The first Metatarsophalangeal (MTP) joint is essential for foot biomechanics and weight-bearing activities. Osteoarthritis in this joint can lead to pain, discomfort, and limited mobility. In order to treat this, Episurf Medical is working to produce individualized implants based on 3D segmentations of the joint. As manual segmentations are both time- and cost-consuming, and susceptible to human errors, automatic approaches are preferred. This thesis uses U-Net and DeepEdit as deep-learning based methods for segmentation of the MTP joint, with the latter being evaluated with and without user interactions. The dataset used in this study consisted of 38 CT images, where each model was trained on 30 images, and the remaining images were used as a test set. The final models were evaluated and compared with regards to the Dice Similarity Coefficient (DSC), precision, and recall. The U-Net model achieved DSC 0.944, precision 0.961, and recall 0.929. The automatic DeepEdit approach obtained DSC of 0.861, precision of 0.842, and recall of 0.891, while the interactive DeepEdit approach resulted in DSC of 0.918, precision of 0.912, and recall of 0.928. All pairwise comparisons in terms of precision and DSC showed significant differences (p<0.05), where U-Net had the highest performance, while the difference in recall was not found to be significant (p>0.05) for any comparison. The lower performances of DeepEdit compared to U-Net could be due to lower spatial resolution in the segmentations. Nevertheless, DeepEdit remains a promising method, and further investigations of unexplored areas could be addressed as future work. / Den första Metatarsalphalangeal(MTP) leden är viktig för fotens biomekanik och viktbärande aktiviteter. Artros i denna led kan leda till smärta, obehag och begränsad rörlighet. För att behandla detta arbetar Episurf Medical med att producera individanpassade implantat baserat på 3D segmenteringar av leden. Då manuella segmenteringar både är tids- och kostnadskrävande, samt känsliga för mänskliga fel, föredras automatiska metoder. Denna avhandling använder U-Net och DeepEdit som djupinlärningsbaserade metoder för segm- entering av MTP leden, varav det senare utvärderas med och utan användarint- eraktion. Datasetet som användes i denna studie bestod av 38 CT bilder, där varje modell tränades på 30 bilder och de återstående användes som testdata. De slutliga modellerna utvärderades och jämfördes med avseende på Dice Similarity Coefficient (DSC), precision och recall. U-Net modellen uppnådde DSC 0.944, precision 0.961 och recall 0.929. Den automatiska DeepEdit metoden erhöll DSC 0.861, precision 0.842 och recall 0.891, medan den interaktiva DeepEdit metoden resulterade i DSC 0.918, precision 0.912 och recall 0.928. Alla parvisa jämförelser avseende precision och DSC visade signifikanta skillnader (p<0.05), där U-Net hade den högsta prestandan, medan skillnaden i recall inte visade sig vara signifikant (p>0.05) för någon jämförelse. Den lägre prestandan för DeepEdit jämfört med U-Net kan bero på lägre spatiell upplösning i segmenteringarna. Dock är DeepEdit fortfarande en lovande metod, och ytterligare undersökningar av outforskade områden kan tas upp som framtida arbete.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-337405 |
| Date | January 2023 |
| Creators | Krogh, Hannah |
| Publisher | KTH, Skolan för kemi, bioteknologi och hälsa (CBH) |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | English |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-CBH-GRU ; 2023:063 |
Page generated in 0.0154 seconds