يحسن الكشف الآلي عن الفضاء للمفاصل دقة تقسيم العظام

وقد وفرت خوارزميات معالجة الصور عالية الإنتاج الحديثة العديد من تقسيمات العظام القياسية للوصلات المعقدة مع إمكانية تدريب نماذج التعلم العميق. التحدي الحالي هو محدودية القدرة على استخدام استراتيجيات التقسيم السابقة في التجارب المستقبلية مع وجود خوارزميات خاصة بالبنية والعمليات التصحيحية اليدوية المهمة. نلبي الحاجة إلى تحليل صور آلي قابل لإعادة الإنتاج يمكن من التقييم الكمي لصحة العظام وتطور التهاب المفاصل العظمي مع تقليل الجهد اليدوي والقدرة على البقاء.

للبدء، اطلع على مجموعة بيانات التصوير المقطعي المحوسب الدقيق لتلاحظ أن العظم والأنسجة الرخوة يمكن تمييزهما بوضوح. افحص المناطق التي تكون فيها العظام المجاورة متقاربة لتحديد المناطق التي تجعل دقة الصورة المحدودة والفجوات الصغيرة من الصعب اكتشاف حدودها. لاحظ الأساس حيث تنتج طريقة التقسيم المعتمدة على حوض المياه المراقبة دقة إجمالية تقارب 80٪. لتحسين دقة التقسيم، تطبيق سير عمل محدث يجمع بين نموذج التنبؤ بمساحة مشتركة مدرب مسبقا على التعلم العميق مع معالجة الصور ووصفة فصل العظام القائمة على أحواض المياه في بيئة برنامج أميرا.

قم بتحميل مجموعة بيانات التصوير المقطعي المحوسوب الدقيق في أميرا. ربط وحدة التنبؤ بالتعلم العميق. اختر النموذج المدرب واضغط على تطبيق لتوليد تقسيم أولي لمساحة المفصل.

ثم قم بتحميل الوصفة في وحدة مشغل الوصفات. اربط مجموعة بيانات التصوير المقطعي المحوسوب الدقيق وتقسيم المفصل الأولي، وطبق الوصفة لإنتاج التقسيم النهائي مع عظام فردية بالكامل. وأخيرا، قيم الناتج عن طريق ضبط خريطة الألوان على الملصقات 256 وفحص الشرائح المتعامدة وتصاميم الحجم لتأكيد الانفصال الناجح للعظام الفردية عبر الكف الخلفية.

لفحص أو تعديل وصفة معالجة الصور، افتح غرفة عمل وصفات الصور في أميرة وحمل وصفة فصل العظام. قم بتوصيل بيانات الإدخال المطلوبة وضبط المعلمات في نافذة الخصائص لتخصيص سير العمل لمجموعة البيانات الحالية. لمراجعة هيكل سير العمل، قم بتصور المخرجات الوسيطة التي تولدها الوصفة بشكل متسلسل، ثم تطبيق طريقة الشكل الرياضي السوداء ذات القبعة السوداء التي تنفذها من خلال الإغلاق، والطرح الحسابي، وتحديد العتبة، واستخدم هذه الخطوة لتسليط الضوء على الفوكسل التي تكون أغمق من محيطها وتتوافق مع مناطق الوصلات.

لتحسين التحديد، تطبيق مرشح تعزيز البنية لتعزيز الهياكل المستوية الداكنة والرفيعة التي تتوافق مع المساحات الفاصلة. تعزز استمرارية المفصل أكثر بتطبيق مرشح تعزيز الغشاء، الذي يتضمن مرحلة تصويت موترية. ثم يتم دمج القناع المشترك الناتج عن شبكة عصبية الالتفافية مدربة على تحديد الفضاء السالب حول المفصل مع نتائج مرشحات معالجة الصور السابقة لتوليد قناع مفصل نهائي.

لإكمال فصل العظام، اطرح القناع النهائي للمفصل من قناع العظم وعامل كل مكون متصل متبق كعلامة على العظم الفردي. تطبيق خوارزمية الحوض لنمو كل علامة داخل القناع العظمي الأصلي، وإعادة بناء العظام الفردية، ووضع الحدود في المواقع المثلى بناء على شدة الصورة. لإعداد بيانات التدريب لنموذج التعلم العميق، اختر 20 مجموعة بيانات من النوع البري تمثل 40 خلفا خلفية بتوزيع جنسي متوازن وأعمار تتراوح بين 2 إلى 6 أشهر.

استخرج ستة أحجام فرعية من كل مجموعة بيانات مع ثلاثة أحجام فرعية لكل مؤخرة. استخدم أحجام صوت فرعية بحجم 200 × 200 × 200 فوكسل لتغطية مناطق الكاحل، والأصابع، والمناطق الخلفية الممثلة. قم بتكوين بنية U-Net ثلاثية الأبعاد مع عمود فقري ل ResNet-18.

تحسين النموذج باستخدام خوارزمية آدم بمعدل تعلم ابتدائي 0.0001 وأوزان مهيأة عشوائيا. درب النموذج باستخدام دالة فقدان النرد وراقب أداء التحقق باستخدام مقياس التقاطع فوق الاتحاد. استخدام التعلم العميق لتحديد مساحات المفاصل في مجموعات بيانات الميكرو-CT مكن من فصل واضح ومتسق لعظام الكف الخلفية الفردية.

من خلال التركيز على الفضاء السالب حول المفصل، حدد النموذج حدود العظام بدقة حتى في المناطق المكتظة بالكثافة. مقارنة بسير العمل شبه الآلي الذي حقق دقة تقارب 80٪، حقق نهج التعلم العميق تحسنا ملحوظا للفئران البرية، حيث وصل إلى دقة تتراوح بين 98-99٪ مع تصحيح يدوي ضئيل. في عامل نخر الورم أو الفئران المعدلة وراثيا TNF، حافظت طريقة التعلم العميق على أداء عال رغم مرض التآكل الالتهابي التدريجي، بدقة تبلغ حوالي 98٪ خلال مراحل تقدم المرض المبكرة.

على الرغم من أن النموذج تم تدريبه حصريا على الأقدام الخلفية، إلا أنه يمكن تطبيقه مباشرة على الأقدام الأمامية دون إعادة تدريب للحصول على تقسيمات متماسكة تشريحيا، مما يدل على تعميم قوي على البنى المعقدة. وجد أن تطور مرض التآكل الشديد وتدمير المفاصل قد تسارع في مخالب الأنثى المعدلة وراثيا في الأقدام الأمامية المعدلة وراثيا. يحسن بروتوكولنا دقة التقسيم والأتمتة، مع السماح بالتصحيحات اليدوية وتحسين الأداء المستمر من خلال إضافة تعليقات خبيرة.

تهدف أبحاثنا المستقبلية إلى دمج هياكل فريدة متعددة ونماذج مرضية وخوارزميات آلية لمواصلة تعزيز المرونة والتطبيق.