Automatisierte Gelenkraumerkennung verbessert die Genauigkeit der Knochensegmentierung
28. November 2025
Die Entwicklung eines automatisierten Workflows zur Erkennung von Gelenkräumen ermöglichte eine Hochdurchsatzsegmentierung der unterschiedlichen Maus-Hinterpfotenknochen mit >98 % Genauigkeit bei Wildtyp-Tieren. Eine flexible Anwendung auf Vorderpfoten und Pfoten mit entzündlich-erosiver Arthritis wurde erreicht, jedoch mit einer veralteten Leistung, die eine weitere Optimierung in zukünftigen Studien mit öffentlich verfügbaren Daten rechtfertigt.
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.
Übersicht
Diese Studie stellt einen automatisierten Workflow zur Gelenkspalt-Erkennung vor, der eine Hochdurchsatz-Segmentierung der Hinterpfotenknochen von Mäusen mit einer Genauigkeit von über 98 % ermöglicht. Die Methode ist anpassbar für die Verwendung an Vorderpfoten und an Pfoten, die von einer entzündlich-erosiven Arthritis betroffen sind, obwohl die Leistungsfähigkeit möglicherweise einer weiteren Optimierung bedarf.
Wesentliche Studienkomponenten
Bereich der Wissenschaft
- Neurowissenschaften
- Bildverarbeitung
- Knochengesundheitsbeurteilung
Hintergrund
- Algorithmen für die Hochdurchsatz-Bildverarbeitung haben die Knochensegmentierung verbessert.
- Bisherige Segmentierungsstrategien stehen vor Herausforderungen hinsichtlich Reproduzierbarkeit und manueller Korrektur.
- Für die quantitative Beurteilung der Knochengesundheit ist eine automatisierte Bildanalyse erforderlich.
- Mikrocomputertomographiedatensätze können Knochen- und Weichgewebe effektiv unterscheiden.
Zweck der Studie
- Entwicklung eines reproduzierbaren, automatisierten Workflows für die Bildanalyse.
- Möglichmachung einer quantitativen Beurteilung der Knochengesundheit und des Fortschritts einer Osteoarthritis.
- Minimierung des manuellen Arbeitsaufwands bei Bildsegmentierungsverfahren.
Verwendete Methoden
- Nutzung einer überwachten, auf der Wasserscheidentransformation basierenden Segmentierungsmethode.
- Anwendung eines vortrainierten Deep-Learning-Modells zur Gelenkspaltvorhersage.
- Integration mit der Amira-Software zur Bildverarbeitung.
- Bewertung der Verbesserungen bei der Segmentierungsgenauigkeit.
Hauptergebnisse
- Erreichte eine Genauigkeit von über 98 % bei der Segmentierung der Knochen der Hinterpfoten.
- Identifizierte Grenzen der Segmentierungsgenauigkeit bei Pfoten mit Arthritis.
- Zeigte die Wirksamkeit der Kombination von Deep Learning mit herkömmlichen Methoden auf.
- Stellte Bereiche für zukünftige Optimierungen in den Segmentierungs-Workflows heraus.
Schlussfolgerungen
- Der automatisierte Workflow verbessert die Genauigkeit der Knochensegmentierung erheblich.
- Für Anwendungen bei entzündlichen Zuständen ist eine weitere Optimierung erforderlich.
- Dieser Ansatz kann eine bessere Beurteilung des Fortschreitens der Osteoarthritis ermöglichen.
Häufig gestellte Fragen
Ausschlaggebende Bedeutung für die Industrie
Die automatisierte Gelenkspalt-Erkennung mithilfe von Deep Learning verbessert die quantitative Knochensegmentierung erheblich und reduziert den manuellen Arbeitsaufwand sowie die interindividuelle Variabilität in präklinischen Bildgebungsstudien. Diese Fähigkeit erhöht das Vorhersagevertrauen in Modellen zur Knochengesundheit und Krankheitsprogression und unterstützt eine robuste Target-Validierung sowie translationsmedizinische Forschung in muskuloskelettalen und entzündlichen Krankheitspfaden. Eine verbesserte Segmentierungsgenauigkeit in frühen Entdeckungs- und präklinischen Phasen ermöglicht zuverlässigere phänotypische Screenings und risikoadjustierte Portfolioentscheidungen.
Strategische Anwendungen in der Biopharma-Forschung und -Entwicklung
Frühe Entdeckung und Zielvalidierung
- Ermöglicht eine reproduzierbare, quantitative Beurteilung der Knochenstruktur zur Hypothesenprüfung in Krankheitsmodellen.
- Reduziert die Variabilität manueller Segmentierungen und unterstützt die funktionelle Zielvalidierung in der Forschung zu Osteoarthritis und entzündlichen Arthrosen.
- Verbessert die mechanistische Entwicklungsrisikominimierung durch hochpräzise anatomische Abgrenzung in komplexen Gelenkregionen.
Screening und Assay-Entwicklung
- Bereitet validierte, hochauflösende Knochensegmentierungen für nachgeschaltete phänotypische Screening-Workflows vor.
- Standardisiert Segmentierungsergebnisse und verbessert dadurch die Reproduzierbarkeit und Skalierbarkeit über Studien und Teams hinweg.
- Erleichtert zuverlässige quantitative Auswertungen für die Beurteilung von Substanzen in Modellen von Knochen- und Gelenkerkrankungen.
Translationale und präklinische Forschung
- Stellt die Segmentierungsgenauigkeit auf krankheitsrelevante Endpunkte ab und unterstützt so die translationale Biomarkerentwicklung.
- Gewährleistet Kontinuität von der Entdeckung bis zur präklinischen Validierung, indem eine konsistente anatomische Quantifizierung ermöglicht wird.
- Ermöglicht risikoadjustierte Entscheidungen über die Weiterentwicklung, indem Krankheitsprogression und therapeutische Wirkung quantifiziert werden.
Pipeline- und Workflow-Integration
Dieser automatisierte Segmentierungsworkflow ist in den Fortschritt von der Entdeckung bis zur präklinischen Phase integriert, von der frühen Hypothesenprüfung bis zur Identifizierung von Leitstrukturen und translationsmedizinischen Forschung.
- Entdeckungsbioanalytik: Unterstützt robuste Nullhypothesentests und die Klärung von Signalwegen in Modellen von Knochen- und Gelenkerkrankungen.
- Screening: Liefert reproduzierbare, quantitative Segmentierungsergebnisse für die Assay-Entwicklung und die Wirkstoffprüfung.
- Analytik: Bietet hochpräzise Messungen und statistische Auswertungen für den Vergleich zwischen verschiedenen Bedingungen.
- Translationale Forschung: Ermöglicht die Abstimmung mit krankheitsrelevanten Biomarkern und präklinischen Endpunkten.
- Unternehmensweite Wiederverwendung: Bietet eine skalierbare und anpassbare Segmentierungsfunktion für vielfältige anatomische und krankheitsbezogene Kontexte.
Operative und unternehmerische Auswirkungen
- Wissenschaftlicher Wert: Erhöht die Vorhersagesicherheit und verringert mechanistische Mehrdeutigkeiten bei der Knochensegmentierung.
- Operationaler Wert: Standardisiert und automatisiert die Segmentierung, wodurch manueller Aufwand und Variabilität minimiert werden.
- Strategischer Wert: Verbessert die Qualität von Go/No-Go-Entscheidungen und die Kapitalnutzungseffizienz, indem zuverlässige quantitative Ergebnisse ermöglicht werden.
- Portfolio-Wirkung: Unterstützt die risikoadjustierte Priorisierung und Weiterentwicklung von Programmen zu muskuloskelettalen und entzündlichen Erkrankungen.
Durchführungsaspekte
- Erfordert Fachkenntnisse in der Schulung von Deep-Learning-Modellen und in Workflows zur Bildanalyse.
- Hängt vom Zugang zu hochauflösenden Mikro-CT-Aufnahmen und kompatibler Analyseinfrastruktur ab.
- Erfordert die Standardisierung von Segmentierungsprotokollen und Validierungskriterien über Teamgrenzen hinweg.
- Kann eine Anpassung für neuartige anatomische Strukturen oder fortgeschrittene Krankheitszustände erfordern, bei denen die Genauigkeit abnimmt.
- Die Leistung kann bei schweren Erkrankungen oder Datensätzen außerhalb des Trainings abnehmen, was eine kontinuierliche Weiterentwicklung des Modells notwendig macht.
