DEVELOPMENT AND OPTIMIZATION OF MEASUREMENT PROTOCOLS FOR SHOULDER CT IMAGING

Computed tomography provides three-dimensional images of shoulder bones and is useful for automatic image analysis. The appearance of the glenohumeral joint can vary between patients. When the humeral head and glenoid are closer together and their opposing cortical margins are less visible, the region of interest (ROI) quality is lower and automatic segmentation can become more difficult. This study aimed to develop and evaluate a workflow that combines ROI quality assessment, automatic quality classification, shoulder bone segmentation, and segmentation quality analysis. From 200 shoulder CT examinations, 127 were retained after screening. The glenohumeral region was localized with a semi-automatic template-matching method. The ROIs were visually classified as good, medium, or poor based on the separation between the humeral head and glenoid and the visibility of their opposing cortical margins. The final distribution was 80 good, 34 medium, and 13 poor cases. Quantitative ROI features were then used in a regularized logistic regression model for automatic quality classification. Forty CT volumes were manually segmented and used to develop an nnU-Net model for automatic segmentation of the humerus and scapula. The model was validated on eight cases and then applied to the remaining 87 CT volumes. Inference required about 2 minutes per CT volume. Six CT-based features were also defined to study local segmentation quality and its relationship with ROI quality. For ROI quality classification, balanced accuracy was 94.9% in the binary task and 68.2% in the hierarchical three-class task. Mean Dice Similarity Coefficient (DSC) was 0.934 ± 0.028 for the humerus and 0.976 ± 0.005 for the scapula. The six CT-based features generally showed the expected trend across ROI quality classes in both the manual and automatic segmentations. The workflow linked glenohumeral ROI quality assessment with automatic shoulder bone segmentation. The results indicate that separating good from lower-quality ROIs is more reliable than distinguishing all three quality levels. The CT-based features also suggest a bond between lower ROI quality and lower local segmentation quality.

La tomografia computerizzata (TC) fornisce immagini tridimensionali delle ossa della spalla ed è utile per l’analisi automatica delle immagini. L’aspetto dell’articolazione gleno-omerale può variare da paziente a paziente. Quando la testa omerale e la glena sono più vicine tra loro e i rispettivi margini corticali contrapposti risultano meno visibili, la qualità della regione di interesse (ROI) diminuisce e la segmentazione automatica può diventare più difficile. Questo studio ha avuto l’obiettivo di sviluppare e valutare un flusso di lavoro che combina la valutazione della qualità delle ROI, la classificazione automatica della qualità, la segmentazione delle ossa della spalla e l’analisi della qualità della segmentazione. Dei 200 esami TC della spalla iniziali, 127 sono stati mantenuti dopo un processo di selezione. La regione gleno-omerale è stata localizzata mediante un metodo semi-automatico basato sul template matching. Le ROI sono state classificate visivamente come di qualità buona, media o scarsa, sulla base della separazione tra la testa omerale e la glena e della visibilità dei rispettivi margini corticali contrapposti. La distribuzione finale comprendeva 80 casi di buona qualità, 34 di qualità media e 13 di scarsa qualità. Successivamente, le caratteristiche quantitative delle ROI sono state utilizzate in un modello di regressione logistica regolarizzata per la classificazione automatica della qualità. Quaranta volumi TC sono stati segmentati manualmente e utilizzati per sviluppare un modello nnU-Net per la segmentazione automatica dell’omero e della scapola. Il modello è stato validato su otto casi e successivamente applicato ai restanti 87 volumi TC. Il tempo di inferenza è stato di circa 2 minuti per volume TC. Sono state inoltre definite sei caratteristiche basate sulle immagini TC per studiare la qualità locale della segmentazione e la sua relazione con la qualità delle ROI. Per la classificazione della qualità delle ROI, l’accuratezza bilanciata (balanced accuracy) è stata del 94,9% nel compito binario e del 68,2% nel compito gerarchico a tre classi. Il coefficiente di similarità di Dice (Dice Similarity Coefficient, DSC) medio è stato pari a 0,934 ± 0,028 per l’omero e a 0,976 ± 0,005 per la scapola. Le sei caratteristiche basate sulle immagini TC hanno generalmente mostrato l’andamento atteso nelle diverse classi di qualità delle ROI, sia nelle segmentazioni manuali sia in quelle automatiche. Il flusso di lavoro ha collegato la valutazione della qualità delle ROI gleno-omerali alla segmentazione automatica delle ossa della spalla. I risultati indicano che distinguere le ROI di buona qualità da quelle di qualità inferiore è più affidabile rispetto alla distinzione tra tutti e tre i livelli di qualità. Le caratteristiche basate sulle immagini TC suggeriscono inoltre un legame tra una minore qualità delle ROI e una minore qualità locale della segmentazione.