Radiographic annotations of the canine hip joint conformation for computer software training in the diagnosis of dysplasia

This dissertation begins with two reviews, one on canine hip dysplasia (CHD) and another on artificial intelligence in veterinary imaging; then two studies are presented, one on hip distraction index (DI) computation and another on femoral neck thickness index (FNTi). CHD is a hereditary orthopedic disease that predominates in large and giant breeds, causing lameness and disability. To assess the presence of this pathology in young dogs, hip laxity is evaluated on distraction-stress radiographs, using a hip distractor and calculating the DI. In adult dogs the evaluation is performed on ventrodorsal hip-extended radiographs, examining for evidence of congruity changes and osteoarthritis. Artificial intelligence is emerging in the field of veterinary imaging. Medical images are very subjective to evaluate, therefore the application of artificial intelligence and deep learning methods to automate the analysis process would be a great resource. For the DI computation, first a newly trained examiner (TEx) was tested by comparing the DI measurements with an experienced examiner (EEx) on 50 images (100 hips). Then, the TEx performed annotations on 174 images (348 hips) to train the AI model for the DI computation. The 50 images (100 hips) mentioned previously were used to test the model. In the comparison between EEx and TEx DI measurements, the intra-class correlation (ICC) test and the Bland-Altman plot denoted adequate reproducibility. The comparison between the TEx and the AI model also showed agreement and reliability. The Bland-Altman analysis revealed significant mean differences (p < 0.001) between the TEx and AI model, however, the 95% LoA can be interpreted as clinically small, because 95% of all measurement differences lie in a short range. Additionally, the ICC values showed excellent reliability. This could mean that the measurements are related and functionally consistent. Nevertheless, the AI model would benefit from a larger image dataset for training. The FNTi research began by using previously trained AI models that determined femoral head diameter for other CHD research purposes in the Dys4vet project. Simultaneously, specific annotations in the femoral neck in 25 images were performed. The aim was to develop an algorithm to teach the AI software to determine the minimum FNT, in order to compute the FNTi. Following this, 29 images (58 hips) were randomly selected with all five FCI categories similarly represented. All hips were annotated by an examiner in 2 sessions to evaluate repeatability and afterwards, the measurements from the examiner were compared against the AI algorithm, to evaluate its performance. In the end, the association of the FNTi with the degree of CHD assessed by the FCI score was studied. The results showed adequate intraexaminer as well as between the examiner and the AI algorithm agreement and reliability. Mean FNTi values were shown to be gradually higher in the different FCI categories (p < 0.05). In conclusion a larger dataset would be beneficial for both scientific works. Nevertheless, the automated DI calculation would definitely be a great asset to veterinarians, as it would be less reliant on expert knowledge. The new FNTi parameter has the potential to make the classification of CHD more objective if it was included as a scoring criterion and it is promising in terms of its application through a computer vision model capable of autonomously identifying and classifying CHD.

Esta dissertação começa com duas revisões, uma acerca da displasia da anca canina (DAC) e outra sobre inteligência artificial na imagiologia veterinária; seguidamente, são apresentados dois trabalhos de investigação, um sobre o cálculo do índice de distração (ID) e outro sobre o índice de espessamento do colo do fémur (FNTi). A DAC é uma doença ortopédica hereditária, predominante em raças grandes e gigantes, que provoca claudicação e incapacidade. Para identificar esta patologia em cães jovens, a lassitude da anca deve ser avaliada em radiografias de stress, utilizando um distrator e calculando o ID. Em cães adultos, a avaliação é efetuada em radiografias em extensão ventrodorsal, procurando alterações de congruência e osteoartrite. A inteligência artificial está a emergir na área da imagiologia veterinária. A avaliação imagiológica é muito subjetiva, pelo que a aplicação de métodos de inteligência artificial (IA) e deep learning para automatizar o processo de análise seria um excelente recurso. Para o cálculo do ID, primeiro um examinador recém treinado (TEx) foi testado, comparando as medições de DI com as de um examinador experiente (EEx) em 50 imagens (100 ancas). Posteriormente, o TEx efetuou anotações em 174 imagens (348 ancas) para treinar o modelo de IA a calcular o ID. As 50 imagens mencionadas anteriormente foram utilizadas para teste. Na comparação entre as medições de DI do EEx e do TEx, o teste de correlação intra-classe (ICC), e o gráfico de Bland-Altman mostraram reprodutibilidade adequada. A análise Bland-Altman revelou diferenças médias significativas (p < 0,001) entre o TEx e o modelo AI, contudo, o LoA de 95% pode ser interpretado como clinicamente pequeno, pois 95% de todas as diferenças de medição encontram-se num curto intervalo. Além disso, os valores de ICC mostraram uma excelente fiabilidade. Isto pode significar que as medições estão relacionadas e são funcionalmente consistentes. Porém, o modelo de IA beneficiaria de um conjunto de imagens maior para treino. A investigação do FNTi, começou com a utilização de modelos de IA previamente treinados na determinação do diâmetro da cabeça do fémur para outros fins de investigação no projeto Dys4vet. Simultaneamente realizaram-se anotações específicas no colo do fémur em 25 imagens, com o objetivo de desenvolver um algoritmo de IA para determinar o espessamento do colo do fémur, de modo a calcular o FNTi. Seguidamente, foram selecionadas aleatoriamente 29 imagens (58 ancas) com as cinco categorias de FCI representadas uniformemente. Todas as ancas foram anotadas por um examinador em 2 sessões para avaliar a repetibilidade e, posteriormente, as medições do examinador foram comparadas com o algoritmo de IA, para avaliar o seu desempenho. Finalmente, foi estudada a associação da FNTi com o grau de displasia da anca canina segundo a classificação FCI. Os resultados revelaram adequada concordância e fiabilidade intra-examinador e entre o examinador e algoritmo de IA. Os valores médios de FNTi mostraram-se gradualmente mais altos nas diferentes categorias de FCI, com diferenças estatisticamente significativas (p < 0.05). Concluiu-se que um conjunto de dados maior seria benéfico para ambos os trabalhos científicos. No entanto, o cálculo automatizado do ID seria uma mais-valia para os veterinários, uma vez que dependeriam menos dos conhecimentos de especialistas e ajudaria a efetuar um diagnóstico mais rápido e preciso. Quanto ao FNTi, esta nova medida tem o potencial de tornar a classificação da CHD mais objetiva se for incluída como critério de classificação da displasia e é promissora em termos da sua aplicação através de um modelo computacional de identificação e classificação automática de DAC.