudere patiënten. Journal of Hand Surgery Global Online. 2020; 2 (2): 94-101.
    • 14. Rhee SH, Kim J. Distale radiusfractuur metafysaire verkleining: een nieuwe radiografische parameter voor het kwantificeren, de metafysaire instortingsverhouding (MCR). Orthopedie en traumatologie: chirurgie en onderzoek. 2013; 99 (6): 713-718.
    • 15. Cai L, Zhu S, Du S, Lin W, Wang T, Lu D, et al. De relatie tussen radiografische parameters en klinische uitkomst van distale radiusfracturen bij oudere patiënten. Orthopedie & traumatologie, chirurgie & onderzoek: OTSR. 2015; 101 (7): 827-831.
    • 16. ​​ Lee SK, Chun YS, Shin HM, Kim SM, Choy WS. Subchondrale ondersteuningsfixatie met twee lagen met optimale distale dorsale corticale afstand met behulp van een volaire vergrendelingsplaatsysteem met variabele hoek voor distale radiusfracturen bij ouderen. Orthopedie en traumatologie: chirurgie en onderzoek. 2018; 104 (6): 883-891.
    • 17. Rabar S, Lau R, O’Flynn N, Li L, Barry P.Risicobeoordeling van fragiliteitsfracturen: samenvatting van NICE-richtlijnen. BMJ. 2012; 345.
    • 18. Knapp KM, Meertens RM, Seymour R. Beeldvorming en opportunistische identificatie van fracturen. Pavilion Publishing. 2018; Vol. 48 (11): 10-12.
    • 19. Bartl C, Stengel D, Bruckner T, Rossion I, Luntz S, Seiler C, et al. Open reductie en interne fixatie versus gieten voor sterk verbrijzelde en intra-articulaire fracturen van de distale radius (ORCHID): protocol voor een gerandomiseerde klinische multicenter studie. Proeven. 2011; 12 (1): 84.
    • 20. Grewal R, MacDermid JC, King GJW, Faber KJ. Open reductie interne fixatie versus percutane pinning met externe fixatie van distale radiusfracturen: een prospectieve, gerandomiseerde klinische studie. Journal of Hand Surgery. 2011; 36 (12): 1899-1906.
    • 21. Kapoor H, Agarwal A, Dhaon BK. Verplaatste intra-articulaire fracturen met distale radius: een vergelijkende evaluatie van resultaten na gesloten reductie, externe fixatie en open reductie met interne fixatie. Letsel. 2000; 31 (2): 75-79.
    • 22. Kelly AJ, Warwick D, Crichlow TPK, Bannister GC. Is manipulatie van de matig verplaatste fractuur van Colles de moeite waard? Een prospectieve gerandomiseerde studie. Letsel. 1997; 28 (4): 283-287.
    • 23. Handoll HH, Madhok R. Conservatieve interventies voor de behandeling van distale radiale fracturen bij volwassenen. Cochrane-database met systematische overzichten. 2003; (2).
    • 24. Handoll HH, Madhok R.Gesloten reductiemethoden voor de behandeling van distale radiale fracturen bij volwassenen. Cochrane-database met systematische overzichten. 2003; (1).
    • 25. Handoll HH, Huntley JS, Madhok R.Verschillende methoden voor externe fixatie voor de behandeling van distale radiale fracturen bij volwassenen. Cochrane-database met systematische overzichten. 2008; (1).
    • 26. Aro HT, Koivunen T. Kleine axiale verkorting van de radius beïnvloedt de uitkomst van de fractuurbehandeling van Colles. Journal of Hand Surgery. 1991; 16 (3): 392-398.
    • 27. Abbaszadegan H, Jonsson U, Sivers Kv. Voorspelling van instabiliteit van Codes ‘breuken. Acta Orthopaedica Scandinavica. 1989; 60 (6): 646-650.
    • 28. Villar RN, Marsh D, Rushton N, Greatorex RA. Drie jaar na de breuk van Colles. Een toekomstige recensie. The Journal of Bone and Joint Surgery British Volume. 1987; 69 (4): 635-638.
    • 29. Mackenney PJ, McQueen MM, Elton R.Voorspelling van instabiliteit bij distale radiale fracturen. The Journal of Bone and Joint Surgery American Volume. 2006; 88 (9): 1944-1951.
    • 30. Nesbitt KS, Failla JM, Les C. Beoordeling van instabiliteitsfactoren bij volwassen distale radiusfracturen. The Journal of Hand Surgery. 2004; 29 (6): 1128-1138.
    • 31. Solgaard S. Vroege verplaatsing van distale radiusfractuur. Acta Orthopaedica Scandinavica. 1986; 57 (3): 229-231.
    • 32. Altissimi M, Mancini GB, Azzarà A, Ciaffoloni E. Vroege en late verplaatsing van fracturen van de distale radius. De voorspelling van instabiliteit. Internationale orthopedie. 1994; 18 (2): 61-65.
    • 33. Hove LM, Solheim E, Skjeie R, Sörensen FK. Voorspelling van secundaire verplaatsing in de fractuur van Colles. Journal of Hand Surgery (Edinburgh, Schotland). 1994; 19 (6): 731-736.
    • 34. Ilahi OA, Kadakia NR, Huo MH. Inter- en intraobserver-variabiliteit van radiografische metingen van knie-uitlijning. The American Journal of Knee Surgery. 2001; 14 (4): 238-242.
    • 35. Suangyanon P, Chalayon O, Worawuthangkul K, Kaewpornsawan K, Ariyawatkul T, Eamsobhana P.Pediatrische elleboogmeetparameters: evaluatie van de zes hoeken in inter- en intra-waarnemersbetrouwbaarheid. Journal of Clinical Orthopedics and Trauma. 2019; 10 (4): 792-796.
    • 36. Watson NJ, Asadollahi S, Parrish F, Ridgway J, Tran P, Keating JL. Betrouwbaarheid van radiografische metingen voor acute distale radiusfracturen. BMC medische beeldvorming. 2016; 16 (1): 44.
    • 37. Bidgood WD, Horii SC. Inleiding tot de ACR-NEMA DICOM-standaard. Radiographics: A Review Publication of the Radiological Society of North America, Inc. 1992; 12 (2): 345-355.
    • 38. Canny J. Een computationele benadering van randdetectie. IEEE-transacties op patroonanalyse en machine-intelligentie. 1986; PAMI-8 (6): 679-698.
    • 39. Duda RO, Hart PE. Gebruik van de Hough-transformatie om lijnen en curven in afbeeldingen te detecteren. Mededelingen van de ACM. 1972; 15 (1): 11-15.
    • 40. Bloom RA, wetten JW. Humerale corticale dikte als een index van osteoporose bij vrouwen. The British Journal of Radiology. 1970; 43 (512): 522-527.
    • 41. Webber T, Patel SP, Pensak M, Fajolu O, Rozental TD, Wolf JM. Correlatie tussen distale radiale corticale dikte en botmineraaldichtheid. Journal of Hand Surgery. 2015; 40 (3): 493-499.
    • 42. Jantzen C, Cieslak LK, Barzanji AF, Johansen PB, Rasmussen SW, Schmidt TA. Colles ‘fracturen en osteoporose – Een nieuwe rol voor de afdeling spoedeisende hulp. Letsel. 2016; 47 (4): 930-933.
    • 43. MacMillan J, Hoade L, Knapp K, Reyes-Aldasoro C, Slabaugh G, Appelboam A.Voorspelling van succesvolle manipulatie onder anesthesie met behulp van lokale binaire patroonfuncties. In: UK Radiological and Radiation Oncology Congress. Liverpool, VK; 2018.
      • 44. Ojala T, Pietikäinen M, Harwood D.Een vergelijkende studie van textuurmetingen met classificatie op basis van aanbevolen distributies. Patroonherkenning. 1996; 29 (1): 51-59.
      • 45. Ryan PJ. Botdensitometrie bij de behandeling van Colles-fracturen: welke site moet worden gemeten? The British Journal of Radiology. 2001; 74 (888): 1137-1141.
      • 46. Adolphson P, Abbaszadegan H, Jonsson U. Computerondersteunde voorspelling van de instabiliteit van de fracturen van Colles. Internationale orthopedie. 1993; 17 (1): 13-15.
      • 47. Erhart S, Toth S, Kaiser P, Kastenberger T, Deml C, Arora R.Vergelijking van volaire en dorsaal verplaatste distale radiusfractuur behandeld door middel van volaire vergrendelingsplaatfixatie. Archief van orthopedische en traumachirurgie. 2018; 138 (6): 879-885.
      • 48. Zenke Y, Furukawa K, Furukawa H, Maekawa K, Tajima T, Yamanaka Y, et al. Radiografische metingen als voorspeller van correctieverlies bij conservatieve behandeling van Colles ‘fractuur. Journal of UOEH. 2019; 41 (2): 139-144.
      • 49. Crespo R, Revilla M, Usabiago J, Crespo E, García-Ariño J, Villa LF, et al. Metacarpale radiogrammetrie door computerradiografie bij postmenopauzale vrouwen met Colles ‘fractuur en wervelpletfractuursyndroom. Calcified Tissue International. 1998; 62 (5): 470-473.
      • 50. Ngan KH, Garcez Ad, Knapp KM, Appelboam A, Reyes-Aldasoro CC. Een machine learning-benadering voor de diagnose van de fractuurbehandeling van Colles. bioRxiv. 2020; p. 2020.02.28.970574.
      • 51. Ebsim R, Naqvi J, Cootes T.Volledig automatische detectie van distale radiusfracturen van postero-anterieure en laterale röntgenfoto’s . In: Cardoso MJ, Arbel T, Luo X, Wesarg S, Reichl T, González Ballester MA, et al., Redacteuren. Computerondersteunde en robotachtige endoscopie en klinische beeldgebaseerde procedures. Lecture Notes in Computer Science. Cham: Springer International Publishing; 2017. p. 91-98.
        • 52. Ebsim R, Naqvi J, Cootes TF. Automatische detectie van polsbreuken van postero-anterieure en laterale röntgenfoto’s: een op leren gebaseerde benadering. In: Vrtovec T, Yao J, Zheng G, Pozo JM, redacteuren. Computationele methoden en klinische toepassingen in musculoskeletale beeldvorming. Lecture Notes in Computer Science. Cham: Springer International Publishing; 2019. p. 114-125.
          • 53. Ngan KH, Garcez Ad, Knapp KM, Appelboam A, Reyes-Aldasoro CC. Densenet interpreteerbaar maken tot een casestudy in klinische radiologie. medRxiv. 2019.

          Lees Meer