Framgången av mönsterigenkänning inom AI (artificiell intelligens) har skapat höga förväntningar om att AI ska kunna appliceras inom vården, framför allt inom radiologi. Det danska företaget Radiobotics har utvecklat en maskininlärningsbaserad programvara som diagnostiserar knäartros, för att assistera vårdpersonalen i deras arbete. Denna AI-programvara vid namn RBknee analyserar en röntgenbild utifrån tre diagnostiska parametrar som förekommer vid knäartros, för att sedan sammanställa de radiologiska fynden i en skriftlig rapport tillsammans med en slutgiltig diagnos. För att få förståelse för hur RBknees analysförmåga påverkas av en bildkvalitetsförsämring undersöktes för vilken kontrast och brusnivå som RBknee genererar ett felaktigt utlåtande gällande de diagnostiska parametrarna och slutdiagnosen. Vidare undersöktes om graden av knäartros påverkade RBknee analysförmåga vid en bildkvalitetsförsämring. Ett bildunderlag med kliniskt tagna slätröntgenbilder av knän degraderades med avseende på kontrast och brus för att sedan analyseras av RBknee. Förändringar av RBknees utlåtande för de degraderade bilderna jämfört med originalbildens utlåtande sammanställdes och studerades. Resultatet visade att det inte gick att identifiera en specifik försämringsgrad av bildkvaliteten där RBknee genererade ett felaktigt utlåtande. RBknees förmåga att generera ett korrekt utlåtande var bättre vid en kontrastdegradering än vid en brusdegradering. Det konstaterades att en ökad brusnivå ökade risken för ett felaktigt utlåtande av RBknee, samt att brusets position på röntgenbilden hade en påverkan. Det gick även att fastställa att röntgenbilder av knän med en lägre grad av knäartros i högre grad riskerade att få felaktiga utlåtanden av RBknee. / The success of pattern recognition in AI (artificial intelligence) has brought high expectations for AI to be applied in healthcare, especially in radiology. A machine learning software for knee osteoarthritis diagnosis has been developed by the Danish company Radiobotics. The AI software, named RBknee, analyses digital radiographs and annotates osteoarthritis related findings. The findings, together with a conclusion, are compiled in a written report. RBknee is intended to assist healthcare professionals in radiographic analysis. How RBknees analytical ability is affected by a reduced image quality was studied by examining the contrast and noise level which cause RBknee to generate incorrect findings and conclusions. If the image quality reduction caused RBknees analytically ability to differ with different degrees of knee osteoarthritis, was also studied. The image quality of clinical digital radiographs of knees was reduced and analysed by RBknee. RBknees findings and conclusion were compared with the report of the original image, where the changes were compiled into tables. No specific reduction of image quality that restricted RBknee analytically ability was established in the study. An increased noise level seemed to increase the risk of receiving an incorrect report by RBknee. RBknees ability to generate correct report was better for contrast degraded images than for images with increased noise level. The position of the noise in the radiograph also seemed to have an impact on RBknees analytical ability. It was also possible to establish that knees with a lower degree of knee osteoarthritis were more likely to receive an incorrect report from RBknee.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-298228 |
| Date | January 2021 |
| Creators | Hägnestrand, Ida, Lindström Söraas, Nina |
| Publisher | KTH, Medicinteknik och hälsosystem |
| Source Sets | DiVA Archive at Upsalla University |
| Language | Swedish |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-CBH-GRU ; 2021:096 |
Page generated in 0.0024 seconds