自动化关节间隙检测提升骨骼分割准确性
November 28th, 2025
自动化关节空间检测工作流程的开发使得野生动物中不同小鼠后爪骨的高通量切割成为可能，准确率达>98%。已实现对前爪和炎症性侵蚀性关节炎的灵活应用，但性能已下降，未来研究需利用公开数据进一步优化。
近期的高通量图像处理算法提供了众多复杂关节的黄金标准骨骼切割，具备训练深度学习模型的潜力。当前挑战在于，鉴于结构特定算法和大量人工纠正过程，未来实验中利用先前分割策略的能力有限。我们满足了对可重复的自动图像分析的需求，能够定量评估骨骼健康和骨关节炎进展，同时最大限度地减少人工劳动和生存能力。
首先，查看微型计算机断层扫描数据集，观察骨骼和软组织的区别。检查相邻骨骼密集的区域，识别图像分辨率有限且缝隙极小导致边界难以探测的区域。请注意监督流域分割方法产生约80%整体准确率的基线。为提高切割准确性，应用更新的工作流程，结合预训练的深度学习关节空间预测模型与预构建的图像处理和基于流域的骨分离配方，运行于Amira软件环境中。
将微型计算机断层扫描数据集加载到Amira中。连接深度学习预测模块。选择训练好的模型并点击应用以生成初始的关节空间分割。
然后在图片配方播放器模块中加载配方。将微型计算机断层扫描数据集与初步关节分割连接起来，应用配方，生成具有完全个性化骨骼的最终分割。最后，通过调整颜色映射到标签256，并检查正交切片和体积渲染，以确认后爪骨骼的成功分离。
要检查或编辑图像处理配方，请在Amira打开图像配方工作间并加载骨分离配方。连接所需的输入数据，并在属性窗口调整参数，以定制当前数据集的工作流程。为了回顾工作流程结构，先依次可视化配方生成的中间输出，然后应用通过闭合、算术减法和阈值法实现的数学形态学黑顶帽法，并用此步骤强调比周围环境更暗且对应关节区域的体素。
为了提高特异性，应用结构增强滤波器来增强对应节理空间的暗色、薄面结构。通过应用膜增强滤波器进一步强化关节连续性，该滤波器包含张量投票阶段。然后，将由训练用于识别关节周围负空间的卷积神经网络生成的关节掩码与之前图像处理滤镜的结果整合，生成最终的关节掩码。
要完成骨骼分离，从骨骼掩体中减去最终的关节遮罩，并将剩余的每个连接部件视为单个骨骼的标记。应用流域算法，在原始骨骼遮罩内扩展每个标记，重建单个骨骼，并根据图像强度将边界置于最佳位置。为准备深度学习模型的训练数据，选择20个野生型数据集，代表40只性别分布均衡、年龄范围为2至6个月的后爪。
从每个数据集中提取六个子卷，每个后爪三个子卷。使用尺寸为200 x 200 x 200体素的子体积来覆盖脚踝区域、指点和代表性的背景区域。配置一个带有ResNet-18骨干网的三维U-Net架构。
使用Adam算法优化模型，初始学习率为0.0001，权重随机初始化。使用骰子丢失函数训练模型，并使用交叉于联合度量监控验证性能。利用深度学习识别微型CT数据集中的关节空间，实现了单个后爪骨的清晰且一致的分离。
通过聚焦关节周围负空间，模型即使在密集区域也能准确划定骨骼边界。与半自动化工作流程约80%的准确率相比，深度学习方法在野生型小鼠中显著提升，准确率达到98-99%，且手动校正极少。在肿瘤坏死因子或TNF转基因小鼠中，深度学习方法在疾病进展早期阶段保持高效能，准确率约为98%。
尽管该模型仅在后爪上训练，但可直接应用于前爪，无需重新训练即可获得解剖学上连贯的分段，展现出对复杂结构的强有力推广性。研究发现，TNF转基因雌性前爪的严重侵蚀性疾病和关节破坏进展加速。我们的协议提高了分割的准确性和自动化，同时仍允许通过添加专家注释实现人工修正和持续性能提升。
我们的未来研究旨在整合多种独特结构、疾病模型和自动化算法，以持续提升灵活性和应用性。
概述
本研究提出了一个自动化的关节间隙检测工作流程，能够以超过98%的准确度实现小鼠后爪骨骼的高通量分割。该方法适用于前爪和受炎症侵蚀性关节炎影响的爪子，尽管性能可能需要进一步优化。
研究的主要组成部分
科学领域
- 神经科学
- 图像处理
- 骨骼健康评估
背景
- 高通量图像处理算法改进了骨骼分割。
- 之前的分割策略在可重复性和手动校正方面面临挑战。
- 自动化图像分析对于定量骨骼健康评估是必需的。
- 微型计算机断层扫描数据集可以有效区分骨骼和软组织。
研究目的
- 开发一个可重复的自动化图像分析工作流程。
- 实现骨骼健康和骨关节炎进展的定量评估。
- 尽量减少图像分割过程中的人工劳动。
使用的方法
- 利用监督的基于分水岭的分割方法。
- 应用预训练的深度学习关节间隙预测模型。
- 与Amira软件集成以进行图像处理。
- 评估分割精度的提升。
主要结果
- 在后爪骨骼分割中实现了超过98%的准确度。
- 确定了关节炎爪子分割性能的局限性。
- 展示了深度学习与传统方法相结合的有效性。
- 突出了分割工作流程未来优化的方向。
结论
- 自动化工作流程显著提高了骨骼分割的准确度。
- 需要进一步优化以应用于炎症性疾病。
- 该方法可以促进更好地评估骨关节炎的进展。
常见问题
Executive Industry Relevance
Automated joint space detection using deep learning significantly advances quantitative bone segmentation, reducing manual labor and interobserver variability in preclinical imaging studies. This capability enhances predictive confidence in bone health and disease progression models, supporting robust target validation and translational research in musculoskeletal and inflammatory disease pipelines. Improved segmentation accuracy at early discovery and preclinical stages enables more reliable phenotypic screening and risk-adjusted portfolio decisions.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables reproducible, quantitative assessment of bone structure for hypothesis testing in disease models.
- Reduces manual segmentation variability, supporting functional target validation in osteoarthritis and inflammatory arthritis research.
- Improves mechanistic de-risking by providing high-fidelity anatomical delineation in complex joint regions.
Screening & Assay Development
- Prepares validated, high-resolution bone segmentations for downstream phenotypic screening workflows.
- Standardizes segmentation outputs, enhancing reproducibility and scalability across studies and teams.
- Facilitates reliable quantitative readouts for compound evaluation in bone and joint disease models.
Translational & Preclinical Research
- Aligns segmentation accuracy with disease-relevant endpoints, supporting translational biomarker development.
- Maintains continuity from discovery through preclinical validation by enabling consistent anatomical quantification.
- Supports risk-adjusted advancement decisions by quantifying disease progression and therapeutic impact.
Pipeline & Workflow Integration
This automated segmentation workflow integrates into the discovery-to-preclinical continuum, from early hypothesis testing to lead identification and translational research.
- Discovery Biology: Supports robust null hypothesis testing and pathway clarification in bone and joint disease models.
- Screening: Delivers reproducible, quantitative segmentation outputs for assay development and compound screening.
- Analytics: Provides high-accuracy measurements and statistical outputs for cross-condition comparisons.
- Translational Research: Enables alignment with disease-relevant biomarkers and preclinical endpoints.
- Enterprise Reuse: Offers a scalable, adaptable segmentation capability for diverse anatomical and disease contexts.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in bone segmentation.
- Operational Value: Standardizes and automates segmentation, minimizing manual intervention and variability.
- Strategic Value: Improves go/no-go decision quality and capital efficiency by enabling reliable quantitative outputs.
- Portfolio Impact: Supports risk-adjusted prioritization and advancement of musculoskeletal and inflammatory disease programs.
Implementation Considerations
- Requires expertise in deep learning model training and image analysis workflows.
- Depends on access to high-resolution micro-CT imaging and compatible analytical infrastructure.
- Necessitates cross-team standardization of segmentation protocols and validation criteria.
- May require adaptation for novel anatomical structures or advanced disease states with degraded accuracy.
- Performance may decline in severe disease or non-training datasets, necessitating ongoing model refinement.
