La detección automatizada del espacio articular mejora la precisión de la segmentación ósea

Los algoritmos recientes de procesamiento de imágenes de alto rendimiento han proporcionado numerosas segmentaciones óseas estándar de oro de articulaciones complejas con potencial para entrenar modelos de aprendizaje profundo. El desafío actual es la capacidad limitada para utilizar estrategias de segmentación previas en futuros experimentos, dado algoritmos específicos de estructura y procesos manuales correctivos significativos. Abordamos la necesidad de un análisis automatizado de imágenes reproducibles que permita una evaluación cuantitativa de la salud ósea y la progresión de la osteoartritis, minimizando el trabajo manual y la viabilidad.

Para empezar, consulta el conjunto de datos de microtomografía computarizada para observar que hueso y tejido blando son claramente distinguibles. Inspecciona las regiones donde los huesos adyacentes están muy compactos para identificar áreas donde la resolución limitada de la imagen y los huecos mínimos dificultan la detección de sus límites. Observa la línea base donde el método de segmentación supervisado basado en cuencas hidrográficas produce una precisión global de aproximadamente el 80%. Para mejorar la precisión de segmentación, aplica un flujo de trabajo actualizado que combine un modelo preentrenado de predicción conjunta de aprendizaje profundo con una receta preconstruida de procesamiento de imágenes y separación ósea basada en cuencas hidrográficas en el entorno de software Amira.

Carga el conjunto de datos de microtomografía computarizada en Amira. Conecta el módulo de predicción de aprendizaje profundo. Selecciona el modelo entrenado y pulsa Aplicar para generar una segmentación inicial en el espacio conjunto.

Luego carga la receta en el módulo de reproductor de recetas de imagen. Conecta el conjunto de datos de microtomografía computarizada y la segmentación articular preliminar, y aplica la receta para producir la segmentación final con huesos totalmente individualizados. Finalmente, evalúa la salida resultante ajustando el mapa de colores a las etiquetas 256 e inspeccionando cortes ortogonales y representaciones de volumen para confirmar la separación exitosa de los huesos individuales a lo largo de la pata trasera.

Para inspeccionar o editar la receta de procesamiento de imágenes, abre la sala de trabajo de recetas de imagen en Amira y carga la receta de separación ósea. Conecta los datos de entrada necesarios y ajusta los parámetros en la ventana de Propiedades para personalizar el flujo de trabajo del conjunto de datos actual. Para revisar la estructura del flujo de trabajo, visualiza secuencialmente las salidas intermedias generadas por la receta, luego aplica un método matemático de morfología black top-hat implementado mediante cierre, resta aritmética y umbral, y utiliza este paso para enfatizar vóxeles más oscuros que su entorno y que corresponden a regiones conjuntas.

Para mejorar la especificidad, aplica el filtro de Mejora de Estructura para realzar estructuras planas oscuras y delgadas correspondientes a espacios articulares. Refuerza aún más la continuidad de la articulación aplicando el filtro de Mejora de Membrana, que incorpora una etapa de votación tensorial. Luego, integra la máscara articular generada por una red neuronal convolucional entrenada para identificar el espacio negativo periarticular con los resultados de los filtros de procesamiento de imagen previos para generar una máscara articular final.

Para completar la separación ósea, se resta la última máscara articular de la máscara ósea y se trata cada componente conectado restante como marcador de un hueso individual. Aplica el algoritmo de cuenca para hacer crecer cada marcador dentro de la máscara ósea original, reconstruyendo huesos individuales y colocando límites en posiciones óptimas basándose en la intensidad de la imagen. Para preparar los datos de entrenamiento para el modelo de aprendizaje profundo, selecciona 20 conjuntos de datos de tipo salvaje que representan a 40 patas traseras con distribución equilibrada por sexo y edades que van de 2 a 6 meses.

Extrae seis subvolúmenes de cada conjunto de datos con tres subvolúmenes por parte trasera. Utiliza subvolúmenes de 200 x 200 x 200 vóxeles para cubrir regiones de tobillo, dígitos y áreas representativas de fondo. Configura una arquitectura U-Net tridimensional con una red troncal ResNet-18.

Optimiza el modelo usando el algoritmo Adam con una tasa de aprendizaje inicial de 0,0001 y pesos inicializados aleatoriamente. Entrena el modelo usando la función de pérdida de dados y monitoriza el rendimiento de validación usando la métrica de intersección sobre unión. El uso de aprendizaje profundo para identificar espacios articulares en conjuntos de datos micro-CT permitió una separación clara y consistente de los huesos individuales de la pata trasera.

Al centrarse en el espacio negativo periarticular, el modelo delimitó con precisión los límites óseos incluso en regiones densamente agrupadas. En comparación con el flujo de trabajo semi-automatizado, que alcanzó alrededor del 80% de precisión, el enfoque de aprendizaje profundo supuso una mejora notable para ratones de tipo salvaje, alcanzando una precisión del 98-99% con una corrección manual mínima. En ratones transgénicos de factor tumoral o TNF, el método de aprendizaje profundo mantuvo un alto rendimiento a pesar de la enfermedad inflamatoria erosiva progresiva, con una precisión de alrededor del 98% durante las primeras etapas de progresión de la enfermedad.

Aunque el modelo se entrenó exclusivamente en las patas traseras, podía aplicarse directamente a las patas delanteras sin reentrenamiento para obtener segmentaciones anatómicamente coherentes, demostrando una fuerte generalización a estructuras complejas. Se encontró que la progresión de la grave enfermedad erosiva y la destrucción articular se aceleró en las patas delanteras de las hembras transgénicas con TNF. Nuestro protocolo mejora la precisión y automatización de la segmentación, permitiendo correcciones manuales y mejoras continuas de rendimiento mediante anotaciones expertas adicionales.

Nuestra investigación futura pretende incorporar múltiples estructuras y modelos únicos de enfermedades, así como algoritmos automatizados, para seguir mejorando la flexibilidad y la aplicación.