Finite element fracture risk assessment of metastatic femur using deep-learning lesion segmentation

The purpose of this work is to determine if patient-specific finite element models (FEM) with adapted material properties in the lesions segmented by a deep learning metastatic or a manual segmentation are better at assessing fracture risk for femoral bone metastasis compared to the original patient-specific FEMs. Additionally, we aimed to find a way to adapt the material properties of the blastic metastasis in the FEMs to diminish the overestimation of the strength in these femurs. Material properties of eight lytic patients and six blastic patients were adapted based on five segmentations and one manual segmentation respectively. Patient-specific FEMs were constructed based on the geometry and the bone density obtained from the baseline CT scans used for radiotherapy planning. The analysis of the lytic patients consisted in the calculation of the Dice coefficients (DC), the BOne strength (BOS) score (the reaction force (RF) normalized by body weights) and the ranking of the RFs. Since the BOS scores obtained by the FEMs modified with the manual segmentation were very promising, a larger number of patients (33) was tested and the diagnostic accuracy values (sensitivity, specificity and positive (PPV) and negative predictive values (NPV)) were calculated. For the blastic metastasis, the relation between the reduction in Young’s modulus and the difference in RF between the standard and the modified model was determined, expecting a progressive decreasing of the reaction force of the femurs. The automatic segmentation that the most like the manual segmentation had a DC equal to 64.43%. The manual segmentation had a completely different ranking in comparison to the standard FEM, whereas the ranking of all the automatic segmentations were very similar to the standard FEM. The automatic segmentations showed an improvement on the assessment on the fracture risk but not as good as the manual segmentations. The sensitivity, the specificity, the PPV and the NPV obtained studying 33 patients were respectively 100%, 93%, 78% and 100%, whereas the values obtained by using the standard FEM were respectively 100%, 74%, 39% and 100%. For the blastic metastasis only two out of six patients showed the expected trend. This can be explained by the fact that these two patients had large lesions spread throughout the femurs, whereas in the other four femurs the metastatic lesions were small and had less effect on the strength of the femur. The patient-specific FEMs combine with the manual segmentation improved the fracture risk assessments of femoral bone metastasis in cancer patients compared to the original patient-specific FEM. However, to reach the same goal with the automatic segmentations the algorithm must be improved. In the blastic metastasis, decreasing the material properties in the FEM only influenced the RF if the patient had larger metastatic lesions.

L’obbiettivo di questo studio è sia quello di determinare se l’utilizzo della tecnica degli elementi finiti combinata con segmentazioni delle lesioni (derivate sia da un algoritmo di deep learning sia manualmente) sia migliore nel determinare l’indice di rischio per metastasi ossee litiche nel femore rispetto all’utilizzo della sola tecnica agli elementi finiti, sia di trovare un modo per implementare le proprietà meccaniche delle metastasi blastiche nel modello ad elementi finiti. 8 pazienti litici e 6 blastici sono stati analizzati con 5 segmentazioni ed una segmentazione rispettivamente. Il modello ad elementi finiti specifico per ogni paziente è stato costruito partendo dalle immagini CT. Nei pazienti litici si è analizzato il coefficiente di Dice, il BOS score (il carico di fallimento normalizzato per il peso corporeo) e la classifica dei carichi di fallimento. Dato che i BOS score ottenuti dalla segmentazioni manuale erano positivi, si è deciso di allargare lo studio a 33 pazienti. Su di essi, si sono calcolati i valori di sensitività, specificità e di valore predittivo positivo e negativo. Per le metastasi blastiche, si è cercata una relazione tra la riduzione del modulo di Young delle metastasi e la differenza tra i carichi di fallimenti tra il modello standard e quello modificato con la segmentazione. Per i pazienti litici, la segmentazione automatica più simile alla segmentazione manuale ha ottenuto un coefficiente di Dice pari a 64,43%. La segmentazione manuale ha una classifica dei carichi di fallimento molto diversa dalle segmentazioni automatiche e dal modello standard. Le segmentazioni automatiche hanno una classifica molto simile tra loro e al modello standard. I valori di sensitività, specificità, valore predittivo positivo e negativo dei 33 pazienti sono pari rispettivamente a 100%, 93%, 78% e 100%, mentre i valori ottenuti utilizzando solamente la tecnica ad elementi finiti sono pari rispettivamente a 100%, 74%, 39% e 100%. Anche le segmentazioni automatiche hanno mostrato un miglioramento nella predizione del fattore di rischio ma non così buona come quella ottenuta con la segmentazione manuale. Per le metastasi blastiche, solo due pazienti su sei hanno mostrato l’andamento previsto. Entrambi i pazienti hanno in comune di avere lesioni molto diffuse sul femore, mentre gli altri quattro pazienti le lesioni risultano essere molto ridotte. La tecnica ad elementi finiti combinata con la segmentazione manuale migliora la predizione del fattore di rischio delle metastasi ossee litiche nel femore, rispetto all’utilizzo della sola tecnica ad elementi finiti, invece per ottenere risultati simili con il deep learning, l’algoritmo deve essere migliorato. Nelle metastasi blastiche, la riduzione delle proprietà meccaniche nel modello ad elementi finiti influenza la forza di reazione solo in presenza di lesioni diffuse.