24. Juni 2025
Wir stellen eine Methode zur Analyse einer benutzerdefinierten Region of Interest (ROI) in einem longitudinalen in vivo Ratten-Radialdefektmodell vor. Diese Methode ermöglicht eine vergleichende Analyse zwischen verschiedenen Gerüsten, die zuvor durch Schwankungen des Sichtfelds des Scans mit Mikrocomputertomographie (μCT), der Probenorientierung und der Basislinienpräsenz des Gerüsts begrenzt waren.
Wir haben Nanopartikel-Gerüste entwickelt, um die Knochenregeneration bei Defekten kritischer Größe zu verbessern und die Heilungsraten im Vergleich zu herkömmlichen Gerüsten zu verbessern.
Aktuelle Methoden verfolgen oft Veränderungen des Knochenvolumens über ganze Knochen, da es an Präzision mangelt und lokalisierte Regionen in Längsschnittmodellen konsistent identifiziert werden. Unser Protokoll ermöglicht eine konsistente lokalisierte Verfolgung der Region of Interest in Festmodellen, verbessert die Präzision und Längsschnittanalyse und vergleicht sie mit der vollständigen Knochenvolumenbewertung.
Diese Erkenntnisse werden es uns ermöglichen, die Knochenregeneration im Laufe der Zeit genauer zu quantifizieren und die potenziellen translationalen Auswirkungen unserer Arbeit effektiver zu kommunizieren.
[Dozent] Öffnen Sie zunächst den extrahierten Radius-Bone aus dem Vergleichsdatensatz und klicken Sie mit der rechten Maustaste darauf. Suchen Sie dann nach dem Bildregistrierungsassistenten und wählen Sie ihn aus. Legen Sie im Abschnitt "Eigenschaften" Daten auf das Vergleichsdataset für den extrahierten Radius-Bone fest, und verweisen Sie auf das ursprüngliche Zeitpunkt-Dataset für den extrahierten Radius-Bone. Klicken Sie im Aktionsbereich des Bildregistrierungsassistenten auf Überspringen für Schritt eins von vier. Verwenden Sie für die Schritte zwei und drei von vier den Interaktionscursor, um das Registerkartenfeld an den gemeinsamen Bereich zwischen den Datensätzen anzupassen, und klicken Sie nach jedem Schritt auf Unter Aktion anwenden. Legen Sie in Schritt vier von vier die Metrik auf Korrelation, die Transformation auf starr und die Vorausrichtung auf die Ausrichtung der Hauptachsen fest, und klicken Sie unter Aktion auf Anwenden. Klicken Sie nach dem Ausrichten der Datensätze mit der rechten Maustaste auf das Dataset der Vergleichswoche für den extrahierten Radius-Bone, suchen Sie nach dem transformierten Bild und wählen Sie es aus. Legen Sie im Abschnitt "Eigenschaften" die Daten auf das Dataset der Vergleichswoche für den extrahierten Radius-Bone, die Interpolation auf den nächsten Nachbarn, den Modus auf "Erweitert", "Auf Voxelgröße beibehalten" und den Abstandswert auf Null fest, und klicken Sie dann auf "Anwenden". Ein neues transformiertes Dataset wird generiert. Klicken Sie auf diese Option, um das Ortho-Slice für den anfänglichen Zeitpunkt zu aktivieren und die Daten auf das anfängliche Zeitpunkt-Dataset für den extrahierten Radius festzulegen. Legen Sie die Ausrichtung so fest, dass die Ebene einen Querschnitt durch den Radius-Knochen ergibt. Passen Sie mit dem Schieberegler für die Schichtnummer im Abschnitt "Eigenschaften" die Schichtnummer an, um die proximalen und distalen Schichten zu identifizieren, die den Defekt mit kritischer Größe umgeben. Bestimmen und dokumentieren Sie die Schnittzahl, an der die Fraktur an beiden Enden auf die Diaphyse des Radiusknochens trifft. Aktivieren Sie das Ortho-Slice für die Vergleichswoche, und legen Sie die Daten auf das ursprüngliche Zeitpunkt-Dataset für den extrahierten Radius fest. Passen Sie dann die Ausrichtung so an, dass die Ebene einen Querschnitt durch den Radius-Knochen ergibt. Verwenden Sie den Schieberegler für die Schichtnummer im Abschnitt "Eigenschaften" mit den anfänglichen Zeitpunktdaten, die den distalen orthografischen Slice anzeigen, und richten Sie die Slice-Nummer der Vergleichswoche so aus, dass sie mit der distalen Scheibe des ursprünglichen Zeitpunkts übereinstimmt. Notieren Sie sich die Schichtnummer für die Datensätze der Vergleichswoche: distale Schicht und Wiederholung für die proximale Schnitte. Klicken Sie auf den Anfangszeitpunkt für den extrahierten Radius und klicken Sie im Abschnitt "Eigenschaften" auf das Zuschneideeditor-Werkzeug. Geben Sie im Popup-Fenster des Zuschneideeditors die minimalen und maximalen Werte in die Felder X, Y oder Z ein. Beobachten Sie das Anzeigefenster, während sich der Interessenbereich anpasst, und klicken Sie dann auf OK, um das Dataset zuzuschneiden. Wiederholen Sie den Zuschneidevorgang für das Dataset der Vergleichswoche. Um das Volumen des ursprünglichen Zeitpunktdatensatzes zu bestimmen, klicken Sie mit der rechten Maustaste auf den transformierten Anfangszeitpunktdatensatz für den extrahierten Radius, suchen Sie nach Materialstatistiken und wählen Sie ihn aus. Legen Sie im Eigenschaftenbereich die Daten als transformiertes Dataset zum ersten Zeitpunkt fest, wählen Sie Materialien aus, und klicken Sie auf Anwenden. Klicken Sie auf das neue Materialstatistik-Dataset und dann im Eigenschaftenfenster auf Tabellenkalkulation anzeigen. Klicken Sie auf die Registerkarte Tabellen über dem Fenster, um das Volumen des zugeschnittenen Datasets zum ersten Zeitpunkt anzuzeigen. Wiederholen Sie die Schritte zur Volumenanalyse für das Dataset der Vergleichswoche, und wechseln Sie dann zur Registerkarte Tabellen, um beide Datasets mit separaten Volumenregisterkarten anzuzeigen. Um die Änderung des Knochenvolumens zu visualisieren, klicken Sie mit der rechten Maustaste auf das in die Vergleichswoche transformierte Dataset für den extrahierten Radius, suchen Sie nach Arithmetik und wählen Sie es aus. Legen Sie im Eigenschaftenfenster Eingabe A als transformierten Datensatz der Vergleichswoche fest, Eingabe B als Datensatz zum Anfangszeitpunkt, Eingabe C als keine Quelle, Ergebnistyp als Eingabe A, lassen Sie die Option deaktiviert, setzen Sie Ergebniskanäle wie Eingabe A und setzen Sie Ausdruck auf AB. Klicken Sie auf den resultierenden Datensatz und drücken Sie F2, um die Datei umzubenennen. Klicken Sie dann mit der rechten Maustaste auf dieses Ergebnisdataset, suchen Sie nach Oberfläche generieren, und wählen Sie sie aus. Klicken Sie im Eigenschaftenfenster auf Übernehmen, und klicken Sie im Popup-Fenster auf Weiter, um ein neues Surf-Dataset zu erstellen. Klicken Sie mit der rechten Maustaste auf das Surf-Dataset, suchen Sie nach Oberflächenansicht, und wählen Sie sie aus. Eine Oberflächenansicht des arithmetischen Ergebnisses wird im Ansichtsfenster angezeigt. Um die Farbe der Oberflächenansicht zu ändern, klicken Sie auf die Oberflächenansicht im Projektansichtsfenster. Öffnen Sie im Eigenschaftenfenster das Dropdown-Menü Farben, wählen Sie Konstante, klicken Sie dann auf Farbkarte und weisen Sie eine bevorzugte Farbe zu. Um die Änderung des Knochenvolumens im Datensatz der ersten Woche anzuzeigen, klicken Sie mit der rechten Maustaste auf den transformierten Datensatz, suchen Sie nach der Extraktbeschriftung, und wählen Sie sie aus. Legen Sie im Eigenschaftenbereich Beschriftungen auf das transformierte Dataset fest, beschriften Sie die ID auf zwei, aktivieren Sie die Option In Binärdatei exportieren und klicken Sie dann auf Anwenden, um ein Ergebnisdataset zu generieren. Drücken Sie dann F2, um die Ergebnisdatei umzubenennen. Klicken Sie mit der rechten Maustaste auf das neue Ergebnisdataset, suchen Sie nach Oberfläche generieren, und wählen Sie es aus. Klicken Sie im Eigenschaftenfenster auf Übernehmen, und klicken Sie im Popup-Fenster auf Weiter, um ein neues Surf-Dataset zu erstellen. Klicken Sie anschließend mit der rechten Maustaste auf das neue Surf-Dataset, suchen Sie nach Oberflächenansicht, und wählen Sie es aus. Eine Oberflächenansicht des arithmetischen Ergebnisses wird angezeigt. Um die Farbe dieser Oberflächenansicht zu ändern, klicken Sie auf die Oberflächenansicht im Projektansichtsfenster. Öffnen Sie im Eigenschaftenfenster das Dropdown-Menü Farben, wählen Sie Konstante, klicken Sie dann auf Farbkarte und weisen Sie eine bevorzugte Farbe zu. Es wurden Mikro-CT-Bilder von drei einzigartigen Rattenmodellen untersucht, die jeweils sechs Wochen lang mit einem Polycaprolacton-Gerüst behandelt wurden. Feste Modelle aus Woche null und sechs wurden erfolgreich unter Verwendung gemeinsamer anatomischer Regionen ausgerichtet, was einen direkten Längsschnittvergleich ermöglichte, und es wurde ein zusammengeführtes Modell erstellt, um die Registrierungsgenauigkeit zu bestätigen. Die Subtraktion der interessierenden Region der Woche Null von der interessierenden Region der sechsten Woche ergab ein eindeutiges 3D-Modell der Veränderung des Knochenvolumens innerhalb der Defektstelle. Visuelle Überlagerungen von Knochenvolumenänderungen von Woche null bis Woche sechs zeigten, dass die verschiedenen Polycaprolacton- oder PCL-Gerüstgruppen zu unterschiedlichen Gesamtveränderungen des Knochenvolumens führten. Die Analyse innerhalb jeder PCL-Gruppe blieb jedoch bei allen Benutzern konsistent.
Sehen Sie sich das vollständige Transkript an und erhalten Sie Zugang zu Tausenden wissenschaftlicher Videos
Diese Studie stellt eine Methode zur Analyse benutzerdefinierter Regionen von Interesse (ROIs) in einem longitudinalen in-vivo-Ratten-Strahldefektmodell vor. Die Methode ermöglicht einen vergleichenden Ansatz zwischen verschiedenen Gerüsten und behebt Einschränkungen, die durch Variationen der Parameter der Mikrocomputertomographie (µCT) entstehen.
Die quantitative longitudinale Mikro-CT-Analyse benutzerdefinierter Regionen von Interesse (ROIs) in kritisch großen Knochendefekten ermöglicht eine präzise Verfolgung der lokalisierten Knochenregeneration und unterstützt damit direkt die mechanistische Entlastung von Risiken sowie ein vorhersagbares Vertrauen in frühe Studien zur Knochenreparatur. Diese Fähigkeit adressiert einen entscheidenden Wendepunkt in der präklinischen Scaffold-Evaluation, indem sie eine konsistente und reproduzierbare Messung von Knochenvolumenänderungen innerhalb gezielter anatomischer Stellen erlaubt. Der Ansatz verbessert die Portfolio-Entscheidungsfindung, indem er robuste, vom Benutzer unabhängige Daten für die Beurteilung der Scaffold-Leistung bereitstellt.
Diese auf ROI basierende Mikro-CT-Analysemethode reicht von der frühen Entdeckung bis hin zur präklinischen Scaffold-Evaluierung und unterstützt die Identifizierung von Leitverbindungen sowie die risikoadjustierte Weiterentwicklung.