Research Article

يحسن الكشف الآلي عن الفضاء للمفاصل دقة تقسيم العظام

DOI:

10.3791/69252

⸱

November 28th, 2025

 ,  ,  ,  ,  ,  ,  ,  , 
1Center for Musculoskeletal Research, University of Rochester Medical Center, 2Department of Pathology & Laboratory Medicine, University of Rochester Medical Center, 3Department of Medicine, University of Rochester Medical Center, 4Thermo Fisher Scientific, 5Arthritis and Tissue Degeneration Program, Department of Research, Hospital for Special Surgery, 6Department of Urology, University of Rochester Medical Center, 7Department of Biomedical Engineering, University of Rochester Medical Center, 8Department of Orthopaedics, University of Rochester Medical Center, 9Department of Obstetrics and Gynecology, University of Rochester Medical Center, 10Department of Neuroscience, University of Rochester Medical Center

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

أتاح تطوير سير عمل آلي للكشف عن الفضاء في المفاصل تقسيم عالي الإنتاجية لعظام مؤخرة الفئران المميزة بدقة >98٪ في البرية. تم تحقيق تطبيق مرن على الأقدام الأمامية والأرجل المصابة بالتهاب المفاصل الالتهابي التآكلي، ولكن مع أداء متراجع يستدعي المزيد من التحسين في الدراسات المستقبلية باستخدام البيانات المتاحة للجمهور.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يظل الوصف الكمي للهياكل التشريحية المعقدة تحديا بسبب الخبرة اللازمة للتقسيم اليدوي، والعمالة، وتنوع المراقبين. لتجاوز ذلك، يمكن تحقيق الكشف الآلي عن معالم محددة باستخدام تقنيات تحليل الصور الرقمية، بما في ذلك نماذج التعلم العميق (DL). ولهذا الغرض، قمنا بإجراء تحليل آلي تحت إشراف مجموعات بيانات التصوير المقطعي الدقيق المحوسب (micro-CT) لأقدام الفئران الخلفية والأمامية. وبما هو أبعد من خوارزميات أحواض المياه شبه الآلية المنشورة سابقا، أضفنا تعزيز البنية، والتصويت على التنسور، وتمدد المخرج لتحديد الفضاءات الفاصلية. تم تعزيز التقسيم باستخدام نموذج التنبؤ بمساحة مشتركة DL (بنية U-Net ثلاثية الأبعاد، العمود الفقري ResNet-18) باستخدام علامات الخلف من النوع البري (WT) كحقيقة أرضية. تم توسيع التنبؤ ليشمل الخلفي والخلفي الأمامي من الفئران المعدلة وراثيا بعامل النخر الورمي (TNF-Tg) المصابة بالتهاب المفاصل الالتهابي التآكلي من كلا الجنسين عبر الأعمار. تحسنت دقة التقسيم بشكل كبير باستخدام منهجية DL. انخفضت الدقة مع زيادة شدة المرض والتقدم في العمر لدى فئران TNF-Tg. أظهرت الفحوصات اللاحقة على الأقدام الأمامية أيضا انخفاضا تدريجيا في الدقة مع زيادة شدة التهاب المفاصل. بشكل عام، يتفوق هذا النموذج الآلي الخاضع للإشراف على الأساليب الحديثة لتحليل الحمض النووي في المفاصل السليمة لتعزيز دراسة تشريح العظام المعقد. على الرغم من أن التطبيق المرن على مجموعات البيانات الجديدة والمعدلة بالأمراض يظهر أداء متدهور، إلا أن الاستخدام قد يحفز مع ذلك تطوير نموذج تقسيم بناء خاص بالبنية.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تحليل الصور عالي الجودة لا يعزز فقط جهود البحث، بل لديه أيضا القدرة على مساعدة أطباء الأشعة السريريين أثناء سعيهم لاكتشاف وقياس التغيرات المرضية، وهي مهمة أساسية في رعاية المرضى. تحليل الصور هو تسلسل تفصيلي من الإجراءات، بما في ذلك استخراج الميزات، وترجمة صورة عامة إلى تسميات ذات معنى، واشتقاق المقاييس الكمية1. يعتمد الكثير من هذه العملية على معرفة سابقة، مثل تحديد الهياكل العتبية بناء على الكثافة أو اللون، ثم تطبيق خوارزميات معالجة الصور لاحقا (مثل التوسع، التآكل، التنعيم، الفصل) لتحقيق التقسيم المطلوب. بمجرد تحسينها، يمكن للصور المقسمة أن توفر مدخلات لتعلم الآلة الخاضعللإشراف 2، بما في ذلك التعلم العميق (DL) الذي يشفر ويفك ترميز الميزات المعقدة باستخدام الشبكات العصبية،2,3 مما يؤدي إلى تحسين دقة وإنتاجية تقسيم الصور.

في الواقع، أدى تطبيق شبكات عصبية ثلاثية الأبعاد متعددة (CNNs) إلى تقديم تقدمات حاسمة في خوارزميات تقسيم العظام الآلية لتحليل صور الهيكل العظمي، حيث تتفوق بعض النماذج على تقسيم الإنسان4. بينما تعمل شبكات CNN ذات التقسيم الثلاثي الأبعاد من خلال هياكل مميزة (مثل AlexNet، ResNet، UNet)، فإن مخرجاتها متشابهة أساسا، حيث يدل قناع صورة على حجم العظام الإيجابي من الخلفية. لقد شهدت نماذج التعلم العميق في تحليل صور الجهاز العضلي الهيكلي تطورا سريعا، وانتقل المجال بسرعة من حل مسائل الكشف عن الكسور ثنائية الأبعاد البسيطة5 إلى مشاكل معقدة متعددة المفاصل6 مع القدرة على التعامل مع الضوضاء الاصطناعية أو الميزات الشاذة في مجموعات البيانات. على سبيل المثال، لاحظ وو وآخرون أن الشذوذات الهيكلية (مثل آفات نخاع العظم، أكياس العظام) في التصوير بالرنين المغناطيسي كانت تؤثر على توقعات تقسيم الغضروف المفصلي في مفاصل الركبة. لذا، طوروا نموذج تقسيم واعي للشذوذ لتحديد البنى الشاذة غير المرتبطة أولا، مما حسن بشكل كبير تقسيم العظم والغضاريف7. قام هو وآخرون بتدريب 14 نموذجا منفصلا، كل نموذج يعتمد على عائد عائد مفاصل اليد الرئيسية، لتقدير عمر الهيكل العظمي ثم دمج مخرجاته لتحسين التنبؤات من أشعة اليد، بدلا من استخدام البنية الكاملة لليد8. وبالمثل، أظهر تضمين السياق في النماذج، مثل ميزات التقسيم الإقليمية والعلاقات التشريحية العالمية، أنه يحسن التوقعات. كما أن استخدام شبكات CNN متعددة المناطق لتوفير سياق حول ميزات التقسيم المتوقعة يحسن تقييم نضج الهيكل العظمي في الأشعة السينية اليدوية من خلال تقييد مشكلة التصنيف في مواقع تشريحية مناسبة9. تشمل التطورات الإضافية SVTNet مع تقسيم العظام المعتمد على CNN، تليها معالجة إضافية بواسطة نماذج محولات الرؤية لالتقاط معلومات عالمية حول العلاقة المكانية بين المناطق المقسمة ذات الاهتمام لتقدير النتائج الكمية مثل عمرالعظام 10 سنوات.

كما يظهر في هذه الأساليب التقسيمية، يركز تصوير أبحاث التهاب المفاصل على مفصل الأسطح بين عظمين أو أكثر، حيث تعتبر طرق فصل العظام ضرورية لتقييم العمليات المرضية التفاضلية في المفاصل المعقدة بنجاح. أظهرت التطورات في خوارزميات معالجة الصور فائدة ملحوظة في زيادة سرعة التحليل لعظام الرسغ أو الرسغ المجاورة11,12. ومع ذلك، فإن التبني المحدود بسبب عدم الدقة التي تتطلب تدخل المستخدم وصعوبات الترجمة إلى هياكل مميزة يبرز الحاجة إلى تنفيذ سير عمل محسن. يمكن أن تستفيد هذه العمليات متعددة الخطوات بشكل كبير من الأدوات المنفصلة لتحسين الصورة (أي كشف حواف العظم13). بعيدا عن العمليات الشكلية البحتة، طبقت دراسات أخرى تقنيات قائمة على التسجيل تستفيد من الموثوقية والاتساق النموذجي في التشريح لتحديد البنية 14,15,16,17. البديل من المدخلات اليدوية لتوليد تسميات الحقيقة الأرضية مكلف وممل، لكنه يمكن أن يكون ناجحا بالمثل، حيث قد يكون الاستخدام ضروريا في عظام معقدة متشابكة ذات حدود أقل تميزا (أي الجمجمة18). وبالمثل، تظهر طرق التصوير البديلة التي تحتوي على تنوع الألوان/الألوان حتى داخل بنية منفصلة، مثل التصوير بالرنين المغناطيسي (MRI 19,20,21) أو علم الأنسجة22، تعقيدا قد يستفيد من التقسيم اليدوي الأولي لتوجيه العمليات الآلية. معا، يمكن أن تقدم هذه الطرق فوائد إضافية من خلال تعزيز المزيد من الأتمتة، حيث تستخدم النتائج كمجموعات بيانات تدريبية لتنفيذ أساليب التعلم المنخفض. فوائد أتمتة التقسيم كثيرة، لكن هذه الطرق تسمح بشكل خاص بمقاييس كمية مفصلة ذات صلة مكانية، بما في ذلك تغيرات حجم التآكل الإقليمي/العظامية23، 24، 25، 26 بالإضافة إلى تحديد المناطق ذات الحساسية العالية للأضرار27.

هنا، نبني على طرق تقسيم كف الفئران الخلفية شبه الآلية المعتمدة12 مع تحسينات في خوارزميات معالجة الصور بالتعاون مع تقسيمات عظم الحقيقة الأرضية28 لتدريب نماذج DL على اكتشاف الفضاء في المفاصل. أظهرت هذه الاستراتيجية التحليلية الجديدة تحسنا كبيرا في دقة تقسيم العظم الفردية للخلفيات، مما قلل من الجهود اليدوية لتصحيح أخطاء التقسيملتسريع معالجة المقاييس الكمية في المراحل النهائية. كما نظهر الإمكانات لتطبيق هذه التطورات التقنية في هياكل جديدة، بما في ذلك الأقدام الأمامية والخلفية التي تعاني من التهاب المفاصل التآكلي الشديد. نظرا لأن التقسيم اليدوي يستغرق وقتا طويلا ويتطلب مستويات عالية من الخبرة7، فإن استراتيجيات مماثلة لاستخدام التجزئة شبه الآلية والمتسلسلة لإنتاج مرشحات إدخال محسنة يمكن أن تقلل من العقبة أمام تطوير شبكات CNN عالية الجودة لتطبيقات محددة. يتم توفير الطرق المرتبطة المطورة في برنامج أميرة (الملف التكميلي 1) ومجموعات البيانات ذات الصلة للجمهور لدعم التبني والتعاون في مساعي البحث المستقبلية28,29.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تم إجراء جميع التجارب على وفقا لبروتوكولات IACUC المعتمدة من لجنة الموارد الحيوانية الجامعية في مركز جامعة روتشستر الطبي.

نماذج
تم إسكان الفئران في مطعم حيوي معتمد من AAALAC. تم استخدام ما مجموعه 19 فأرا في التجارب الموصوفة، بما في ذلك 4 ذكور من النوع البري (WT)، و4 إناث من النوع البري (WT)، و4 من الذكور المعدلة وراثيا (TNF-Tg)، و7 إناث من فئة TNF-Tg، مع تقييمات شهرية طولية. تم الحصول على فئران TNF-Tg (خط 3647، C57BL/6 خلفية وراثية30) في البداية من الدكتور جورج كولياس مع استمرار الصيانة في جامعة روتشستر. تم تربية فئران TNF-Tg كفئران غير متغاير الزيجوت، بينما تعمل فئران WT كعناصر تحكم من الأبطال. تم إجراء التصنيف الجيني لجين TNF المعدل باستخدام تسلسلات البادئات التالية: TNF-Tg Forward: 5-TAC-CCC-CTC-CTT-CAG-ACA-CC-3؛ العكس TNF-Tg: 5-GCC-CTT-CAT-AAT-ATC-CCC-CA-3.

تتطور فئران TNF-Tg لالتهاب المفاصل الالتهابي التآكلي المزمن والتدريجي والتلقائي31 مع ظهور أسرع لمظاهر مفصلية وخارج المفصل لدى إناث الفئران، مما يؤدي إلى الوفاة المبكرة حوالي 5-6 أشهر32. لذا، تم تخصيص فئران إضافية لمجموعة الإناث في TNF-Tg. كما أشير في الأوصاف السابقة لهذه الدفعة23 من الدراسة إلى أن n=2 من الإناث TNF-Tg توفين قبل إكمال الدراسة، n=1 قبل 4 أشهر، وn=1 قبل 5 أشهر. نظرا لأن فئران TNF-Tg تظهر تقدما غير متماثل في المرض في الخللالخلفية 33,34، فقد اعتبرت الأطراف الفردية وحدة القياس (2 مخلفي أمامي و2 خلفي لكل).

مجموعة صور ميكرو-CT
تم جمع مجموعات بيانات ميكرو-CT كما هو موضح سابقا12,23. لفترة وجيزة، وضعت الفئران في أنبوب بلاستيكي من ديرلين وأنبوب أكريليك شفاف مع تخدير إيزوفلوران بنسبة 1٪-3٪ للتصوير بالميكرو-CT باستخدام المعايير التالية: 55 كيلو فولت، 145 ميكروأمبير، وقت دمج 300 مللي ثانية، 2048 × 2048 بكسل، 1000 إسقاط فوق 180°، دقة 17.5 ميكرومتر فوكسل متساوي الخواص. لأجل السلامة عند استخدام الإيزوفلوران، تم استخدام معدات الحماية الشخصية المناسبة (قفازات النيتريل، معطف أو رداء مختبر، نظارات أمان)، كما تم الحفاظ على تبخير الإيزوفلوران داخل غطاء بخار باستخدام فلتر فحم لالتقاط النفايات الغازية مع أنابيب محكمة الإغلاق للحفاظ على استمرارية نظام التسليم. تم استخدام الإيزوفلوران المتبخر لتحفيز التخدير في غرفة مغلقة، ثم تم الحفاظ على التخدير عن طريق تدفق مستمر للإيزوفلوران إلى مخروط أنف الفأر في جهاز التصوير المقطعي الميكرو-مقطع. تم ربط كل من الكفان الخلفية والأمامية معا للتثبيت أثناء جلسات التصوير. تم جمع كل مجموعة بيانات في حوالي 30-45 دقيقة (60-90 دقيقة إجمالا) مع بيانات الخلفي والخلفي الأمامي المستمدة من نفس والنقاط الزمنية. تم تقييم الفئران على فترات شهرية تبدأ من عمر شهرين حتى 5 أشهر (الإناث، TNF-Tg مع معدل الوفيات المبكر32) أو 8 أشهر (الذكور). تم نشر أجزاء من بيانات الخلف في القدم الخلفية المستخدمة في هذه الدراسة سابقا (WT:12,35؛ WT و TNF-Tg:23) ومتاحة للجمهور28. تم توفير بيانات القدم الأمامية للجمهور لأغراض هذه الدراسة29.

خوارزمية تقسيم الفضاء المشتركة مع تسهيل التعلم العميق
تمتطوير خوارزمية معالجة صور SA عالية الإنتاجية لتقسيم العظام الفردية للخلفي المركب في الفئران (30-31 عظمة) سابقا، والتي وفرت إطارا للتحقيق في العلامات الحيوية الفردية لتطور التهاب المفاصل الالتهابي والتآكل باستخدام برنامج Amira23. استخدمت هذه الطريقة الأساسية لتقسيم SA خوارزمية مستجمعات المياه36 القائمة على العلامات للفصل عند حدود العظام. تقوم خوارزمية التقسيم المائي المعتمدة على العلامات بفصل الكائنات المختلفة في الصورة من خلال معاملة قيم البكسلات كتضاريس محلية بناء على علامات يحددها المستخدم. تم توليد هذه العلامات الخاصة بالعظم بطريقة SA من خلال مجموعة متنوعة من خطوات معالجة الصور، بما في ذلك القبعة السوداء (BTH)، في محاولة لتسليط الضوء على المناطق المحلية ذات التغيرات الكبيرة في الكثافة، مثل حواف العظام والمفاصل. معا، أنشأ هذا النهج نسخة متآكلة من كل عظم فردي، ثم تم توسيعها إلى حدود العظام من خلال تطبيق قناع حدودي ثنائي. بينما تحسنت طريقة حوض المياه مقارنة بالاستخدام السابق للتشكيل اليدوي، كانت الدقة (العظام مقسمة بشكل صحيح / العظام الكلية) حوالي 80٪ لكل مجموعة بيانات بسبب انخفاض ضوضاء التباين التي تؤدي إلى جسر مناطق المفاصل (العظام المتصلة بشكل زائد؛ عظام 2+ كمادة واحدة) أو خطأ في تحديد الحواف (انكسار العظام؛ العظم الواحد كمواد 2+). لذا، تطلب توليد علامات SA لنهج حوض المياه إجراءات تصحيح يدوية متسقة ومتكررة12 لتطوير مورد من العلامات القياسيةالذهبية 23,28.

استند تطوير نموذج DL للتنبؤ بمفاصل العظام على بنية شبكة U-Net ثلاثية الأبعاد مع عمود فقري ResNet-18. كانت دالة فقدان التدريب هي Dice، ومقياس التحقق كان التقاطع عبر الاتحاد (IoU)، واستخدم النزول التدريجي تحسين آدم بمعدل تعلم ابتدائي 0.0001، وتم تهيئة الأوزان عشوائيا. تم تدريب النموذج باستخدام 20 مجموعة بيانات وزن ثقيل (40 خلفة) بتوزيع متساو بين الجنس والعمر (من 2 إلى 6 أشهر)، كل منها مقسم إلى 6 أحجام فرعية (3 لكل خلفي خلفي) من 200 × 200 × 200 فوكسل مع مجموعة تحقق عشوائية بنسبة 25٪ من الحجم الفرعي (30 تحقق، 120 إجمالا) لتجنب الإفراط في التوافق. تم وضع هذه البلاطات ثلاثية الأبعاد بشكل متساو على الرصالات، والفالانات البعيدة، والمناطق الخلفية. تم ضبط حجم رقعة التدريب على 96 × 96 × 96 فوكسل (الشكل التكميلي 1). تم تدريب النموذج على مدى 500 عصر، واستغرق حوالي 6 ساعات. تم الحصول على مناطق الوصلة الأرضية بواسطة وصفة تلقائية من ملصقات الحقيقة الأرضية، التي وسعت واجهات الملصقات بحجم توسع ثلاثي الأبعاد يبلغ 5 لكل من السماكة والاتساع.

بالتزامن مع توقع DL لفضاء المفصل، تم تنفيذ عدة خطوات معالجة الصور لتعزيز تحديد مساحة المفصل وتقسيم العظام. شملت هذه الاستراتيجيات استخدام طريقة BTH مع تعزيز البنية37، وتعزيز الغشاء، والتصويت على التنسور38 لتعزيز استمرارية الفضاء المشتركين من خلال الحد من الفجوات بين الغشاء. معا، تعزز هذه الأساليب المساحات المفصلة لفصل العظام للحد من تسرب التقسيم بين العظام المجاورة، مما يولد أخطاء في الربط الزائد مع انتشار خوارزمية الحوض عبر عدة عظام. النتيجة النهائية تفصل وتقسم مجموعات بيانات الميكرو-CT الأصلية إلى تسميات خاصة بالعظام.

فيما يلي بروتوكول مفصل خطوة بخطوة لطريقة التقسيم السهلة ب DL.

الخطوة 1: فتح برنامج أميرة (يتطلب ترخيصا شخصيا أو مؤسسيا). الخطوة 2: افتح تبويب بايثون، اختر إنشاء بيئة بايثون جديدة مع اسم البيئة: التعلم العميق-بيئة-2022_2. فحص تثبيت حزم التعلم العميق. الخطوة 3: إعادة تشغيل البرنامج، فتح تبويب بايثون، اختيار بيئة المستخدم بيئة التعلم العميق-2022_2. الخطوة 4: البيانات المفتوحة - يمكن تحميل تكدسات DICOM باختيار جميع ملفات DICOM الفردية أو فتح ملفات .am التي تحتوي على تكدسات DICOM مدمجة، إذا كانت متاحة. الخطوة 5: تطبيق وحدة التنبؤ بالتعلم العميق على كائن البيانات المستورد مع التفاصيل التالية:
البيانات: كائن بيانات مستورد
البنية: ملف .json (الملف التكميلي 2)
الأوزان: ملف .hdf5 (الملف التكميلي 3)
التبليط: يدوي - تحسين ممكن عن طريق تقليل حجم بكسل التبليط وزيادة تداخل التبليط قدر الإمكان، حسب الأجهزة الحاسوبية. ستفشل الوحدة إذا كانت متطلبات المعالجة غير كافية. تأكد في التعديل، التفضيلات، البيانات الكبيرة أن تخصيص الذاكرة للبرنامج يتم تعظيم قدر الإمكان.
عرض البلاط، الارتفاع، العمق: 352 بكسل
تداخل التبليط: 0 بكسل
الخطوة 6: تطبيق Image Recipe Player، انقر بزر الفأرة الأيمن منطقة المشروع دون استهداف كائن بيانات محدد. أدخل/قيم ما يلي:
وصفة مفتوحة: ملف .hxisp (الملف التكميلي 4)
البيانات: كائن بيانات مستورد
وصلات الإدخال: نتيجة الخطوة 5 (توقع التعلم العميق)
نطاق شدة الخطوة 3: 2500 - 20000
الخطوة 7: قيم كائن البيانات المعالجة الناتج الذي يحتوي على التقسيم النهائي - تأكد من تعديل Colormap إلى Labels256 لتقدير إجمالي التقسيمات الفردية الناتجة (الافتراضي هو 8 ألوان فقط). في ثنائي الأبعاد: تطبيق Ortho Slice وللثلاثي الأبعاد: تطبيق Volume Rendering. تفاصيل الوصفة المدمجة (BTH+DL+SEF+MEF_D2.hxisp) المطبقة في خطوة مشغل وصفات الصورة المقدمة أدناه (الملف التكميلي 5). لاحظ أنه في Image Recipe Designer، يمكن تصور الخطوات الفردية وتصديرها حسب الحاجة لتقييم خطوات التحسين في مجموعات بيانات معينة. في البروتوكول، يتم تسليط الضوء على خطوات معينة تحتاج إلى تعديل لأي تطبيق فريد، حيث تعتمد هذه الخطوات على مخرجات التصوير (أي الكثافة) و/أو حجم الأجسام (أي العظام):
الخطوة 1: تطبيق مرشح وسيط مع البيانات: كائن بيانات مستورد؛ التفسير: ثلاثي الأبعاد؛ الحي: 26؛ التكرارات: 3؛ النوع: تكراري.
الخطوة 2: تطبيق العتبة - ستتطلب هذه الخطوة تحسينا اعتمادا على مجموعات البيانات والعتبة المحددة التي تستهدف الموضوع المعني، وفي هذه الحالة، العظمة التي تحتوي على بيانات: نتيجة الخطوة 1 (مرشح وسيط)؛ نطاق الشدة: 2500 - 20000.
الخطوة 3: تطبيق الإغلاق - ستتطلب هذه الخطوة تحسينا حسب حجم مساحات المفاصل بين العظام باستخدام البيانات: نتيجة الخطوة 1 (مرشح وسيط)؛ النوع: مكعب؛ التفسير: ثلاثي الأبعاد؛ الحي: 26؛ حجم البكسلات: 3.
الخطوة 4: تطبيق حساب الصورة مع الإدخال A: نتيجة الخطوة 3 (الإغلاق); المدخل ب: نتيجة الخطوة 1 (مرشح وسيط)؛ قنوات النتائج: مثل المدخل A؛ التعبير: أ-ب.
الخطوة 5: تطبيق العتبة باستخدام البيانات: نتيجة الخطوة 4 (حساب الصور)؛ نطاق الشدة: 750 - 20000.
الخطوة 6: تطبيق حساب الصورة مع الإدخال A: نتيجة الخطوة 2 (تحديد العتبة); المدخل ب: نتيجة الخطوة 5: (التحديد العتبي)؛ قنوات النتائج: مثل المدخل A؛ التعبير: A-(B>0)
الخطوة 7: تطبيق فلتر تحسين البنية مع صورة الإدخال: كائن بيانات مستورد؛ التفسير: ثلاثي الأبعاد؛ نوع التنسور: هيسي؛ الحد الأدنى إلى الحد الأقصى للانحراف المعياري: 1 - 3 بكسل؛ خطوة الانحراف المعياري: 1 بكسل؛ التباين: داكن؛ نوع الهيكل: مستوى.
الخطوة 8: تطبيق العتبة التلقائية مع صورة الإدخال: نتيجة الخطوة 7 (مرشح تعزيز الهيكل)؛ النوع: عتبة أوتو-عتبة عالية؛ التفسير: ثلاثي الأبعاد؛ الوضع: الحد الأقصى; المعيار: التحليل.
الخطوة 9: تطبيق فلتر تعزيز الغشاء مع البيانات: كائن بيانات مستورد؛ اختيار المخرج: تصويت موتر المستوى؛ مقياس التصويت بالتنسور: 3 بكسل؛ مقياس الكثافة: 3 بكسل؛ النوع: الحافة
التباين: داكن؛ المقياس: 1 بكسل.
الخطوة 10: تطبيق العتبة التلقائية مع صورة الإدخال: نتيجة الخطوة 9 (مرشح تعزيز الغشاء); النوع: عتبة أوتو-عتبة عالية؛ التفسير: ثلاثي الأبعاد؛ الوضع: الحد الأقصى; المعيار: التحليل.
الخطوة 11: تطبيق التمدد - هذه الخطوة ستتطلب تحسينا حسب حجم المساحات الوصلية - مع صورة الإدخال: نتيجة الخطوة 10 (العتبة التلقائية)؛ النوع: كرة؛ التفسير: ثلاثي الأبعاد؛ الحجم: 1 بكسل؛ الدقة: أسرع.
الخطوة 12: تطبيق حساب الصورة مع الإدخال A: نتيجة الخطوة 11 (التوسع); المدخل ب: نتيجة الخطوة 8 (العتبة التلقائية); المدخل ج: نتيجة التنبؤ بالتعلم العميق؛ قنوات النتائج: مثل المدخل A؛ التعبير: A||ب||C.
الخطوة 13: تطبيق إزالة البقع الصغيرة مع صورة الإدخال: نتيجة الخطوة 12 (حساب الصورة)؛ التفسير: ثلاثي الأبعاد؛ الحجم: 500 بكسل.
الخطوة 14: تطبيق حساب الصور مع الإدخال A: نتيجة الخطوة 13 (إزالة البقع الصغيرة); الإدخال ب: نتيجة الخطوة 6 (حساب الصور)؛ قنوات النتائج: مثل المدخل A؛ تعبير:! A*B.
الخطوة 15: تطبيق إزالة البقع الصغيرة مع صورة الإدخال: نتيجة الخطوة 14 (حساب الصورة)؛ التفسير: ثلاثي الأبعاد؛ الحجم: 500 بكسل.
الخطوة 16: تطبيق التصنيف مع صورة الإدخال: نتيجة الخطوة 15 (إزالة البقع الصغيرة)؛ التفسير: ثلاثي الأبعاد؛ الحي: 26.
الخطوة 17: تطبيق تحويل نوع الصورة مع البيانات: نتيجة الخطوة 1 (المرشح الوسيط); نوع الإخراج: 16-بت غير موقع؛ وضع التطبيع: التكبير؛ التكبير: المقياس 3، أوفست 2000.
الخطوة 18: تطبيق قناع داخل حوض المياه المعتمد على العلامة مع البيانات: نتيجة الخطوة 17 (تحويل نوع الصورة)؛ العلامات: نتيجة الخطوة 16 (وضع العلامات); القناع الثنائي: نتيجة الخطوة 6 (حساب الصور)؛ نوع الانقسام: منخفض الشدة.

اختبار وقياس طريقة التقسيم
تم اختبار طريقة التقسيم من خلال إنشاء وصفة دمجت التنبؤ المشترك DL مع وصفة معالجة الصور في المراحل النهائية على نطاق شدة يتراوح بين 2500 - 20000 وحدة هونسفيلد. سمح توليد الوصفات بمعالجة الدفعات (تطبيق وصفة على دفعة من الملفات) لمجموعات بيانات micro-CT الأصلية (تنسيق ملف .am كمكدس صور محفوظة بعد استيراد ملفات .dcm الأولية إلى أميرا). شملت أجهزة الكمبيوتر 16 نواة من وحدة معالجة مركزية Intel Xeon Gold 5218 بسرعة 2.30 جيجاهرتز، وذاكرة وصول عشوائي (ECC) من الجيل الرابع (DDR4) بمعدل بيانات مزدوج بمعدل 128 جيجابايت عند 2666 ميغاترانس/ثانية، و24 جيجابايت من وحدة معالجة الرسومات الافتراضية (vGPU/VRAM) على نظام تشغيل 64-بت يعمل بنظام ويندوز 10 (بناء نظام التشغيل: 19044.4780). تم تقسيم كل مجموعة بيانات للخلف (2 خلفي خلفي) على حوالي 32.7 ± 8.42 دقيقة (متوسط ± انحراف معياري) دون تدخل المستخدم. يقارن ذلك بنموذج SA السابق، حيث كان وقت التقسيم يعتمد على تجربة المستخدم، حيث كان المستخدمون المبتدئون عند 40.5 ± 9.06 دقيقة لكل مجموعة بيانات والمستخدمون ذوي الخبرة عند 19.3 ± 5.34 دقيقة لكل مجموعة بيانات (مجموعات بيانات WT فقط، بما في ذلك تصحيح أخطاء التقسيم)12. تظهر كل من طريقتي DL و SA تحسنا ملحوظا مقارنة بالتحديد اليدوي الذهبي السابق للتقسيم عند 190.6 ± 30.4 دقيقة لكل مجموعة بيانات من قبل مستخدم ذو خبرة (تم تنفيذه باستخدام تحليل Scanco التقليدي)12. تم تقسيم مجموعات بيانات فورباو (2 من الكف الأمامية) في حوالي 53.4 ± 23.6 دقيقة دون تدخل المستخدم، حيث يمكن عزو زيادة وقت التقسيم إلى هياكل إضافية داخل مجموعات بيانات التصوير الأصلية (أي العمود الفقري والأضلاع)، والتي لا توجد في الأرجل الخلفية المعزولة أكثر، مما يزيد من زمن التقسيم في غياب خطوات تحرير الحجم السابقة.

تم إجراء قياس الدقة بواسطة الفحص البصري (HMK) لتحديد التقسيم الصحيح أو نوع الخطأ بناء على تشريح العظم المتوقع (الخلفية:12,39؛ فورباو:40). تم حساب الدقة كنسبة مئوية من خلال:

figure-protocol-1

حيث كانت النتائج الإيجابية الحقيقية هي العظام المقسمة بشكل صحيح، والسلبيات الحقيقية تساوي 0 (لا توجد ظروف يجب أن تكون فيها العظام مفقودة، ولم تكن الخلفية ذات صلة بالقياس)، وكانت الإيجابيات الكاذبة عظاما مفرطة الانقسام، والسلبية الكاذبة هي عظام متصلة بشكل مفرط. تم تحديد أن الدقة هي مقياس كمي مناسب نظرا لمشكلة الفئة الواحدة (أي تحديد فضاءات الوصلات)، وكانت السلبيات الحقيقية (أي الخلفية) غير مساهمة في حسابات الدقة، مما يقلل من خطر المبالغة في تقدير الأداء. طريقة التقسيم الآلي لا تشمل تسمية العظام؛ ترتبط أسماء العظام لاحقا بمواد مقسمة يدويا من قبل المستخدم.

أكد تقييم الأرجل الخلفية المشاركة في هذه الدراسة الاندماج الثابت في الراصات للخط المسماري السرفي والجانبي (NAVLAT) في فئران C57BL/641، كما حدد أن الخط المسماري الوسيط المجاور (INT) قد يكون أيضا مدمجا بشكل متغير مع بنية NAVLAT (NAVLATINT)12,39. تم تقدير اندماج متغير مماثل في منطقة الرسغ في الكفوف الأمامية، حيث قد تظهر عظام شبه المنحرف (زويد؛ متعدد التشابك أصغر) والعظم المركزي (CENT) إما كبنية واحدة ملتصقة (CENTZOID) أو مقسمة إلى عظامها الفردية، خصوصا في الأقدام الأمامية. شملت عظام الرسغ الإضافية التي تم فحصها من أجل دقة التقسيم شبه المنحرف (ZIUM؛ متعدد الأضواء الأكبر)، الكابتيت (CAP)، الهاميت (HAM)، التريكيتروم (TRI؛ المثلث)، البيسيفورم (PIS)، الزورق (السرفي)/الهبوط (SCAPHATE؛ الاندماج الثابت)، والفالسيفورميس (FALC). الأعظم المشطية في الكف الأمامي (MET-F؛ 1-5)، والفالننج القريب (PP-F؛ 1-5)، والفالننج البعيد (DP-F؛ 2-5)، والسيماميد (S-F؛ 1-10) مرقمة من الجانب إلى الإنسي، على عكس نظيراتها الخلفية (مشط القدم (MET-H)، PP-H، DP-H، وS-H)، والتي يتم ترقيمها من الإنذ إلىالجانب 12. إلى جانب NAVLATINT، تم تقييم عظام الراصل الإضافية للكشف عن الأقدام الخلفية، كما هو موضح سابقا12,23، بما في ذلك العظام الكلكانية (CALC)، المكعب (CUB)، المسمارية الوسطى (MED)، التالوس (TAL)، والظنبوب (TIB). لاحظ أن قياسات دقة المجموعة بشكل عام تختلف قليلا عند مقارنة تقييم الدقة المتوسطة لكل مجموعة بيانات بعدد متغير من العظام الناتجة عن الاندماجات التشريحية مقابل الدقة المحسوبة بناء على إجمالي العظام الفردية التي تم تحليلها.

التحليل الإحصائي
تم إجراء التحليل الإحصائي، بما في ذلك تحليل التأثيرات المختلطة ثلاثية أو ثنائية الاتجاه مع تأثيرات التفاعل أو مقارنات سيداك المتعددة واختبار فيشر الدقيق، حسب المناسب في منشور GraphPad (v10.2.0؛ سان دييغو، كاليفورنيا، الولايات المتحدة الأمريكية). تم تحليل الذكور (من 2 إلى 8 أشهر) والإناث (من 2 إلى 5 أشهر) بشكل منفصل، بناء على أطر زمنية مختلفة للتقييم بناء على وفيات الإناث المبكرة ل TNF-Tg32. تم توفير أحجام عينات من خلفيات WT المستخدمة في التدريب/التحقق والاختبارات المنهجية في الجدول التكميلي 1، إلى جانب تفاصيل حجم العينة للخلفيات والخلفي الأمامية WT وTNF-Tg المختبرة في الجدول التكميلي 2، والجدول التكميلي 3، والجدول التكميلي 4. نظرا لأن بعض النقاط الزمنية لاختبار WT في الخلفية تضمنت تقييم الدقة ل <3 من الأرجل الخلفية، تم الإبلاغ عن تأثيرات التفاعل دون مقارنات متعددة بعد الوقوع في التحليلات التي شملت خلفيات WT. تم استبعاد كامل أو أجزاء من الكفوف الخلفية من التحليل إذا كانت هناك أخطاء في التصوير مثل التقاط الكف بشكل غير مكتمل، أو وجود أثر حركي كبير يجعل الفحوصات غير قابلة للتفسير، و/أو إذا توفي قبل جلسة تصوير مجدولة، حيث تم جمع جميع البيانات في الجسم الحي.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يحسن تنفيذ التعرف الآلي على مساحة المفصل دقة تقسيم العظام
نظرا لتباين شكل وبنية العظام في الهياكل المعقدة مثل مؤخرة الفأر، نبني على خوارزمية معالجة الصور المنهجية12 عبر تنبؤات تدريب DL (الأزرق) مع خطوات معالجة الصور لتحديد متين لمساحات المفاصل بين العظام في مجموعات بيانات التصوير المقطعي الميكروي (الشكل 1A-B؛ العملية موضحة أدناه وموضحة في الشكل التكميلي 1). مكن تحديد الفراغات بين العظام من فصل وتقسيم العظام بدقة لعظام الخلفي الفردية (ألوان منفصلة؛ الشكل 1C). بالنسبة لمكون DL، تكونت مجموعات بيانات التدريب والتحقق (WT) من أعمار متساوية (2-6 أشهر، n=8 خلفية لكل عمر) والجنس (n=20 خلفي لكل جنس). أما بقية مخالب WT الخلفية (n=44، من عمر 2-8 أشهر، باستثناء 6 أشهر حيث تم استخدامها جميعا للتدريب والتحقق) كانت مجموعات بيانات اختبار لقياس دقة تقسيم العظام (الشكل 1D). كان هناك اثنان من الكفين الخلفية للذكور في وزن الوزن عند شهرين واثنتان من الكفاء الخلفية من الإناث في عمر 3 أشهر تم استبعادهما بسبب خطأ في التصوير (الجدول التكميلي 1).

إلى جانب التطبيق في مخالب خلفية WT، اختبرنا أيضا طريقة التقسيم الآلي على الكفوف الخلفية من فئران TNF-Tg (عدد = 56 خلفي ذكر، n=48 خلفي أنثى) المصابة بالتهاب المفاصل الالتهابي التآكلي التلقائي. كان هناك 4 مخلوقات خلفية أنثى من TNF-Tg في كل من 4 أشهر و5 أشهر تم استبعادهن بسبب خطأ في التصوير أو وفاة مبكرة قبل نقطة النهاية عند 5 أشهر (الجدول التكميلي 2). كانت خوارزمية التقسيم الجديدة تكتشف تلقائيا مساحات المفاصل (الأزرق، اليسار) لفصل العظام الفردية (الألوان، اليمين) عبر كلا الجنسين والأنماط الجينية (الشكل 2A-D). من حيث دقة تقسيم العظام الفردية كما هو موضح في الجدول التكميلي 5 والجدول التكميلي 6، تفوق WT على مجموعات بيانات TNF-Tg لكل من الذكور (WT 98.4٪ مقابل TNF-Tg 93.1٪، p<0.0001) والإناث (WT 98.7٪ مقابل TNF-Tg 92.1٪، p<0.0001). تم إثبات مصدر الخطأ بصريا في إغلاق غير كامل لمساحات المفاصل (الأسهم في مربع أبيض متقطع)، وبالتالي ربط عظمتين مميزتين في تقسيم واحد عن غير قصد (الشكل 2C-D). قد تمثل هذه الأخطاء المترابطة بشكل مفرط التي تظهر في مؤخرات TNF-Tg نتائج تلف مزمن يؤدي إلى اندماج المفاصل، حيث لم يعد هناك فراغ بين العظام. في الواقع، يصبح الفرق في الدقة بين مجموعات بيانات WT و TNF-Tg أكثر وضوحا مع مرور الوقت مع زيادة شدة التهاب المفاصل (الشكل 2E-F)، خاصة في عظام الراصل (الشكل 2G-H، الأصفر = زيادة الدقة، الأخضر = انخفاض الدقة) التي عادة ما تكون مؤشرات حيوية موثوقة لتقدم تآكل العظام23. ومع ذلك، مقارنة بنهجنا السابق لتقسيم مجموعة البيانات (SA)، كان هناك تحسن ملحوظ في دقة مجموعة البيانات بشكل عام (الشكل 2E-F؛ وزن الذكر: جنوب أفريقيا 79.39٪ ± 5.73٪ مقابل ضرر 98.16٪ ± 1.47٪، p<0.0001؛ وزن الإناث: SA 79.16٪ ± 4.84٪ مقابل DL 99.19٪ ± 1.63٪، p<0.0001)، مما يظهر التقدم المنهجي القوي في كل من التلقائية والموثوقية. لذا، يوفر نموذجنا الاستراتيجي الجديد لتقسيم عظم الكف الخلفي باستخدام تحديد مساحة المفاصل الميسرية بتقنية DL دقة تقسيم أعلى/التقسيم بشكل ملحوظ في مجموعات بيانات WT (>98٪) مقارنة بطرق SA السابقة (~79٪)، ولكن مع أداء أقل قليلا عند تطبيقه على الكفوف الخلفية المصابة بالتهاب المفاصل الالتهابي التآكلي (92٪-93٪).

يبرز التطبيق المرن لطريقة التقسيم على الأقدام الأمامية تدمير المفاصل الواضح واندماجات العظام في فئران TNF-Tg مع انخفاض سريع في دقة التقسيم
وسعنا تطبيق طريقة التقسيم الجديدة لتشمل مخالب الفأر الأمامية (n=55 مخالب أمامية ذكرية وزن، n=29 مخالب أمامية أنثوية وزن، n=54 مخالب أمامية ذكرية TNF-Tg، وn=50 مخالب أمامية أنثوية TNF-Tg) ذات حجم عظمي وتشريح فريد. كان هناك مخلب أمامي واحد عند 4 أشهر من الذكر الثقيل، ومخلب أمامي واحد في عمر 4 أشهر، ومخلفي أمامي في 5 أشهر للإنثى ذات الوزن الثقيل، ومخلفي أماميان في عمر 3 أشهر للإنثى من TNF-Tg، ومخلوقا أمامي عند 4 أشهر و4 مخالب أمامية عند 5 أشهر للإنثى TNF-Tg، وتم استبعادهما بسبب خطأ في التصوير أو الوفاة المبكرة قبل نقطة النهاية. بالإضافة إلى ذلك، كان هناك خطأ جزئي في التصوير لمخلب أمامي واحد عند 3 أشهر للأنثى المصابة بالوزن الثقيل مع حذف DP-F3، PP-F3، DP-F4، وPP-F4 (الجدول التكميلي 3 والجدول التكميلي 4). للاتجاهات، نوفر نموذجا لمخلب WT الأمامي مع فصل كل عظم منفصل حسب اللون والتسمية الخاصة بالعظم من وجهات نظر مختلفة (الشكل 3). ركز البحث السابق في فئران TNF-Tg بشكل أساسي على الخلفية، بينما هنا نعرض بنية أقدام الفئران الأمامية في كل من فئران WT وTNF-Tg. نسلط الضوء بشكل خاص على الرسغ (دائرة صفراء متقوشة) والسيزامويد (دائرة زرقاء متقوشة) التي تظهر مرضا تآكلا بصريا عميقا، خاصة لدى إناث TNF-Tg (الشكل 4A-D). وبالتالي، أظهرت مقارنة دقة تقسيم الساق الخلفية والخلفي الأمامية انخفاضا ملحوظا في الأقدام الأمامية (تأثير نوع القدم p<0.0001) ويرجع ذلك أساسا إلى التدهور الحاد في سلامة العظام مع زيادة العمر وشدة المرض في مجموعات بيانات TNF-Tg (الشكل 4E-F؛ تأثير النمط الجيني للمخلب x p=0.0083؛ الكفوف الأمامية الذكورية: الوزن 87.29٪ ± 2.07٪ مقابل TNF-Tg 72.65٪ ± 11.70٪، ص<0.0001). مماثل للمخلب الخلفي، يكون انخفاض دقة تقسيم TNF-Tg مع التقدم في العمر وشدة المرض أكثر وضوحا في الرسغ، إلى جانب السمسم (الشكل 4G-H، الجدول التكميلي 7، والجدول التكميلي 8). قد يكون هذا المرض الإقليمي في العظم مدفوعا بزيادة النشاط التآكلي في المفصل المجاور ل MET-F و PP-F (مفصل مشاطي الشكل الأفق). كشف تقييم نوع الخطأ أن مخالب TNF-Tg الأمامية تميل إلى إظهار نسبة أعلى من العظام المتآكلة تماما مقارنة بالخلل الخلفي (الشكل التكميلي 2، الأحمر مفقود). ورغم أن ذلك يمثل شدة التهاب المفاصل التقدمي، إلا أن غياب العظام في مخالب TNF-Tg الأمامية قد يبرز أيضا محدودية في دقة الصورة. تظهر التآكل الشديد في مخالب TNF-Tg الأمامية بشكل أكبر من خلال صور تمثيلية عبر الزمن تبرز منطقة الرسغ (الأسهم البيضاء) والانزلاق الكامل التدريجي للكف من الساعد (الأسهم الصفراء)، وهو الأكثر وضوحا لدى إناث TNF-Tg (الشكل التكميلي 3). لذا، أظهر التطبيق المرن لطريقة تقسيم العظام الآلية على الهياكل الفريدة للمخلب الأمامي أداء ملحوظا في مجموعات بيانات WT (~87٪) مع انخفاض مماثل في الدقة في الأقدام الأمامية TNF-Tg المصابة بالتهاب المفاصل الالتهابي التآكلي (67٪-72٪).

توفر البيانات:
كما هو موضح في قسم جمع صور الميكرو-CT، تم نشر بيانات الساق الخلفية سابقافي 12,23,35 وهي متاحة للجمهور في https://doi.org/10.5281/zenodo.1119178228. تم إعادة استخدام بيانات قياس الدقة في طريقة تقسيم SA لمجموعات بيانات WT12 وTNF-Tg23 للمقارنة المباشرة مع نموذج DL الجديد الموضح هنا. لم يتم إعادة استخدام بيانات محددة من الدراسة السابقة الإضافية35، لكن نفس مجموعات بيانات الساق الخلفية المتاحة للجمهور28 تم استخدامها أيضا. تفاصيل إضافية حول ترخيص البيانات وإعادة استخدامها موضحة أدناه. لأغراض الدراسة المذكورة، تم أيضا إتاحة بيانات الساقط الأمامية المقابلة للجمهور في مستودع زينودو (https://doi.org/10.5281/zenodo.14865639)29.

تم إعادة استخدام بيانات الدقة لمجموعة بيانات WT12 لطريقة تقسيم SA في الشكل 2. إعادة استخدام هذه المواد محمية بموجب رخصة المشاع الإبداعي للنسبة-غير التجارية-NoDerivatives 4.0 الرخصة الدولية https://creativecommons.org/licenses/by-nc-nd/4.0/legalcode. بصفتنا مؤلفي العمل المشار إليه، نحتفظ بالحق في إعداد أعمال مشتقة أخرى عبر حقوق المؤلف من Elsevier https://beta.elsevier.com/about/policies-and-standards/copyright. تم إعادة تصور نقاط البيانات للمقارنة مع الدقة مع مرور الوقت مع نظيراتها TNF-Tg، ومقارنتها مباشرة بطريقة DL الجديدة الموضحة هنا.

تم إعادة استخدام بيانات الدقة لطريقة تقسيم SA WT وTNF-Tg23 للشكل 2، وتم تقييم مجموعات بيانات WT وTNF-Tg خلفية القدم بشكل إضافي للقياسات الحجميةالسابقة 23. إعادة استخدام المادة محمية بموجب رخصة المشاع الإبداعي للنسبة (https://creativecommons.org/licenses/by/4.0/)، التي تسمح بالاستخدام والتوزيع وإعادة الإنتاج غير المقيدة في أي وسيلة، بشرط أن ينسب المؤلف الأصلي والمصدر. تم إعادة تصور نقاط البيانات لتقييم الدقة مع مرور الوقت ومقارنتها مباشرة بطريقة DL الجديدة الموضحة هنا.

تم استخدام نفس مجموعات بيانات WT وTNF-Tg المتاحة للجمهور28 في قياسات حجم العظام سابقا لمقارنات جديدة مع مجموعات الجري على العجلات35. إعادة استخدام المادة محمية بموجب رخصة المشاع الإبداعي 4.0 الدولية (https://creativecommons.org/licenses/by/4.0/)، التي تسمح بالاستخدام، والمشاركة، والتكييف، والتوزيع، وإعادة الإنتاج بأي وسيلة أو صيغة، طالما أنك تعطي الفضل المناسب للمؤلف الأصلي والمصدر، وتوفر رابطا لرخصة المشاع الإبداعي، وتحدد إذا تم إجراء تغييرات. تم استخدام نفس مجموعات البيانات المتاحة للجمهور28 في العمل الحالي، ولكن دون أي استخدام أو تعديل محدد لنقاط البيانات المنشورة سابقا.

figure-results-1
الشكل 1: الكشف الآلي عن مساحة المفاصل من خلال معالجة الصور الاستراتيجية والتنبؤات العميقة لتقسيم العظام. تمت معالجة مجموعات بيانات الميكرو-CT للفئران مع التصور من (أ) السطح الظهري (العلوي) والأخمصي (السفلي) من أجل (ب) التعرف الآلي اللاحق على مساحات المفاصل (الأزرق) باستخدام نموذج DL (الموضح في الشكل التكميلي 1) المطور من تقسيمات العظام الذهبية12،23. (ج) تم تحقيق الفصل النهائي الناجح للعظام (ألوان خاصة بالعظام) من خلال مزيج إضافي من خطوات معالجة الصور، بما في ذلك قبعة سوداءعالية 12، تعزيز البنية37، وتعزيز الغشاء مع تصويت التنسور38 لتحديد مساحة المفاصل القوية لوضع علامات على العظام الفردية. (د) تم إجراء تدريب والتحقق (n=40 خلفة) لمكون DL مع توزيع مؤخرات فأر WT متساوية في العمر (من 2-6 أشهر، n=8 خلفي في كل نقطة زمنية) وتوزيع الجنس (n=20 خلفي ذكر/أنثى)، مع استخدام 25٪ عشوائي من الحجم الفرعي للتحقق (3 أحجام فرعية لكل خلفي خلفي، المجموع 120 حجما فرعيا). تم تقييم الأرجل الخلفية المتبقية من WT (n=44) كحالات اختبار لمزيد من التحليل. تم تقييم الجمع بين نموذج DL وخوارزميات معالجة الصور باستخدام مجموعات بيانات منشورة سابقا ومتاحة للجمهور23,28. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

figure-results-2
الشكل 2: تطبيق التعرف الآلي على مساحة المفاصل مع تسهيل التعلم العميق يحسن دقة تقسيم العظام. (A-B) بعد تطوير الكشف الآلي عن مساحة المفاصل، طبقنا نموذج DL (اليسار: مساحات المفاصل الزرقاء؛ اليمين: ألوان تقسيم العظام الخاصة) على الحالات التجريبية المتبقية للذكور والإناث من WT. (C-D) كما قمنا بتقييم الأداء على مجموعات متطابقة حسب العمر (الذكور: 2-8 أشهر؛ الإناث: 2-5 أشهر) من فئران TNF-Tg المصابة بالتهاب المفاصل الالتهابي التآكلي التدريجي المرتبط بالوفيات المبكرة لدى الإناث32 سنة. تظهر الصور المضمنة أخطاء تقسيم عالية التكبير (صناديق متقطعة) حيث تؤدي الانقطاعات في المساحات المتوقعة للمفاصل (الأسهم البيضاء) إلى تسرب في فصل العظام، مما يؤدي إلى أخطاء في تقسيم العظام بشكل مفرط. (E-F) لاحظ أن النقطة الزمنية للذكور البالغة 6 أشهر تم حذفها لأن جميع مجموعات بيانات WT تم استخدامها للتدريب والتحقق، لذا لم يتم تضمينها في مجموعة اختبار DL. مقارنة بخوارزميات تقسيم SA السابقةلدينا 12,23، تحسنت دقة التقسيم (العظام المقسمة بشكل صحيح / العظام الكلية) بشكل ملحوظ لكل من مجموعات بيانات WT وTNF-Tg باستخدام نهج DL، بغض النظر عن الجنس (خطوط الدقة المتوسطة: أسود صلب = DL WT، أسود متقطع = DL TNF-Tg، رمادي صلب = SA WT، رمادي متقطع = SA TNF-Tg). ومع ذلك، انخفضت دقة تقسيمات TNF-Tg بشكل ملحوظ مع مرور الوقت والتلف التدريجي للمفاصل مقارنة ب WT، رغم أنها استمرت في التفوق على طريقة SA. (G-H) تظهر خرائط الحرارة الدقيقة المحددة لأقسام العظام (T = الرسال، MT = مشط القدم، PP = الأفلام القريبة، DP = الأفلام البعيدة، S = السمسميات) زيادة معدل الخطأ في فئران TNF-Tg بشكل رئيسي في منطقة الراصة (الضوء (الأصفر) = عالي (100٪)، داكن (بنفسجي) = منخفض (20٪) دقة). كما ذكر، تبرز الصور الداخلة (C-D) مصدر الخطأ مع وجود مسافات مفصلة منفصلة (الأسهم، الصورة اليسرى) مما يؤدي إلى ترابط العظام بشكل مفرط (الألوان، الصورة اليمنى). في الواقع، كانت الأخطاء في الغالب مرتبطة بشكل مفرط (2+ عظم مقسمة إلى مادة واحدة؛ مذكور في الشكل التكميلي 2)، مما قد يمثل العملية المرضية لاندماجات المفاصل مع زيادة شدة التهاب المفاصل. الإحصائيات: تحليل التأثيرات المختلطة ثلاثية الاتجاهات (SA مقابل DL؛ طريقة x النمط الجيني x الوقت؛ E-F)، تحليل التأثيرات المختلطة ثنائية الاتجاه (WT مقابل TNF؛ النمط الجيني x زمن؛ E-H); p<0.0001، **p<0.01، *p<0.05 (تأثيرات التفاعل); البيانات التي عرضت كمتوسط ± انحراف معياري. أحجام العينات: n=34 خلفي في الذكر WT (n=2 في شهرين، n=4 في 3 أشهر، n=6 في 4-5 أشهر، n=0 في 6 أشهر [جميع البيانات المستخدمة للاختبار]، n=8 عند 7-8 أشهر)، n=10 خلفي عند الإناث WT (n=4 عند شهرين، n=2 عند 3-5 أشهر)، n=56 خلفي في TNF-Tg ذكر (n=8 عند 2-8 أشهر)، وعدد = 48 خلفي في الإناث TNF-Tg (n=14 في عمر 2-3 أشهر وn=10 في 4-5 أشهر). تم تعديل البيانات المستخدمة في هذا الشكل من الدراساتالسابقة 12،23. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

figure-results-3
الشكل 3: تطبيق مرن لتقسيم التعلم العميق في الفضاء المفصلي على هياكل معقدة أخرى يبرز تشريح عظم مخلب الفأر الأمامي. بعد ذلك، قمنا بتقييم إمكانية نموذج تقسيم مساحة المفاصل DL لفصل العظام تلقائيا في هياكل معقدة إضافية خارج الخلب. تم تنفيذ طريقة التقسيم في مجموعات بيانات الميكرو-CT الخاصة بالمخلب الأمامي المقابلة التي تم تصورها من الأسطح الوسطى (A) الظهرية، (B) الأخمصية، (C) الجانبية، و (D) التي تمثل العظام الفردية المجزأة. حددنا إمكانية تقسيم العظام الأمامية بدقة، بما في ذلك الرسغ المميز، وشط المشط (#، MET-F)، والفلانج القريبة (^، PP-F)، والفالنيات البعيدة (~، DP-F)، والقيامل (دوائر متقطعة، S-F)، والمخالب (*) مع وسم خاص بالعظم يتوافق مع تشريح المخلب الأماميالمعروف 40. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

figure-results-4
الشكل 4: تظهر فئران TNF-Tg تدميرا واضحا لمفصل الساق الأمامية واندماجات عظمية مع انخفاض سريع في دقة التقسيم. (A-B) نظرا للتعقيد والبنية الصغيرة لأقدام الفأر الأمامية التي تم تسليط الضوء عليها من خلال التصوير الظهري (يسار) والأخمص (اليمنى) لصور الأشعة المقطعية الدقيقة من الفئران الذكور والإناث من WT ( C-D) لم يتم تقييم التشريح والتهاب المفاصل المرتبط به في فئران TNF-Tg سابقا. تطبيق نهجنا الجديد لمسافة الفاصل المشترك وفر فرصة أولية لتقييم هذه الهياكل المعقدة من خلال تقليل التحديات التحليلية مع تحقيق دقة >85٪ من مخالب الأمامية الوول، رغم دقة ضعيفة مقارنة بالخلفي الخلفي (خطوط الدقة المتوسطة: أزرق صلب = خلف كف وزن ثقيل، أزرق متقطع = خلف كف TNF-Tg، الأحمر الصلب = مخلب الأمامية WT، الأحمر المتقطع = مخلب الأمامية TNF-Tg). (E-F) بالإضافة إلى ذلك، أظهرت مخالب TNF-Tg الأمامية تراجعا سريعا ودراماتيكيا في دقة التقسيم بسبب الأخطاء المرتبطة بعضلات الرسغ (الدوائر المنقطة الصفراء في A-D) والسيزامويدات (الدوائر الزرقاء المنقطة في A-D) مع مرور الوقت. (G-H) تظهر الانخفاض في دقة التقسيم الإقليمية من خلال خرائط الحرارة (الضوء (الأصفر = العالي (100٪)، الداكن (البنفسجي) = منخفض (20٪) الدقة) لأقسام العظام (C = الرسغ، MC = عظام مشطية، PP = الفالانات القريبة، DP = الفلانج البعيدة، S = السمسم). لاحظ أن النقطة الزمنية الذكرية البالغة 6 أشهر تم حذفها في الفقرة (E) حيث تم استخدام جميع مجموعات بيانات مخلب الخلفية للوزن الثقيل للتدريب والتحقق، لذا لم تدرج ضمن مجموعة اختبار DL. إحصائيات: تحليل التأثيرات المختلطة ثلاثية الاتجاهات (الخلفي الخلفي مقابل القدم الأمامية، WT مقابل TNF؛ نوع القدم x النمط الجيني x الوقت، تأثيرات التفاعل المبلغ عنها؛ E-F)، تحليل تأثيرات مختلطة ثنائية الاتجاه مع مقارنات سيداك المتعددة (WT مقابل TNF؛ النمط الجيني x زمن؛ G-H)؛ p<0.0001، **p<0.01، *p<0.05; البيانات التي عرضت كمتوسط ± انحراف معياري. أحجام العينات: n=55 مخلفة أمامية عند الذكر (n=8 في 2-3- و5-8 أشهر، n=7 عند 4 أشهر)، n=29 مخلفة أمامية عند WT (n=8 عند 2-3 أشهر، n=7 عند 4 أشهر، n=6 عند 5 أشهر)، n=54 أمامية في TNF-Tg ذكر (n=8 في 2 و4-8 أشهر، n=6 عند 3 أشهر)، و n=50 مخالب أمامية (n=14 في عمر 2-3 أشهر، n=12 في 4 أشهر، و n=10 عند 5 أشهر). بيانات مخلب DL الخلفي (E-F) تم إنتاجها من الشكل 2E-F لمزيد من المقارنة مع بيانات مخلب DL الأمامي. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

الشكل الإضافي 1: تطوير وتدريب نموذج التعلم العميق للكشف المشترك. (أ) تم الحصول على مناطق مفاصل الحقيقة الأرضية من تقسيمات عظام الحقيقة الأرضية الأولية بواسطة وصفة تلقائية باستخدام أميرا، تجمع بين توسيع الملصق، واستخراج واجهات المعلام، والتمويه، والتوسع. (ب) لكل من مجموعات بيانات التدريب الميكرو-CT ال 20 (40 خلفا)، تم استخراج 6 أحجام فرعية من 200 × 200 فوكسل يدويا من الرباط، والفالاننج البعيد، والمناطق الخلفية، موزعة بالتساوي بين الكفوف اليسرى واليمنى (3 رقع لكل خلفي خلفي). تم استخدام 120 حجما فرعيا ناتجة كمدخل لوحدة تدريب أميرا ثلاثية الأبعاد مع مناطق مشتركة معنونة كهدف حقيقي أرضي. تم استخدام مجموعة عشوائية من رقع 25٪ للتحقق من صحة النموذج أثناء التدريب. يرجى الضغط هنا لتحميل هذا الملف.

الشكل الإضافي 2: توزيع مختلف لأنواع الأخطاء بين الخلفيات والخلفي الأمامية. مماثل لخوارزمية تقسيم SA التي تم تطويرهاسابقا 12,23، أنتج نموذج DL الفضاء المشترك أكبر نسبة من الأخطاء عند ربط العظام بشكل زائد (خضراء، عظام 2+ مقسمة كمادة واحدة)، وأبرز ما يميز في الكفوف الخلفية (A-D) أو (E-F) الأمامية WT. كما هو موضح في الشكل 2، ستحدث أخطاء مترابطة بشكل مفرط إذا كان هناك فجوة في مساحة المفصل المكتشفة قد تحدث لأسباب مختلفة، مثل قرب العظم أكثر من دقة الصورة، أو تشويش حركة في مساحة المفصل، أو إعادة تشكيل العظم في سياق التهاب المفاصل، مما يؤدي إلى اندماج المفاصل. (G-H) ومن المثير للاهتمام أن الأقدام الأمامية في TNF-Tg تظهر نسبة متزايدة بشكل ملحوظ من العظام المفقودة (الحمراء)، مما يعني أن العظم كان غائبا تماما عن التقسيم. من المرجح أن تعزى هذه الأخطاء إلى مزيج من التآكل الشديد ونقص في دقة الصورة، نظرا لحجم عظام الكف الأمامية الصغير نسبيا، خاصة الرسغ والقيسم، كمصدر رئيسي للخطأ (الشكل 4)، مقارنة بتلك الخاصة بالكفوف الخلفية. تشمل أنواع الأخطاء الإضافية الانقسام الزائد (الأزرق، العظمة الواحدة مقسمة إلى مواد 2+) أو التصاق الزائد والانقسام الزائد (البرتقالي). تمثل مخططات الدائرية نسب من إجمالي الأخطاء المنسوبة إلى أنواع فرعية محددة من الأخطاء. يرجى الضغط هنا لتحميل هذا الملف.

الشكل الإضافي 3: تقييم التهاب المفاصل الأمامي TNF-Tg المتقدم مع تآكل شديد في العظام وانخلاع المفاصل. لرؤية التغيرات الهيكلية في الأقدام الأمامية مع مرور الوقت، قدمنا صورا تمثيلية لسطح الظهر من (أ) ذكر WT، (ب) ذكر TNF-Tg، (ج) الأنثى WT، و(د) مخالب الأمامية الأنثوية TNF-Tg على مدى فترة من 2 إلى 5 أشهر (من اليسار إلى اليمين) لتسليط الضوء بشكل خاص على منطقة الرسغ (الأسهم البيضاء). لاحظ التآكل الحاد للعظام وإعادة التشكيل التي تحدث تقريبا بعد 4 أشهر للإناث و5 أشهر عند الذكور. تسبق هذه الفترات الزمنية بداية التآكل الشديد في العظام الخلفية عند حوالي 5 أشهر للإناث و7-8 أشهر عند الذكورفي سن 23. (ه) يظهر أيضا منظر جانبي لمخالب الأنثى الأمامية TNF-Tg ليظهر الانزلاقات التدريجية للكف بالكامل من الساعد (سهام صفراء) المرتبط بتدمير المفصل. يرجى الضغط هنا لتحميل هذا الملف.

الجدول التكميلي 1: أحجام عينات من خلفيات WT للتدريب على DL، والتحقق، والاختبارات المنهجية. يتم توفير أحجام عينات في عدد الأقدام الخلفية حسب العمر (الشهر 2-8) وتنظيمها حسب مجموعات البيانات المستخدمة لتدريب/التحقق من DL، أو الاختبار المنهجي الكامل، أو تلك التي تم استبعادها إما بسبب خطأ في التصوير أو تشويش حركي خطير أو وفاة قبل التصوير المقطعي المقطعي المجدول. تشير الخلايا السوداء من الأشهر 6 إلى 8 للإناث إلى إنهاء الفحص المخطط بعد 5 أشهر بسبب الوفيات المبكرة لنظرائها التجريبيين في TNF-Tg. يرجى الضغط هنا لتحميل هذا الملف.

الجدول التكميلي 2: أحجام عينات من خلفي TNF-Tg للاختبار المنهجي. يتم توفير أحجام العينات في عدد الأقدام الخلفية حسب العمر (الشهر 2-8) وتنظيمها حسب مجموعات البيانات المستخدمة للاختبار المنهجي الكامل أو تلك التي تم حذفها بسبب خطأ في التصوير أو تشوهات الحركة الشديدة، و/أو الوفاة قبل التصوير المقطعي المقطعي المجدول. تشير الخلايا السوداء من الأشهر 6 إلى 8 للإناث إلى إنهاء الفحوصات المخطط لها بعد 5 أشهر بسبب الوفيات المبكرة لفئران TNF-Tg. يرجى الضغط هنا لتحميل هذا الملف.

الجدول التكميلي 3: أحجام عينات من أقدام WT الأمامية للاختبارات المنهجية. يتم توفير أحجام عينات في عدد الأقدام الأمامية حسب العمر (الأشهر 2-8) وتنظيمها حسب مجموعات البيانات المستخدمة للاختبار المنهجي الكامل أو تلك التي تم حذفها بسبب خطأ في التصوير، أو تشوهات حركة شديدة، و/أو الوفاة قبل التصوير المقطعي المقطعي المجدول. تشير الخلايا السوداء من الأشهر 6 إلى 8 للإناث إلى إنهاء الفحص المخطط بعد 5 أشهر بسبب الوفيات المبكرة لنظرائها التجريبيين في TNF-Tg. *عند عمر 3 أشهر للإناث في وزن الوزن، تم حذف n=1 من القدم الأمامية DP-F3 وPP-F3 وDP-F4 وPP-F4 بسبب خطأ في التصوير، رغم أن بقية الكف الأمامية تم تقييمها. يرجى الضغط هنا لتحميل هذا الملف.

الجدول التكميلي 4: أحجام عينات من مخالب TNF-Tg الأمامية للاختبارات المنهجية. يتم توفير أحجام عينات في عدد الأقدام الأمامية حسب العمر (الأشهر 2-8) وتنظيمها حسب مجموعات البيانات المستخدمة للاختبار المنهجي الكامل أو تلك التي تم حذفها بسبب خطأ في التصوير، أو تشوهات حركة شديدة، و/أو الوفاة قبل التصوير المقطعي المقطعي المجدول. تشير الخلايا السوداء من الأشهر 6 إلى 8 للإناث إلى إنهاء الفحوصات المخطط لها بعد 5 أشهر بسبب الوفيات المبكرة لفئران TNF-Tg. يرجى الضغط هنا لتحميل هذا الملف.

الجدول التكميلي 5: دقة العظم الفردية للكفوف الخلفية الذكورية. لتحديد العظام المحددة التي تقلل من دقة التقسيم في الخلفيات TNF-Tg مقابل الخلفيات البيضاء (WT)، يتم توفير تفاصيل حول عدد العظام المقسمة بشكل صحيح أو غير صحيح، والنسبة الصحيحة بالنسبة لإجمالي العظام التي تم تقييمها لدى الفئران الذكور. داخل منطقة الراصل حيث تحدث العجز الأولي (الشكل 2)، أظهر الشكل المسماري (CALC)، والمسماري الوسيط (غير الملتحم، INT)، والمسمار البحري/الجانبي (غير الملتصق) أبرز انخفاض في الدقة لمؤخرات TNF-Tg. الإحصائيات: اختبار فيشر الدقيق؛ *p<0.05, **p<0.01, ***p<0.001, ****p<0.0001. يرجى الضغط هنا لتحميل هذا الملف.

الجدول التكميلي 6: دقة العظم الفردية لمخالب خلفية الإناث. لتحديد العظام المحددة التي تقلل من دقة التقسيم في مخالب TNF-Tg مقابل الخلفيات البيضاء (WT)، يتم توفير تفاصيل حول عدد العظام المقسمة بشكل صحيح وغير صحيح، ونسبة الصحة بالنسبة لإجمالي العظام التي تم تقييمها لدى إناث الفئران. نظرا لاستخدام مجموعات البيانات لتدريب والتحقق من DL، إلى جانب تقليل الإطار الزمني إلى 5 أشهر للمقارنة مع فئران TNF-Tg التي تظهر وفياتمبكرة 32، فإن العدد الإجمالي لأقدام خلفية اختبار DL المخصصة للإناث WT يحد من قدرة المقارنات الفردية على شرح الدقة المنخفضة في مجموعات بيانات TNF-Tg. الإحصائيات: اختبار فيشر الدقيق؛ ص<0.0001. يرجى الضغط هنا لتحميل هذا الملف.

الجدول التكميلي 7: دقة العظم الفردية لمخالب الذكر الأمامية. لتحديد العظام المحددة التي تقلل من دقة التقسيم في الأقدام الأمامية TNF-Tg مقابل WT، يتم توفير تفاصيل حول عدد العظام المقسمة بشكل صحيح أو غير صحيح، ونسبة الصحة بالنسبة لإجمالي العظام التي تم تقييمها في الفئران الذكورية. داخل مناطق الرسغ والسيماميد حيث تحدث العجز الأولي (الشكل 4)، أظهرت الكابتات (CAP)، التريكويتروم (TRI)، المركزة (غير المندمجة، CENT)، الزورق/الهمرة (SCAPHATE)، شبه المنحرف (ZOID)، والسيزامويدات 2-10 أكبر انخفاض في الدقة لمخالب TNF-Tg. ومن الجدير بالذكر أن دقة السيزامويدات 1 و2 تعاني من نقص في مجموعتي بيانات WT وTNF-Tg. ومن المثير للاهتمام أن متاط الرسق 1 أظهر تحسنا في دقة التقسيم لدى فئران TNF-Tg، ربما بسبب قرب المفاصل مع العظام المجاورة، مما أدى إلى أخطاء مترابطة بشكل مفرط يتم التخفيف منها بتآكل التهاب المفاصل. الإحصائيات: اختبار فيشر الدقيق؛ *p<0.05, **p<0.01, ***p<0.001, ****p<0.0001. يرجى الضغط هنا لتحميل هذا الملف.

الجدول التكميلي 8: دقة العظم الفردية لمخالب الأنثى الأمامية. لتحديد العظام المحددة التي تقلل من دقة التقسيم في الكفوف الأمامية TNF-Tg مقابل WT، يتم توفير تفاصيل حول عدد العظام المقسمة بشكل صحيح أو غير صحيح، والنسبة الصحيحة بالنسبة لإجمالي العظام التي تم تقييمها في إناث الفئران. في مناطق الرسغ والسيماميد حيث تحدث العجز الأولي (الشكل 4)، أظهرت الكأسية (CAP)، والهاميت (HAM)، والتريكويتروم (TRI)، والسيماميدات 1-10 أبرز انخفاض في الدقة لمخالب TNF-Tg. ومن الجدير بالذكر أن دقة السيزامويدات 1 و2 تعاني من نقص في مجموعتي بيانات WT وTNF-Tg. الإحصائيات: اختبار فيشر الدقيق؛ *p<0.05, ***p<0.001, ****p<0.0001. يرجى الضغط هنا لتحميل هذا الملف.

الملف التكميلي 1: وصفة تقسيم مشترك لتدريب نماذج التعلم العميق. سلسلة من الخطوات المدمجة لاستخراج مساحات المفاصل المجزأة من مخالب خلفية ميكرو-CT مقسمة مسبقا بمعايير ذهبية استخدمت لتدريب نموذج DL على تحديد مساحة المفصل. يرجى الضغط هنا لتحميل هذا الملف.

الملف الإضافي 2: وصفة تقسيم العظام باستخدام معالجة الصور مع تسهيل التعلم العميق. سلسلة من الخطوات المدمجة لتحويل بيانات الميكرو-CT الأصلية إلى تقسيمات للعظام الفردية باستخدام خطوات معالجة الصور مع مخرجات تحديد مساحة مفصل DL لتوجيه فصل العظام. يرجى الضغط هنا لتحميل هذا الملف.

الملف الإضافي 3: أوزان التنبؤ بالتعلم العميق. يستخدم كإدخال للأوزان أثناء التنبؤ بالتعلم العميق لتقسيم الفضاء المشترك. يرجى الضغط هنا لتحميل هذا الملف.

الملف التكميلي 4: بنية التنبؤ بالتعلم العميق. يستخدم الملف كمدخل للبنية أثناء التنبؤ بالتعلم العميق لتقسيم الفضاء المشترك. يرجى الضغط هنا لتحميل هذا الملف.

الملف التكميلي 5: التعلم العميق لسكريبت بايثون. يستخدم كبرمبت بايثون لتنبؤ التعلم العميق بتقسيم الفضاء المشترك. يرجى الضغط هنا لتحميل هذا الملف.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

حتى نهاية التحليلات المؤتمتة بالكامل لأحجام العظام في الفئران، حققنا تحسينات إضافية في تقسيم بيانات التصوير المقطعي المقطعي الدقيق في الهياكل المعقدة، وخاصة خلف الفئران الخلفية. كانت الاستراتيجية استهداف مساحات المفاصل المفصلية لخلق حدود لفصل العظام، حيث أتاح التركيز على المسافة السلبية بين العظام التطبيق المرن في هياكل بديلة مثل الكف الأمامي، لأن النهج لم يكن محددا لشكل وتشريح عظام الكف الخلفي المميزة. على الرغم من انخفاض دقة التقسيم عند إجراء على الكفوف الأمامية، إلا أن مجموعات بيانات الوزن الثقيل أظهرت دقة عظمية بلغت >85٪. يمكن تطبيق العمليات التصحيحيةالموصوفة جيدا 12 لإنشاء مجموعات بيانات نماذج أمامية مشروحة مسبقا لتدريب التعلم المنخفض، مما يقلل بشكل كبير من الحواجز أمام إنشاء خوارزميات خاصة بهيكل. سمح هذا النهج الجديد أيضا بالتطبيق على مخالب TNF-Tg المصابة بالتهاب المفاصل التآكلي الالتهابي الشديد والمتطور. في مخالب TNF-Tg، كان انخفاض دقة التقسيم ملحوظا مع مرور الوقت، مما يتوافق مع الزيادة التدريجية في تآكل العظام والاندماجات المرضية بين العظم والعظم نتيجة إعادة تشكيل الأسطح المتآكلة مع زيادة العمر. لذا، فإن التطبيق الناجح بشكل ملحوظ لنموذج تقسيم آلي ودقيق للغاية في هياكل WT لديه القدرة على توجيه التطبيقات المستقبلية في نماذج الأمراض أو المفاصل المعقدة الأخرى. سيركز المزيد من التحقيق على تحسين تقسيم المفاصل الممرضة التي قد تحدد التأثيرات المرضية لتآكل العظام والاندماج لتحديد العلامات الحيوية للمرض، كما هو موضح سابقا23.

على الرغم من الاستخدام الناجح للتصوير المقطعي المقطعي لمراقبة تآكل العظام الصغيرة في نماذج التهاب المفاصل قبل السريرية12،23،25،35،42، كان هناك تطبيق محدود لأساليب التصوير المقطعي المقطعي في التقييم السريري. وخاصة في حالات التهاب المفاصل الروماتويدي، يتم تطبيق أنظمة التسجيل بشكل أساسي للرنين المغناطيسي43، والموجات فوق الصوتية44، و45، و/أو الأشعة السينيةالتقليدية 46 لتوليد مقاييس شبه كمية وتعتمد على المستخدم لشدة المرض، غالبا بالتزامن مع المقاييس السريرية47. نظرا لأن التصوير المقطعي المقطعي يعتبر المرجع الذهبي لتقييم سلامة العظام48,49، فإن تحسين الأساليب التحليلية القابلة للترجمة سريريا يعد بتوفير فائدة هائلة لتقييم كميات العظام الموثوق والطولي، سواء لقياس شدة المرض أو لتقييم استجابة العلاج. على الرغم من أن وسائل التصوير مثل الرنين المغناطيسي توفر معلومات أوسع، بما في ذلك مناطق الالتهاب، وتغيرات نخاع العظم، وأمراض الأنسجة الرخوة، إلا أن أساليب التصوير المقطعي المقطعي الجديدة مع مدخلات متعددة الطاقة50 توفر وعدا لتوسيع استخدام التصوير المقطعي المقطعي إلى ما هو أبعد من بنية العظام. على الرغم من هذه الفوائد المقترحة، نعترف أيضا بالتحديات الهائلة في الترجمة السريرية من الأدوات التحليلية قبل السريرية المطورة، مع الأخذ في الاعتبار تطبيقها على صور التصوير المقطعي المقطعي السريري منخفضة الدقة وتطبيقها في تشريح الإنسان المختلف. مماثلا لحدودنا الأخير للمؤشرات الحيوية الخاصة بالعظم في نماذج التهاب المفاصل قبل السريرية23، فإن جهدا سريريا مفصلا يحقق في المقاييس الكمية البحتة لتآكل العظام سيكون تقدما كبيرا في مراقبة الأمراض.

بينما يوفر عملنا الحالي أساسا للتنفيذ السريري، نظرا لإمكانية التطبيق المرن على هياكل جديدة من خلال استهداف مساحات المفاصل، فإن القيود الأساسية هي الاعتماد على برنامج موثق جيدا قبل سريري وباحث في أميرة، غير مخصص للتشخيص السريري. ومع ذلك، يمكن تنفيذ الخوارزميات الأساسية والتصميم الاستراتيجي بسهولة في بيئات برمجية بديلة من خلال المنهجية التفصيلية المقدمة. بغض النظر عن برنامج البحث المستخدم، يتطلب الدمج في الاستخدام السريري (بدلا من البحث) جهودا انتقالية تلبي المتطلبات التنظيمية للدخول إلى الممارسة السريرية. لتطبيق استراتيجية التقسيم الجديدة، من المهم أيضا النظر في القيود المحتملة في دقة الصورة التفاضلية، حيث وصفنا سابقا أن دقة الصورة (أي حجم الفوكسل/الهيكل) هي عامل رئيسي محدد لدقة التقسيم باستخدام خوارزميات معالجة الصورفقط 12. في الواقع، قد يرتبط ذلك بانخفاض طفيف في دقة تقسيم الكفوف الأمامية، حيث أن حجم هياكل الكف الأمامي يقلل بشكل بطبيعتي من جودة الصورة أقل نسبيا مقارنة بالكفوف الخلفية. من المهم أيضا الاعتراف بالتفاوت في مجموعة بيانات التدريب (2-6 أشهر) والاختبارات (بما في ذلك 7-8 أشهر)، والتي قد تؤثر على التطبيق والدقة مع التغيرات المرتبطة بالعمر، بما في ذلك استمرار نمو العظام أو ظهور أمراض المفاصل لاحقا. تدعم نتائجنا الحفاظ على الدقة لمؤثرات WT في تحليل DL بعد عمر 6 أشهر (الشكل 2E)، مما يشير إلى أن تراجع أداء التقسيم لدى نظائر TNF-Tg مرتبط على الأرجح بتقدم الالتهابات والتآكل بغض النظر عن العمر نفسه. ومع ذلك، هناك حاجة إلى مزيد من الدراسات على فئران برية مسنة ومسنة لضمان دقة متسقة بغض النظر عن الفئة العمرية الخاصة بمجموعة تدريب DL. أخيرا، توسيع الطرق الموصوفة لتجاوز نهج فصل العظام من فئة واحدة إلى أداة تحليلية متعددة الفئات أكثر متانة تتضمن أسماء العظام المتوقعة بناء على البنية الهيكلية أو موقع الإحداثيات في التشريح الثابت (أي مثل شجرة الأطلس) سيوفر بالتأكيد تحسينات أساسية وربما يعزز اعتماد الطريقة.

في الختام، صممنا استراتيجية جديدة لتقسيم التصوير المقطعي الدقيق بواسطة DL لعزل العظام الفردية داخل هياكل معقدة. يظهر هذا الابتكار تحسنا ملحوظا في كل من الأوتوماتيكية ودقة التقسيم مقارنة بسير عمل SA12 الذي أنشأناه مؤخرا، والذي كان هنا أساسا لإنتاج العديد من التقسيمات الذهبية لتدريب نماذج DL وتحسين التحسينات الحالية. على الرغم من أن ترجمة طرق التقسيم في الأقدام الأمامية والأكف المصابة بالتهاب المفاصل التآكلي الالتهابي أظهرت أداء متراجعا، إلا أن تطبيق هذا النهج قد يقلل من الجهود اليدوية اللازمة لإنشاء مجموعات بيانات مشروحة بالكامل للسماح بنماذج تدريب لتعلم التعلم النفسي الخاص بالأمراض أو البنية. قد يسمح استخدام هذه الطريقة في الدراسات المستقبلية بتحسين تقسيم العظام عبر أنواع مختلفة ونماذج الأمراض في الأبحاث قبل السريرية للسماح بتحليل كمي مفصل لاحقا. نشجع أيضا على دمج مثل هذه الاستراتيجيات في البحث السريري، لأنها تعد بفوائد مستقبلية لرعاية المرضى.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

دانيال ليشو وريمي بلانك هما موظفان في شركة ثيرموفيشر ساينتيفيك المعنيان بتطوير وصيانة برنامج أميرة المستخدم لإنتاج الطرق الموصوفة في هذه المخطوطة. جميع المؤلفين الآخرين ليس لديهم ما يكشفون عنه.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

مصادر التمويل: F30AG076326 (HMK)، T32GM007356 (HMK)، R01AR069000 (CTR)، R01AR056702 (EMS)، و P30AR069655 (LS، EMS، وHAA). كان HMK متدربا في برنامج تدريب العلماء الطبيين الممول من قبل المعاهد الوطنية للصحة T32GM007356. المحتوى هو مسؤولية المؤلفين وحدها ولا يمثل بالضرورة الآراء الرسمية للمعهد الوطني للعلوم الطبية العامة أو NIH. نود أن نشكر أعضاء هيئة التدريس والموظفين في نواة علم الأنسجة والكيمياء الحيوية والتصوير الجزيئي، ونواة الميكانيكا الحيوية والمواد الحيوية وتصوير الأنسجة متعددة الوسائط، ومركز أبحاث الجهاز العضلي الهيكلي في مركز جامعة روتشستر الطبي على مساهماتهم في هذا العمل.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
نظام الحوسبةالتفاصيل مقدمة في قسم البروتوكول وnbsp;التفاصيل مقدمة في قسم البروتوكول وnbsp;
برنامج تصوير الصورثيرموفيشر ساينتيفيكالإصدار 2022.2 أو ما أحدثهأميرة
إيزوفلورانفيتون13985-528-60فلوريزو، 1-3٪ للتخدير
الفئرانمركز جامعة روتشستر الطبيلا يوجدC57BL/6، معدلة وراثيا TNF
ميكرو-سي تيسكانكو ميديكاللا يوجدفيفا سي تي 40
البرمجيات الإحصائيةشركة جراف باد سوفتويرالإصدار 10.2.0 أو أحدثمنشور جراف باد
شريطلا يوجدلا يوجدلتأمين أقدام الحيوانات للتصوير
الأنابيبلا يوجدلا يوجدبلاستيك ديرلين وأكريليك شفاف لتثبيت الحيوانات

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Bouxsein, M., et al. Guidelines for assessment of bone microstructure in rodents using micro-computed tomography. J Bone Miner Res. 25 (7), 1468-1486 (2010).
  2. Konnaris, M. A., et al. Computational pathology for musculoskeletal conditions using machine learning: advances, trends, and challenges. Arthritis Res Ther. 24 (1), 68(2022).
  3. Najjar, R. Redefining Radiology: A Review of Artificial Intelligence Integration in Medical Imaging. Diagnostics (Basel). 13 (17), 2760(2023).
  4. Alzubaidi, L., et al. Review of deep learning: concepts, CNN architectures, challenges, applications, future directions. J Big Data. 8 (1), 53(2021).
  5. Wu, J., et al. Convolutional neural network for detecting rib fractures on chest radiographs: a feasibility study. BMC Med Imaging. 23 (1), 18(2023).
  6. Liu, X., et al. Fully automated pelvic bone segmentation in multiparameteric MRI using a 3D convolutional neural network. Insights Imaging. 12 (1), 93(2021).
  7. Woo, B., et al. Automated anomaly-aware 3D segmentation of bones and cartilages in knee MR images from the Osteoarthritis Initiative. Med Image Anal. 93, 103089(2024).
  8. He, M., Zhao, X., Lu, Y., Hu, Y. An improved AlexNet model for automated skeletal maturity assessment using hand X-ray images. Future Generat Comp Syst. 121, 106-113 (2021).
  9. Zhang, Y., et al. SMANet: multi-region ensemble of convolutional neural network model for skeletal maturity assessment. Quant Imaging Med Surg. 12 (7), 3556-3568 (2022).
  10. Wu, J., Mi, Q., Zhang, Y., Wu, T. SVTNet: Automatic bone age assessment network based on TW3 method and vision transformer. Int J Imag Syst Technol. 34 (2), e22990(2024).
  11. Sebastian, T. B., Tek, H., Crisco, J. J., Kimia, B. B. Segmentation of carpal bones from CT images using skeletally coupled deformable models. Med Image Anal. 7 (1), 21-45 (2003).
  12. Kenney, H., et al. A High-Throughput Semi-Automated Bone Segmentation Workflow for Murine Hindpaw Micro-CT Datasets. Bone Rep. 16, 101167(2022).
  13. Besler, B. A., et al. Bone and joint enhancement filtering: Application to proximal femur segmentation from uncalibrated computed tomography datasets. Med Image Anal. 67, 101887(2021).
  14. Baiker, M., et al. Atlas-based whole-body segmentation of mice from low-contrast Micro-CT data. Med Image Anal. 14 (6), 723-737 (2010).
  15. Li, X., Yankeelov, T. E., Peterson, T. E., Gore, J. C., Dawant, B. M. Automatic nonrigid registration of whole body CT mice images. Med Phys. 35 (4), 1507-1520 (2008).
  16. Khmelinskii, A., et al. Articulated whole-body atlases for small animal image analysis: construction and applications. Mol Imaging Biol. 13 (5), 898-910 (2011).
  17. Liu, H., Durongbhan, P., Davey, C. E., Stok, K. S. Image Registration in Longitudinal Bone Assessment Using Computed Tomography. Curr Osteoporos Rep. 21 (4), 372-385 (2023).
  18. Wang, J., et al. Fully automated segmentation in temporal bone CT with neural network: a preliminary assessment study. BMC Med Imaging. 21 (1), 166(2021).
  19. Ambellan, F., Tack, A., Ehlke, M., Zachow, S. Automated segmentation of knee bone and cartilage combining statistical shape knowledge and convolutional neural networks: Data from the Osteoarthritis Initiative. Med Image Anal. 52, 109-118 (2019).
  20. Ramos, J. S., et al. Fast and accurate 3-D spine MRI segmentation using FastCleverSeg. Magn Reson Imaging. 109, 134-146 (2024).
  21. Kushwaha, A., et al. Improved Repeatability of Mouse Tibia Volume Segmentation in Murine Myelofibrosis Model Using Deep Learning. Tomography. 9 (2), 589-602 (2023).
  22. Bell, R. D., et al. Automated multi-scale computational pathotyping (AMSCP) of inflamed synovial tissue. Nat Commun. 15 (1), 7503(2024).
  23. Kenney, H. M., et al. High-throughput micro-CT analysis identifies sex-dependent biomarkers of erosive arthritis in TNF-Tg mice and differential response to anti-TNF therapy. PLoS One. 19 (7), e0305623(2024).
  24. Brown, J. M., et al. Detection and characterisation of bone destruction in murine rheumatoid arthritis using statistical shape models. Med Image Anal. 40, 30-43 (2017).
  25. Cambre, I., et al. Mechanical strain determines the site-specific localization of inflammation and tissue damage in arthritis. Nat Commun. 9 (1), 4613(2018).
  26. Mahdi, H., et al. Open-source pipeline for automatic segmentation and microstructural analysis of murine knee subchondral bone. Bone. , 167(2023).
  27. Saillard, E., et al. Finite element models with automatic computed tomography bone segmentation for failure load computation. Sci Rep. 14 (1), 16576(2024).
  28. Kenney, H., et al. Micro-CT of hind paw. Zenodo. , (2024).
  29. Kenney, H., et al. Micro-CT of hind paw. Zenodo. , (2025).
  30. Keffer, J., et al. Transgenic mice expressing human tumour necrosis factor: a predictive genetic model of arthritis. EMBO J. 10 (13), 4025-4031 (1991).
  31. Li, P., Schwarz, E. The TNF-alpha transgenic mouse model of inflammatory arthritis. Springer Semin Immunopathol. 25 (1), 19-33 (2003).
  32. Bell, R., et al. Selective sexual dimorphisms in musculoskeletal and cardiopulmonary pathologic manifestations and mortality incidence in the tumor necrosis factor-transgenic mouse model of rheumatoid arthritis. Arthritis Rheumatol. 71 (9), 1512-1523 (2019).
  33. Li, J., et al. CD23+/CD21hi B cell translocation and ipsilateral lymph node collapse is associated with asymmetric arthritic flare in TNF-Tg mice. Arthritis Res Ther. 13 (4), R138(2011).
  34. Kenney, H., et al. Persistent popliteal lymphatic muscle cell coverage defects despite amelioration of arthritis and recovery of popliteal lymphatic vessel function in TNF-Tg mice following anti-TNF therapy. Sci Rep. 12 (1), 12751(2022).
  35. Kenney, H., et al. Implementation of automated behavior metrics to evaluate voluntary wheel running effects on inflammatory-erosive arthritis and interstitial lung disease in TNF-Tg mice. Arthritis Res Ther. 25 (1), 17(2023).
  36. Meyer Sm Beucher, F. Mathematical Morphology in Image Processing. , CRC Press. (1992).
  37. Frangi, A. F., Niessen, W. J., Vincken, K. L., Viergever, M. A. Medical Image Computing and Computer-Assisted Intervention - MICCAI'98. Wells, W. M., Colchester, A., Scott, D. , Springer. Berlin Heidelberg. 130-137 (1998).
  38. Martinez-Sanchez, A., Garcia, I., Asano, S., Lucic, V., Fernandez, J. J. Robust membrane detection based on tensor voting for electron tomography. J Struct Biol. 186 (1), 49-61 (2014).
  39. Bab, I., Hajbi-Yonissi, C., Gabet, Y., Müller, R. Micro-tomographic atlas of the mouse skeleton. , Springer Science + Business Media. (2007).
  40. Bab, I., Hajbi-Yonissi, C., Gabet, Y., Müller, R. Micro-Tomographic Atlas of the Mouse Skeleton. , Springer. (2007).
  41. Richbourg, H., Martin, M., Schachner, E., McNulty, M. Anatomical Variation of the Tarsus in Common Inbred Mouse Strains. . Anat Rec (Hoboken). 300 (3), 450-459 (2017).
  42. Proulx, S., et al. Longitudinal assessment of synovial, lymph node, and bone volumes in inflammatory arthritis in mice by in vivo magnetic resonance imaging and microfocal computed tomography. Arthritis Rheumatol. 56 (12), 4024-4037 (2007).
  43. Dakkak, Y., Matthijssen, X., van der Heijde, D., Reijnierse, M., van der Helm-van Mil, A. Reliability of Magnetic Resonance Imaging (MRI)-scoring of the Metatarsophalangeal-joints of the Foot According to the Rheumatoid Arthritis-MRI Score (RAMRIS). J Rheumatol. 47 (8), 1165-1173 (2020).
  44. Dimanti, A., et al. Ultrasound detection of subclinical synovitis in rheumatoid arthritis patients in clinical remission: a new reduced-joint assessment in 3 target joints. Clin Exp Rheumatol. 36 (6), 984-989 (2018).
  45. De Miguel, E., et al. A reduced 12-joint ultrasound examination predicts lack of X-ray progression better than clinical remission criteria in patients with rheumatoid arthritis. Rheumatol Int. 37 (8), 1347-1356 (2017).
  46. Ornbjerg, L., Ostergaard, M. Assessment of structural damage progression in established rheumatoid arthritis by conventional radiography, computed tomography, and magnetic resonance imaging. Best Pract Res Clin Rheumatol. 33 (5), 101481(2019).
  47. England, B., et al. Update of the American College of Rheumatology Recommended Rheumatoid Arthritis Disease Activity Measures. Arthritis Care Res (Hoboken). 71 (12), 1540-1555 (2019).
  48. Dohn, U., et al. Are bone erosions detected by magnetic resonance imaging and ultrasonography true erosions? A comparison with computed tomography in rheumatoid arthritis metacarpophalangeal joints. Arthritis Res Ther. 8 (4), R110(2006).
  49. Dohn, U., et al. Detection of bone erosions in rheumatoid arthritis wrist joints with magnetic resonance imaging, computed tomography and radiography. Arthritis Res Ther. 10 (1), R25(2008).
  50. Jans, L., et al. Dual-energy CT: a new imaging modality for bone marrow oedema in rheumatoid arthritis. Ann Rheum Dis. 77 (6), 958-960 (2018).

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Bone SegmentationJoint Space DetectionDeep Learning ModelsMicro Computed TomographyWatershed AlgorithmStructure EnhancementTensor VotingU Net ArchitectureInflammatory ArthritisAutomated Image Analysis

Related Articles