• konvoluutioneuroverkko
• lonkkaniveldysplasia
• syväoppiminen

Koirien lonkkaniveldysplasia on perinnöllinen luuston kasvuhäiriö, jonka esiintyvyyttä rotukorilla on pyritty vähentämään seulontamuotoisella röntgenkuvantamisella, dysplasia-asteen luokittelulla sekä asettamalla raja-arvoja jalostukseen käytettävien koirien terveystuloksille. Koska nykyinen lonkkien arvostelu on manuaalinen, asiantuntijapohjainen prosessi, on sitä kritisoitu epätarkaksi ja subjektiiviseksi. Konvoluutioneuroverkon hyötyjä on tutkittu humaanilääketieteen röntgenkuvien tulkinnassa lupaavin tuloksin. Herääkin kysymys, olisiko konvoluutioneuroverkosta apua myös lonkkaniveldysplasian vastustamisessa.

Konvoluutioneuroverkko on yksi koneoppimisen muodoista, joita käytetään erityisesti kuvamuotoisen informaation prosessoinnissa ja luokittelussa. Se on rakenteeltaan monikerroksinen ja se kykenee havaitsemaan kuvissa muotoja, joiden perusteella se lopulta tekee arvion kuvan sisällöstä ja luokittelee sen yleensä yhteen ennalta oppimistaan luokista. (Zaccone & Karim 2018, 139-140)

Konvoluutioneuroverkkoa voidaan esimerkiksi opettaa arvioimaan, onko kuvassa kissa vai ei. Sille annetaan ensin opetusaineisto, joka sisältää kuvia sekä kissoista, että muista kohteista. Se tarkastelee samaansa aineistoa ja havaitsee yhdistäviä piirteitä kaikista kuvista, näin kyeten arvioimaan sille jatkossa syötetyistä kuvista, onko niissä kissaa vai ei. Tätä toimintaperiaatetta hyödyntäen, on konvoluutioneuroverkon mahdollista oppia myös tunnistamaan lonkkaniveldysplasialle tyypillisiä piirteitä.

Olemassa olevien tutkimusten tuloksia

Vuoden 2024 kevääseen mennessä konvoluutioneuroverkon käyttöä koirien lonkkaniveldysplasian tunnistamiseen ja luokitteluun on tutkittu ainakin neljässä eri tutkimuksessa (katso lista tutkimuksista artikkelin lopusta). Niiden tutkimusasettelu ja käytetyn aineiston määrä sekä laatu vaihtelee voimakkaasti, joten niiden perusteella ei vielä toistaiseksi voida vetää varmoja johtopäätöksiä. Lisäksi kaikissa tutkimuksissa käytetty kuva-aineisto oli vinoutunutta siten, että normaalit (terveet) ja lähes normaalit lonkkanivelet olivat aineistossa yliedustettuina.  

Tulokset ovat tästä huolimatta olleet lupaavia ja voidaan melko luotettavasti sanoa, että konvoluutioneuroverkko pystyy vähintäänkin lonkkanivelien binääriseen (terve – sairas) luokitteluun. Tämä ei kuitenkaan ole vielä rotukoirajalostuksen näkökulmasta riittävä tulos, sillä lonkkaniveldysplasian raja-arvo jalostukseen käytettäville vaihtelee roduittain, eikä esimerkiksi kaikkia koiria, joilla on todettu lievä lonkkadysplasia voida jättää jalostuksen ulkopuolelle.

Hienojakoisempi lonkkadysplasian asteen luokittelu, tässä tapauksessa FCI:n (Federation Cynoloque Internationale, Kansainvälinen Koirankasvatusliitto) lonkkanivelen arviointiohjeen mukaisesti viiteen eri luokkaan (A (normaali) – E (vaikea dysplasia)), onnistui myös tutkimuksissa melko hyvin, joskin aineiston määrä ja laatu vaikuttivat tulosten luotettavuuteen. Suurimmaksi haasteeksi FCI:n luokittelussa ilmeni luokan B (lähes normaali/rajatapaus) tapausten erottaminen luokan C (lievä dysplasia) tapauksista. Tämä ei ole yllättävää, sillä se on usein haastavampaa myös asiantuntevalle radiologille ja lopulliseen luokitukseen voivat vaikuttaa hyvinkin pienet muutokset lonkkanivelessä.

Haasteet kehitystyölle

Automaattisen lonkkalausujan kehittämiselle on vielä joitakin avoimia kysymyksiä, jotka kaipaavat vielä vastauksia:

• Kuinka suuri vaikutus röntgenkuvien teknisellä laadulla on mallin suorituskykyyn ja miten tämä voidaan huomioida automaattisen lausujan kehittämisessä?
• Voidaanko röntgenkuvien esikäsittelyllä parantaa mallin suorituskykyä?
• Miten FCI:n arvosteluohjeen tulkinnan epäyhdenmukaisuus vaikuttaa kehitystyöhön ja millaisia ratkaisuja ongelmaan voidaan löytää?

Röntgenkuvien teknisen laadun vaikutus

Jotta koira voi saada arvioin lonkkanivelistään röntgenkuvan perusteella, on siitä otetun kuvan oltava otettu FCI:n kuvausohjetta noudattaen. Koira on oltava rauhoitettuna ja aseteltuna kuvaan oikealla tavalla. Sen on maattava selällään, lantio suorassa ja takajalat venytettynä suoraan taaksepäin. Reisiluut eivät saa olla kiertyneinä ja polvilumpioiden tulee asettua keskelle reisiluuta. Ohjeesta poikkeava asento voi vääristää näkymää lonkkanivelistä siten, että ne näyttäytyvät kuvassa joko terveempinä tai sairaampina kuin ne todellisuudessa ovat.  (Suomen Kennelliitto n.d.)

Koska tähän asti tehdyistä tutkimuksista suurimmassa osassa lonkkanivelien alueet on erotettu koko kuvasta rajaamalla, on koiran asettelussa mahdollisesti tehdyt virheet jääneet piiloon, eikä niiden merkitystä tuloksissa pystytä arvioimaan. Luotettavan tuloksen saamiseksi olisikin tärkeää, että arvion tekevä malli kykenee erottamaan väärin asetellun kuvan oikeasta.

Aineiston normalisointi

Samoin kuin valokuvauksessa, röntgenkuvantamisessakin voidaan tehdä kuvan laadun suhteen epäedullisia ratkaisuja säätämällä kuvausarvoja. Esimerkiksi liiallinen tai liian vähäinen valotus kuvassa heikentää lonkkien rakenteiden erottamista röntgenkuvista (Suomen Kennelliitto n.d.).  On vielä epäselvää, kuinka paljon kuvien tekninen laatu vaikuttaa mallin suorituskykyyn ja voitaisiinko sitä parantaa normalisoimalla aineisto kuvankäsittelyllä.

Esimerkiksi toisen asteen differentiaaliyhtälöön perustuvalla Laplace-kuvankäsittelytekniikalla voidaan tunnistaa ja korostaa kuvassa löytyviä reuna-alueita harmaasävykuvissa. Laplacea on käytetty esimerkiksi ihmisten rintakehistä otettujen röntgenkuvien esikäsittelyssä ja näin saatu mallin herkkyyttä (engl. recall) nostettua (Chen 2019, 33). Herkkyydellä koneoppimisen kontekstissa tarkoitetaan arvoa, jolla mitataan kuinka monta oikeaa positiivista tapausta malli kynenee tunnistamaan tietoaineiston kaikista oikeista positiivista tapauksista.

Arvosteluohjeen tulkinnan epäyhdenmukaisuus

FCI-luokittelu on käytössä kaikissa FCI:n jäsenmaissa, mutta sen tulkinnassa on hyvin paljon vaihtelua niin lausuja- kuin maatasolla. Tällä tarkoitan sitä, että esimerkiksi terveeksi (luokkaan A) voidaan toisessa maassa luokitella lonkkanivelet, jotka toisessa maassa arvioitaisiin kuuluvaksi luokkaan C. Näin ollen konvoluuotioneuroverkon mallin lonkkanivelen luokittelutulos riippuu aineistosta, jolla se on opetettu. Jotta automaattisen lonkkalausujan käyttöaste tulisi olemaan mahdollisimman korkea ja siitä todella olisi hyötyä lonkkaniveldysplasian vastustamisessa, arvosteluohjeen tulkinta olisi saatava kansainvälisesti yhdenmukaiseksi.

Miten ilmenneitä haasteita voisi lähestyä tulevassa tutkimustyössä?

Arvosteluohjeen tulkintavaihtelun asettamaa ongelmaa ei voida ratkaista automaattisen lonkkalausujan kehitystyössä ja uskonkin sen olevan ratkaistavissa vain kansainvälisellä yhteistyöllä ja sopimuksilla. Näkisin, että lonkkalausujan kehitykseen olisi kuitenkin kannattavaa valita sellainen aineisto, jossa arvosteluohjeen tulkinta noudattaa mahdollisimman tiukasti annettuja kriteereitä ja jossa arvostelu on tehty keskitetysti yhden organisaation sisällä. Näin aineisto on mahdollisimman yhdenmukaista. Hyvä esimerkki tällaisesta aineistoista voisi olla esimerkiksi Suomen Kennelliiton toimesta arvioidut lonkkakuvat.

Koska nykyisten tutkimustulosten valossa voidaan pitää melko todennäköisenä, että konvoluutioneuroverkon avulla voidaan tunnistaa ja luokitella lonkkaniveliä luotettavasti, ohjelman kehitystyötä kannattaa jatkaa. Kehitystyötä kannattaisi mahdollisesti viedä kohti yhdistelmäoppimista (engl. esemble learning) ja pilkkoa tehtävä usean eri mallin tehtäväksi lopullisen tuloksen saamiseksi.

Ehdottaisin esimerkiksi seuraavanlaista lähestymistapaa: Ensimmäiseen vaiheeseen mallia, joka tunnistaisi onko röntgenkuva otettu riittävällä tarkkuudella kriteerien mukaisesti ja antamaan arvion koiran asennon perusteella, kuinka luotettavana tulosta voidaan asennon perusteella pitää. Toisessa vaiheessa voitaisiin suorittaa kuvan rajaaminen, eli lonkkanivelien erottaminen kuvasta.

Kolmas vaihe eli varsinainen luokittelu, voisi tapahtua siten, että ensimmäinen malli luokittelisi lonkat binäärisesti terveeksi tai sairaaksi. Riippuen luokittelun tuloksesta vietäisiin kuva seuraavalle mallille. Mikäli binäärisen luokittelun tulos olisi terve, seuraava malli tarkastelisi kuuluuko lonkkanivel luokkaa A vai B. Jos puolestaan binäärisen luokittelun tulos olisi sairas, luokittelisi seuraava malli sen johonkin luokista C-D.

Ehdotukseni perustuu siihen, että ensimmäisellä vaiheella vältyttäisiin mahdolliselta asentovirheen aiheuttamasta vääristymästä rajausvaiheen jälkeen. Lisäksi koska binäärinen luokitus onnistui aiemmissa tutkimuksissa hyvin, mutta B- ja C-luokkien tunnistaminen oli haastavampaa, voisi kaksi kapeampaan luokkaskaalaan erikoistunutta mallia tuottaa tarkemman tuloksen, kuin kaikkia viittä luokkaa tarkasteleva malli. Tällä voitaisiin myös mahdollisesti vähentää aineiston vinoutumasta aiheutuvia ongelmia.

Arttikelissa viitataan seuraaviin tutkimuksiin

• Boufenar, C.; Logovi, T. E.; Samir, D. & Lassakeur, I. E. 2023. Computer-aided diagnosis of Canine Hip Dysplasia using deep learning approach in a novel X-ray image dataset. Viitattu 20.2.2024 https://www.tandfonline.com/doi/full/10.1080/21681163.2023.2274947?src=
• Gomes, D. A.; Alves-Pimenta, M. S.; Ginja, M. & Filipe, V. 2021. Predicting Canine Hip Dysplasia in X-Ray Images Using Deep Learning. Julkaisu: Optimization, Learning Algorithms and Applications. Viitattu 12.1.2024 https://oa.mg/work/10.1007/978-3-030-91885-9_29
• Talvio, A. 2022. Koiran lonkkaniveldysplasian diagnosointi konvoluutioneuroverkkoa hyödyntäen. Viitattu 14.1.2024. https://trepo.tuni.fi/bitstream/handle/10024/137602/TalvioAlex.pdf?sequence=2
• McEvoy, F. J.; Proschowsky, H. F.; Müller, A. F.; Lilah, M.; Bender-Koch, J.; Svalastoga, E. L. & Nielsen, D. H. 2021. Deep transfer learning can be used for the detection of hip joints in pelvis radiographs and the classification of their hip dysplasia status. Viitattu 14.1.2024 https://pubmed.ncbi.nlm.nih.gov/33818829

Artikkelikuva: Eläinsairaala Vettori

Muut lähteet:

Chen, X. 2019. Image enhancement effect on the performance of convolutional neural network. Viitattu 4.3.2024. https://typeset.io/papers/image-enhancement-effect-on-the-performance-of-convolutional-2u0mvlbhw3

Suomen Kennelliitto. 2023. Ohje lonkkanivelen kasvuhäiriön röntgenkuvauksista ja luokituksesta. Viitattu 3.12.2023. https://www.kennelliitto.fi/lomakkeet/lonkkanivelen-kasvuhairioohje-1

Zaccone, G. & Karim, R. 2018. Deep Learning with TensorFlow: Explore Neural Networks and Build Intelligent Systems with Python. Packt Publishing, Limited. Viitattu 3.2.2024. https://ebookcentral.proquest.com/lib/turkuamk-ebooks/detail.action?docID=5340529

Opinnäytetyö Theseus-tietokannassa