Automatisierte Gelenkraumerkennung verbessert die Genauigkeit der Knochensegmentierung

Jüngste Hochdurchsatz-Bildverarbeitungsalgorithmen haben zahlreiche Goldstandard-Knochensegmentierungen komplexer Gelenke bereitgestellt, die das Potenzial haben, Deep-Learning-Modelle zu trainieren. Die aktuelle Herausforderung ist die begrenzte Fähigkeit, frühere Segmentierungsstrategien in zukünftigen Experimenten mit strukturspezifischen Algorithmen und bedeutenden manuellen Korrekturprozessen anzuwenden. Wir gehen auf den Bedarf an reproduzierbarer automatisierter Bildanalyse ein, die eine quantitative Bewertung der Knochengesundheit und des Fortschreitens der Arthrose ermöglicht und gleichzeitig manuelle Arbeit und Lebensfähigkeit minimiert.

Zu Beginn betrachten Sie den Mikro-Computertomographie-Datensatz, um festzustellen, dass Knochen und Weichgewebe klar unterscheidbar sind. Inspizieren Sie Bereiche, in denen benachbarte Knochen eng gepackt sind, um Bereiche zu identifizieren, in denen die Bildauflösung und minimale Lücken ihre Grenzen schwer zu erkennen machen. Beachten Sie die Basislinie, bei der die überwachte, wassereinzugsgebirgsbasierte Segmentierungsmethode eine Gesamtgenauigkeit von etwa 80 % liefert. Um die Segmentierungsgenauigkeit zu verbessern, wenden Sie einen aktualisierten Workflow an, der ein vortrainiertes Deep-Learning-Joint-Space-Prädiktionsmodell mit einem vorgefertigten Bildverarbeitungs- und Wasserscheidsbasierten Knochentrennungsrezept in der Amira-Softwareumgebung kombiniert.

Laden Sie den Mikro-Computertomographie-Datensatz in Amira. Verbinden Sie das Deep-Learning-Vorhersagemodul. Wählen Sie das trainierte Modell aus und drücken Sie Anwenden, um eine anfängliche Segmentierung des gemeinsamen Raums zu erzeugen.

Dann lade das Rezept im Image-Rezept-Player-Modul. Verbinden Sie den Mikro-Computertomographie-Datensatz mit der vorläufigen Gelenksegmentierung und wenden Sie das Rezept an, um die endgültige Segmentierung mit vollständig individualisierten Knochen zu erzeugen. Bewerten Sie schließlich das resultierende Ergebnis, indem Sie die Farbkarte auf Labels 256 anpassen und orthogonale Schnitte sowie Volumendarstellungen inspizieren, um die erfolgreiche Trennung einzelner Knochen entlang der Hinterpfote zu bestätigen.

Um das Bildbearbeitungsrezept zu inspizieren oder zu bearbeiten, öffnen Sie den Bildrezept-Arbeitsraum in Amira und laden Sie das Knochentrennungsrezept. Verbinden Sie die erforderlichen Eingabedaten und passen Sie die Parameter im Eigenschaften-Fenster an, um den Workflow für den aktuellen Datensatz anzupassen. Um die Workflow-Struktur zu überprüfen, visualisiere sequentiell die durch das Rezept erzeugten Zwischenausgaben und wende dann eine mathematische morphologische Black-Top-Hat-Methode an, die durch Schließen, arithmetische Subtraktion und Schwellenwerte implementiert wird, und nutze diesen Schritt, um Voxel zu betonen, die dunkler sind als ihre Umgebung und den Gelenkregionen entsprechen.

Um die Spezifität zu verbessern, wenden Sie den Structure Enhancement-Filter an, um dunkle, dünne, planare Strukturen, die den Fugenräumen entsprechen, zu verstärken. Verstärkt die Gelenkkontinuität weiter durch Anwendung des Membrane Enhancement Filters, der eine Tensorabstimmungsstufe enthält. Anschließend wird die von einem konvolutionellen neuronalen Netzwerk erzeugte Gelenkmaske integriert, das darauf trainiert ist, den periartikulären negativen Raum zu identifizieren, mit den Ergebnissen der vorherigen Bildverarbeitungsfilter, um eine endgültige Gelenkmaske zu erzeugen.

Um die Knochentrennung abzuschließen, entziehen Sie die letzte Gelenkmaske von der Knochenmaske und behandeln Sie jede verbleibende verbundene Komponente als Marker für einen einzelnen Knochen. Wenden Sie den Wasserscheide-Algorithmus an, um jeden Marker innerhalb der ursprünglichen Knochenmaske wachsen zu lassen, einzelne Knochen zu rekonstruieren und Grenzen an optimalen Positionen basierend auf Bildintensitäten zu setzen. Um Trainingsdaten für das Deep-Learning-Modell vorzubereiten, wählen Sie 20 Wildtyp-Datensätze aus, die 40 Hinterpfoten mit ausgewogener Geschlechtsverteilung und Alter von 2 bis 6 Monaten repräsentieren.

Aus jedem Datensatz werden sechs Teilvolumina extrahiert, jeweils drei Untervolumen pro Hinterpfote. Verwenden Sie Untervolumen von 200 x 200 x 200 Voxeln, um Knöchelregionen, Finger und repräsentative Hintergrundbereiche abzudecken. Konfigurieren Sie eine dreidimensionale U-Net-Architektur mit einem ResNet-18-Backbone.

Optimieren Sie das Modell mit dem Adam-Algorithmus mit einer anfänglichen Lernrate von 0,0001 und zufällig initialisierten Gewichten. Trainieren Sie das Modell mit der Dice-Loss-Funktion und überwachen Sie die Validierungsleistung anhand der Intersection-over-Union-Metrik. Durch die Verwendung von Deep Learning konnte man Gelenkräume in Mikro-CT-Datensätzen identifizieren, die eine klare und konsistente Trennung einzelner Hinterpfotenknochen ermöglichte.

Durch die Fokussierung auf den periartikulären Negativraum konnte das Modell Knochengrenzen selbst in dicht gepackten Bereichen genau abgrenzen. Im Vergleich zum halbautomatisierten Workflow, der etwa 80 % Genauigkeit erreichte, brachte der Deep-Learning-Ansatz für Wildtyp-Mäuse eine deutliche Verbesserung und erreichte 98–99 % Genauigkeit mit minimaler manueller Korrektur. Bei Tumornekrosefaktor- oder TNF-transgenen Mäusen behielt die Deep-Learning-Methode trotz fortschreitender entzündlicher Erosionserkrankung eine hohe Leistung, mit einer Genauigkeit von etwa 98 % während der frühen Krankheitsprogressionsphasen.

Obwohl das Modell ausschließlich an Hinterpfoten trainiert wurde, konnte es direkt auf Vorderpfoten angewendet werden, ohne neu trainiert zu werden, um anatomisch kohärente Segmentierungen zu erhalten, was eine starke Verallgemeinerung auf komplexe Strukturen zeigt. Es wurde festgestellt, dass das Fortschreiten schwerer erosiver Erkrankungen und der Gelenkzerstörung bei TNF-transgenen weiblichen Vorderpfoten beschleunigt wurde. Unser Protokoll verbessert die Segmentierungsgenauigkeit und Automatisierung und ermöglicht gleichzeitig manuelle Korrekturen und kontinuierliche Leistungssteigerungen durch zusätzliche Expertenannotationen.

Unsere zukünftige Forschung zielt darauf ab, mehrere einzigartige Strukturen, Krankheitsmodelle und automatisierte Algorithmen zu integrieren, um die Flexibilität und Anwendung weiter zu verbessern.