Automatisk deteksjon av abnormaliteter i hundealbuer

Albueleddsdysplasi er en genetisk videreførbar utviklingssykdom som omfatter flere albueabnormaliteter, og kan føre til halthet hos hunder. I dag gjennomføres screening av hunder som er utsatt for albueleddsdysplasi, og dette fører til manuell analyse av i røntgenbilder til i snitt 5000 hunder per år fordelt på to veterinærradiologer i Norge. Bruk av konvolusjonelle nevrale nettverk (CNN) har vist seg å være effektivt ved bildegjenkjenning, men det finnes ikke rapportert forskning på bruk av CNNer ved diagnostisering av albueleddsdysplasi. Denne masteroppgaven utforsker derfor potensialet for bruk av CNN ved diagnostisering av albueleddsdysplasi ved screening. Totalt ble 4617 ulike bilder av hundealbuer fra perioden 2018-2021 brukt til analyser i denne masteroppgaven. Ulike modeller i EfficientNet-familien ble prøvd ut på klassifisering av normale og abnormale prøver. For å evaluere modellenes generaliserte ytelse ble eksterne evalueringer utført på modellene med høyest helhetlig ytelse. Høyeste oppnådde nøyaktighet ved klassifisering av normale og abnormale prøver var på over 0.95, med en Matthews korrelasjonskoeffisient-score (MCC) på 0.91. Modellen med høyest ytelse ved klassifisering av normale og abnormale prøver viste høy grad av predikerbarhet for røntgenbildene. Men videre forskning på feilprediksjoner, og ulike kombinasjoner av bilder og metainformasjon bør gjennomføres for å gjøre modellene oppnådd i denne masteroppgaven mer robuste. I tillegg til klassifisering av normale og abnormale prøver ble andre binære samt flerklassemodeller utprøvd. Disse modellene omfattet klassifisering av prøver med sykdomsgradering 1 mot andre prøver med sykdom; prøver med artrose mot andre prøver med sykdom; prøver med sykdomsgradering nivå 1, nivå 2 og nivå 3; prøver med alle syv diagnosegrupper ved albueleddsdysplasi. I tillegg ble det prøvd ut å klassifisere tidligere feilklassifiserte og riktig klassifiserte prøver, for å se om et nevralt nettverk fant en sammenheng blant feilklassifiserte prøver. Ingen andre modeller oppnådde like høy ytelse som normal/abnormal-modeller, men det er spesielt relevant å utforske flerklassemodeller til å skille nivå 1, 2 og 3 som verktøy ved screening av albueleddsdysplasi. Modellen med høyest ytelse ved klassifisering av nivå 1, 2 og 3 oppnådde en nøyaktighet på 0.67, og MCC-score på 0.50.