Teksturanalyse av mandibulært trabekulært ben basert på grånivå-samforekomst-matrisefunksjoner i korrelasjon med alder og kjønn for en egyptisk befolkningsprøve: en tverrsnittsstudie ved bruk av kjeglestråle-CT

Vitenskapelig bakgrunn

Benhelse hos eldre er et stort helseproblem som har fått mye oppmerksomhet i det siste siden eldre populasjoner vokser over hele verden (Vijayakumar og Büsselberg, 2016). Spesielt Egypt forventes å ha 130 millioner innbyggere innen 2050, hvorav 30 % vil være over 50 år (Chen et al., 2013; Gheita og Hammam, 2018). Aldring er ofte ledsaget av muskel- og skjelettlidelser som osteoporose og slitasjegikt som et resultat av forstyrrelser som oppstår i beinremodellering (Gheno et al., 2012). Disse lidelsene øker risikoen for beinbrudd, som hofte- og vertebrale frakturer, og dermed kompromittere livskvaliteten til disse pasientene (Gheno et al., 2012). Forekomsten av disse muskel- og skjelettplagene påvirkes også av kjønn, studier hevder at kvinner er mer utsatt for osteoporose og slitasjegikt enn menn (om Osteoporosis and Prevention, 2001; Gheno et al., 2012).

Benmineraltetthet målt med dobbel røntgenabsorptiometri (DXA) har vært ansett som gullstandarden for å vurdere beinhelse i lang tid (Link og Heilmeier, 2016). Imidlertid påpekte det nasjonale helseinstituttet på sin konsensuskonferanse om osteoporose at beinstyrken ikke bare avhenger av tettheten, men også av kvaliteten (på osteoporose og forebygging, 2001). Derfor er det nødvendig med komplementære diagnostiske metoder for å vurdere beinkvalitet for å forbedre prediksjonen av individuell frakturrisiko (Link og Heilmeier, 2016).

Ulike forsøk har blitt gjort av forskere siden den gang for å utvikle en tilfredsstillende metode for å vurdere beinkvalitet, trabekulær beinskåre (TBS) er en av de mest vellykkede forsøkene. TBS er en teksturparameter relatert til beinmikroarkitektur som bruker konvensjonelle DXA-bilder av korsryggen for å trekke ut teksturfunksjonene på grått nivå som gir skjelettinformasjon som ikke fanges opp fra standard BMD-måling. Det har blitt brukt med suksess som et tillegg til DXA, og ytterligere forskningsforsøk er gjort for å undersøke bruken uavhengig for å forutsi bruddrisiko.(Martineau, Silva og Leslie, 2017; Shevroja et al., 2017) Suksessen til TBS har ført til at forskningsmiljøet har undersøkt den potensielle bruken av teksturparametere for å vurdere beinmikroarkitektur i forskjellige avbildningsmodaliteter (Shevroja et al., 2017). Tekstur er en av de viktigste visuelle mønstergjenkjenningsteknikkene som brukes av mennesker for å identifisere objekter eller områder av interesse i et bilde. Det er en medfødt egenskap til hvert objekt, og inneholder viktig informasjon om det strukturelle arrangementet av overflaten og dets forhold til omgivelsene (Haralick, Shanmugam og Dinstein, 1973). Teksturanalyse er en type kvantitativ bildevurdering basert på forhold mellom pikselintensiteter. Det får et bredt spekter av oppmerksomhet i dag innen biomedisinsk avbildning siden det kan være gunstig i vevskarakterisering med ulike diagnostiske applikasjoner (Gebejes og Huertas, 2013; Summers, 2017).

Det finnes ulike metoder for teksturanalyse, Grånivå co-occurrence matrise (GLCM) er en av de populære og mest brukte for utvinning av teksturfunksjoner (Gebejes og Huertas, 2013). Det er en annenordens statistisk metode for å karakterisere teksturen til et bilde ved å vurdere frekvensen av opptreden av pikselgrå verdipar og deres romlige forhold (Haralick, Shanmugam og Dinstein, 1973; Gebejes og Huertas, 2013).

Cone beam computed tomography (CBCT) brukes i dag rutinemessig for flere diagnostiske prosedyrer og er kjent for å bruke betydelig lavere stråledose enn CT med høyere romlig oppløsning og til lavere kostnader, og kan derfor være en egnet kandidat som et screeningverktøy for beinkvalitet (Scarfe) , Farman og Sukovic, 2006; Scarfe og Farman, 2008). Vi antar herved at bruk av grånivå-samforekomstmatrise-avledede teksturfunksjoner for å vurdere beinkvalitet kan være anvendelig for CBCT-skanninger, i stedet for den diskutable bruken av grånivåer for å måle bentetthet som i mange studier viste seg å være utilstrekkelig sammenlignet med de kalibrerte Hounsfield-enheter av multidetektor-CT (Pauwels et al., 2013; De Rosa et al., 2020; Gonçalves et al., 2020).

Derfor er målet med denne studien å undersøke om GLCM-teksturfunksjoner er korrelert med alder-kjønn trabekulære benvariasjoner i forskjellige områder av interesse på underkjeven CBCT-skanninger. Denne korrelasjonen vil hjelpe med å veilede det fremtidige utvalget av teksturegenskaper og anatomiske regioner som er egnet for å utvikle en potensiell screeningmetode for alders- og kjønnsrelaterte skjelettlidelser.

PECO-spørsmål:

P: Mandibulært trabekulært ben hos voksne egyptere E: Kvinner (18-40 ELLER over 40) C: Hanner (18-40 ELLER over 40) O: Grånivå samtidige forekomst matrise teksturegenskaper

Forskningsspørsmål:

Hva er korrelasjonen mellom alderen og kjønnet til den egyptiske befolkningen og GLCM-avledede teksturtrekk i mandibular trabekulært bein?

Uttalelse av problemet:

Benhelse hos eldre er et stort folkehelseproblem. Selv om diagnostisering av lidelser som påvirker beinhelsen krever vurdering av beinkvalitet så vel som tetthet, er det fortsatt mangel på diagnostiske teknikker som kan undersøke beinkvaliteten på en vellykket måte ved betydelig lav stråledose og lave kostnader.

Spesifikke mål:

For å oppdage tilstedeværelsen av en korrelasjon mellom alder-kjønn til et individ og teksturtrekkene til mandibular trabekulært ben avledet fra grått nivå co-forekomst matrise i et utvalg av voksen egyptisk befolkning.

Hypotese:

Null: Det er ingen forskjell i trabekulære teksturegenskaper mellom ulike aldersgrupper eller mellom de to kjønnene Alternativ: Det er forskjell i trabekulære teksturegenskaper mellom ulike aldersgrupper eller mellom de to kjønnene

Metodikkvariabler

Uavhengige variabler:

1. Alder (18–40 ELLER over 40)
2. Sex (menn ELLER kvinner)

Avhengige variabler:

Elleve teksturtrekk avledet fra Haralicks arbeid (Haralick, Shanmugam og Dinstein, 1973) Funksjon Beskrivelse Kontrast Representerer mengden lokal variasjon av grå nyanser Omvendt forskjellsmoment Homogenitet av fordelingen av gråtoner på bildet Vinkel Andre moment Måling av bildeensartethet Korrelasjon Lineær måle avhengighet av gråtoner mellom nabopiksler Sum av kvadrater Måling av spredningen (relatert til gjennomsnitt) av gråtonefordeling Entropi Grad av uorden mellom piksler i bildet Sum av gjennomsnitt Gjennomsnitt av fordelingen av summen av gråtoner Sum av varians Spredning rundt gjennomsnittet av sumfordelingen av grå nyanser Sum av entropi Desorganisering av sumfordelingen av grå nyanser Differanse av varians Spredning av gråtoneforskjellen Differanse av entropi Uorganisering av gråtoneforskjellen

Datakilder\Målinger

CBCT-bildeanskaffelse:

Mandibulære CBCT-skanninger vil bli hentet retrospektivt fra databaseregisteret til oral og maxillofacial radiologisk avdeling, fakultetet for odontologi, Cairo University. De inkluderte CBCT-bildene skal tas med Planmeca ProMax® 3D Mid CBCT-maskin, med en oppløsning på 0,4 voxel, 20*10 cm FOV (enkelt underkjevebue), som opererer ved 8 mA og 90 Kvp.

Alle CBCT-bilder vil bli innhentet i DICOM-format (Digital Imaging Communication in Medicine) og sett av Romexis programvare for analyse av en senior oral radiolog. Bilder med artefakter og dårlig visuell kvalitet, som stråleherdingsartefakter, delvis volumeffekt, aliasingartefakter, ringartefakter, bilder med lav skarphet som følge av pasientbevegelser under skanning, vil bli ekskludert.

Kvalifiserte CBCT-skanninger vil bli delt inn i 4 grupper i henhold til pasientens alder og kjønn (menn yngre enn 40, menn eldre enn 40, kvinner yngre enn 40, kvinner eldre enn 40). Grupper vil bli tildelt en bokstav A, B, C eller D i tilfeldig rekkefølge, slik at bare assisterende veileder vil være klar over de demografiske dataene til hver gruppe, men vil bli skjult for hovedetterforskeren som skal utføre teksturanalysen.

Korrigerte sagittale kutt av de tre områdene av interesse (fremre, premolar, molar) vil bli forberedt fra de kvalifiserte skanningene, deretter vil bildene bli lagret i et BMP-format.

Segmentering og teksturanalyse:

BMP-bildene av de korrigerte sagittale kuttene av sakene vil bli importert til MaZda-programvaren (Technical University of Lodz, Institute of Electronics, Polen). Et rundt område av interesse vil bli manuelt beskåret apikalt til tannen, slik at størrelsen vil være stor nok til å inkludere maksimalt trabekulært ben som er tilstede med ingen eller lite ikke-trabekulært vev.

GLCM teksturfunksjoner vil bli beregnet av programvaren. Alle parametere vil bli beregnet for to avstander mellom piksler (d1 = 1, d2 = 2) og fire sveiperetninger (horisontal, diagonal, vertikal og anti-diagonal) tilsvarende (φ = 0°,45°,90°, 135° , henholdsvis). Gjennomsnittet av verdiene ved forskjellige posisjoner vil bli tatt som en enkelt lesing som representerer teksturfunksjonsverdien for interesseområdet.

Håndtering av kvantitative variabler:

Elleve teksturfunksjoner vil bli beregnet for 3 områder av interesse på hver kvalifisert CBCT-skanning. Teksturverdier vil bli håndtert som gjennomsnitt og standardavvik, og sammenligning mellom ulike alders/kjønnsgrupper vil bli gjort for valg av vesentlige egenskaper. Korrelasjonsanalyse vil bli gjort for å teste korrelasjonen mellom alder og kjønn og utvalgte teksturtrekk.