自动化关节间隙检测可提高骨分割的准确性

近年来，高通量图像处理算法已提供了大量复杂关节的金标准骨分割结果，这些结果有望用于训练深度学习模型。当前面临的挑战在于，由于现有算法往往针对特定结构且依赖大量人工校正过程，难以在后续实验中有效利用先前的分割策略。我们致力于解决可重复的自动化图像分析需求，以实现对骨骼健康状况和骨关节炎进展的定量评估，同时最大限度地减少人工干预和提高可行性。

首先，查看显微计算机断层扫描数据集，观察骨组织与软组织是否可清晰区分。检查相邻骨骼紧密排列的区域，识别因图像分辨率有限且间隙极小而导致边界难以检测的部位。注意到基于监督式分水岭的分割方法在此处的基线准确率约为 80%。为提高分割准确性，应用一种改进的工作流程，在 Amira 软件环境中，将预训练的深度学习关节间隙预测模型与预构建的图像处理及基于分水岭的骨骼分离方案相结合。

将微计算机断层扫描数据集载入 Amira。连接深度学习预测模块。选择已训练好的模型，然后点击应用以生成初始的关节间隙分割结果。

然后在图像配方播放器模块中加载该配方。连接微型计算机断层扫描数据集和初步的关节分割结果，应用该配方以生成最终分割结果，获得完全个体化的骨骼。最后，通过将颜色映射调整为标签256，并检查正交切片和体渲染图像，评估输出结果，确认后肢足部所有骨骼均成功分离。

要检查或编辑图像处理流程，请在 Amira 中打开图像流程工作区并加载骨分割流程。连接所需的输入数据，并在属性窗口中调整参数，以针对当前数据集定制工作流程。为查看工作流程结构，可依次可视化该流程生成的中间输出结果，然后应用通过闭运算、算术减法和阈值化实现的数学形态学黑帽方法，并利用此步骤突出显示比周围区域更暗且对应于关节区域的体素。

为提高特异性，应用结构增强滤波器以增强对应于关节间隙的深色、细薄平面结构。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。随后，将由卷积神经网络生成的关节掩膜（该网络经训练用于识别关节周围负空间）与前述图像处理滤波器的结果进行整合，以生成最终的关节掩膜。

为完成骨骼分离，将最终的关节掩膜从骨骼掩膜中减去，并将每个剩余的连通区域视为单个骨骼的标记。应用分水岭算法，在原始骨骼掩膜内使每个标记生长，基于图像强度在最佳位置重建单个骨骼并划分边界。为深度学习模型准备训练数据时，选择20个野生型数据集，共代表40只后肢足，性别分布均衡，年龄范围为2至6个月。

从每个数据集中提取六个子体积，每个后肢足垫提取三个子体积。使用尺寸为 200 × 200 × 200 体素的子体积覆盖踝关节区域、足趾以及具有代表性的背景区域。构建具有 ResNet-18 主干的三维 U-Net 网络结构。

使用初始学习率为 0.0001 且权重随机初始化的 Adam 算法优化模型。采用 dice 损失函数训练模型，并使用交并比指标监测验证集性能。利用深度学习识别微计算机断层扫描（micro-CT）数据集中的关节间隙，实现了小鼠后足各骨的清晰且一致的分割。

通过关注关节周围负性空间，该模型即使在结构密集区域也能准确勾画出骨边界。与准确率约为80%的半自动化流程相比，深度学习方法在野生型小鼠中表现出显著提升，准确率达到98%-99%，且仅需极少的人工校正。在肿瘤坏死因子（TNF）转基因小鼠中，尽管存在进行性炎症性侵蚀性疾病，深度学习方法在疾病早期进展阶段仍保持高性能，准确率约为98%。

尽管该模型仅使用后肢足部数据进行训练，但可直接应用于前肢足部而无需重新训练，即可获得解剖学上连贯的分割结果，显示出对复杂结构具有强大的泛化能力。研究发现，TNF 转基因雌性小鼠前肢足部的严重侵蚀性疾病进展和关节破坏过程加快。我们的方案提高了分割的准确性和自动化程度，同时仍允许通过添加专家标注进行人工校正和持续的性能优化。

我们未来的研究旨在整合多种独特结构、疾病模型和自动化算法，以持续提升系统的灵活性和应用范围。