La détection automatisée de l’espace articulaire améliore la précision de segmentation des os

Summary

Le développement d’un flux de travail automatisé de détection de l’espace articulaire a permis une segmentation à haut débit des os de la patte arrière murine distincts avec une précision de >98 % chez les animaux sauvages. Une application flexible aux pattes avant et pattes atteintes d’arthrite érosive inflammatoire a été obtenue, mais avec des performances dépassées qui justifient une optimisation supplémentaire dans de futures études utilisant des données publiques.

Abstract

La description quantitative des structures anatomiques complexes reste difficile en raison de l’expertise nécessaire à la segmentation manuelle, au travail et à la variabilité entre les observateurs. Pour surmonter cela, la détection automatisée de points de repère spécifiques peut être réalisée par des techniques d’analyse d’images numériques, y compris des modèles d’apprentissage profond (DL). À cette fin, nous avons entrepris une analyse automatisée supervisée des ensembles de données de micro-tomodensitométrie (micro-CT) des pattes arrière et antérieures murines. Au-delà des algorithmes semi-automatisés (SA) basés sur des marqueurs de bassin versant publiés précédemment, nous avons ajouté l’amélioration de la structure, le vote tensoriel et la dilatation de sortie pour identifier les espaces articulaires. La segmentation a été renforcée en utilisant un modèle de prédiction de l’espace articulé DL (architecture 3D U-Net, colonne vertébrale ResNet-18) en utilisant des étiquettes de type sauvage (WT) en arrière-garde comme véritable réalité. La prédiction a été étendue aux pattes arrière et avant chez les souris transgéniques par WT et facteur de nécrose tumorale (TNF-Tg) présentant une arthrite inflammatoire-érosive des deux sexes à travers l’âge. La précision de segmentation s’est considérablement améliorée grâce à la méthodologie DL. La précision a diminué avec l’augmentation de la gravité de la maladie et de l’âge chez les souris TNF-Tg. Les tests ultérieurs sur les pattes avant ont également montré une diminution progressive de la précision avec une gravité arthritique croissante. Dans l’ensemble, ce modèle automatisé supervisé surpasse les approches récentes d’AS dans les articulations saines afin d’améliorer l’étude de l’anatomie osseuse complexe. Bien qu’une application flexible à des ensembles de données nouveaux et modifiés par maladie démontre des performances obsolètes, son utilisation peut néanmoins catalyser le développement de modèles de segmentation spécifiques à la structure.

Introduction

L’analyse d’images de haute qualité améliore non seulement les efforts de recherche, mais a aussi le potentiel d’aider les radiologues cliniciens dans leur recherche de détection et de quantification des changements pathologiques, une tâche essentielle aux soins aux patients. L’analyse d’image est une séquence détaillée de procédures, incluant l’extraction de caractéristiques, la traduction d’une image autrement générique en des étiquettes significatives, et la dérivation de métriques^{quantitatives 1}. Une grande partie de ce processus est guidée par des connaissances préalables, telles que la fixation des structures de seuil basée sur la densité ou la couleur, puis l’application d’algorithmes de traitement d’image en aval (c’est-à-dire dilatation, érosion, lissage, séparation) pour obtenir la segmentation souhaitée. Une fois optimisées, les images segmentées peuvent fournir des entrées pour l’apprentissage automatique^{supervisé 2}, y compris l’apprentissage profond (DL) qui encode et décode des caractéristiques complexes à l’aide de réseaux de neurones,2,3 ce qui améliore la précision et le débit de segmentation des images.

En fait, la mise en œuvre de divers réseaux neuronaux convolutionnels 3D (CNN) a apporté des avancées cruciales dans les algorithmes automatisés de segmentation osseuse pour l’analyse d’images squelettiques, où certains modèles surpassent la segmentation humaine⁴. Bien que les CNN à segmentation 3D fonctionnent à travers des architectures distinctes (c’est-à-dire AlexNet, ResNet, UNet), leurs sorties sont fondamentalement les mêmes, un masque d’image indiquant le volume positif osseux à partir de l’arrière-plan. Ces modèles d’apprentissage profond en analyse d’images musculosquelettiques sont en développement rapide, et le domaine est rapidement passé de la résolution de problèmes simples de détection de fractures^{2D 5} à des problèmes complexes^{multi-articulaires 6} avec la capacité de traiter le bruit arteffactuel ou des caractéristiques anormales dans les ensembles de données. Par exemple, Woo et al. ont remarqué que des anomalies structurelles (c’est-à-dire des lésions de moelle osseuse, des kystes osseux) à l’IRM dégradaient leurs prédictions de segmentation pour le cartilage articulaire des articulations du genou. Ainsi, ils ont développé un modèle de segmentation conscient des anomalies pour identifier d’abord des structures anormales non apparentées, ce qui a considérablement amélioré la segmentation de l’os et du^{cartilage 7}. He et al. ont entraîné 14 modèles distincts, chacun sur un ROI des articulations clés de la main, pour estimer l’âge squelettique, puis ont intégré leurs résultats pour améliorer les prédictions à partir des rayons X de la main, plutôt que d’utiliser toute la structure^{de la main 8}. De même, inclure le contexte dans les modèles, comme les caractéristiques de segmentation régionale et les relations anatomiques globales, a démontré qu’il améliore les prédictions. L’utilisation de CNN multi-régions pour fournir un contexte sur les caractéristiques de segmentation attendues améliore également l’évaluation de la maturité squelettique lors des radiographies manuelles en limitant le problème de classification à des emplacements anatomiquement^{appropriés 9}. D’autres avancées incluent SVTNet avec segmentation osseuse basée sur CNN, suivie d’un traitement supplémentaire par des modèles de transformateurs de vision pour recueillir des informations globales concernant la relation spatiale entre les régions segmentées d’intérêt afin d’estimer des résultats quantitatifs tels que l’âge^{osseux de 10} ans.

Comme le démontrent ces approches de segmentation, l’imagerie de recherche sur l’arthrite se concentre sur l’articulation des surfaces entre deux os ou plus, où les méthodes de séparation osseuse sont essentielles pour une évaluation réussie des processus pathologiques différentiels dans des articulations complexes. Les avancées dans les algorithmes de traitement d’image ont démontré une utilité remarquable pour augmenter le débit analytique des os carpien ou tarsen proches^11,12. Cependant, une adoption limitée due à des imprécisions nécessitant l’intervention des utilisateurs et aux difficultés de traduction vers des structures distinctes souligne la nécessité de mettre en œuvre des flux de travail optimisés. Ces processus en plusieurs étapes peuvent énormément bénéficier d’outils discrets pour l’amélioration de l’image (par exemple, la détection des contours^{osseux 13}). Au-delà des opérations strictement morphologiques, d’autres études ont mis en œuvre des techniques basées sur l’enregistrement tirant parti de la fiabilité et de la cohérence typiques de l’anatomie pour l’identification^{de structures} 14,15,16,17. L’alternative des entrées manuelles pour générer des étiquettes de réalité au sol est coûteuse et fastidieuse, mais peut être tout aussi efficace, où l’utilisation peut être essentielle dans des os complexes et étroitement imbriqués avec des frontières moins discrètes (c’est-à-dire le^{crâne 18}). De même, les approches d’imagerie alternatives avec variabilité multi-couleur/teinte même au sein d’une structure discrète, telles que l’imagerie par résonance magnétique (IRM 19,20,21) ou l’histologie ^{tissulaire 22}, présentent également une complexité qui peut bénéficier d’une segmentation manuelle initiale pour guider les processus automatisés. Ensemble, ces méthodes peuvent offrir des avantages supplémentaires en favorisant une automatisation accrue, où les résultats servent de jeux de données d’entraînement pour mettre en œuvre des approches DL. Les avantages de l’automatisation de segmentation sont nombreux, mais ces méthodes permettent particulièrement d’obtenir des métriques quantitatives détaillées et spatialement pertinentes, incluant les variations régionales/spécifiques des os des volumes^{érosifs 23,24,25,26} ainsi que l’identification des zones à forte susceptibilité aux^{dommages 27}.

Ici, nous nous appuyons sur les méthodes établies de segmentation de la patte arrière murine semi-automatisée (SA^{) 12}, avec des améliorations des algorithmes de traitement d’image combinées à des segmentations de l’os de vérité au^{sol 28} pour entraîner des modèles DL à la détection de l’espace articulaire. Cette stratégie analytique novatrice a démontré une précision significativement améliorée dans la segmentation osseuse individuelle des pattes arrière, ce qui a réduit les efforts manuels pour corriger les erreurs de^{segmentation 12} afin d’accélérer le traitement des métriques quantitatives en aval. Nous démontrons également le potentiel de mise en œuvre de ces avancées techniques dans de nouvelles structures, notamment les pattes avant et arrière atteintes d’arthrite érosive sévère. Comme la segmentation manuelle est chronophage et nécessite un haut niveau d’expertise⁷, des stratégies similaires visant à utiliser séquentiellement la segmentation semi-automatisée et automatisée pour produire des filtres d’entrée améliorés peuvent réduire la barrière au développement de CNN de haute qualité pour des applications spécifiques. Les méthodes associées développées dans le logiciel Amira (Fichier Supplémentaire 1) et les ensembles de données pertinents sont fournies publiquement pour soutenir l’adoption et la collaboration dans de futures recherches^28,29.

Protocol

Toutes les expériences animales ont été réalisées conformément aux protocoles IACUC approuvés par le Comité universitaire des ressources animales du Centre médical de l’Université de Rochester.

Modèles animaux
Les souris étaient hébergées dans un vivarium accrédité par l’AAALAC. Un total de 19 souris ont été utilisées pour les expériences décrites, dont 4 mâles de type sauvage (WT), 4 femelles WT, 4 mâles transgéniques TNF (TNF-Tg) et 7 femelles TNF-Tg, avec des évaluations mensuelles longitudinales. Les souris TNF-Tg (lignée 3647, C57BL/6 fond génétique³⁰) ont été initialement obtenues auprès du Dr George Kollias avec un entretien continu à l’Université de Rochester. Les souris TNF-Tg ont été élevées en hétérozygotes, les souris WT servant de témoins sœurs de portée. Le génotypage du transgène TNF a été réalisé à l’aide des séquences d’amorce suivantes : TNF-Tg Forward : 5-TAC-CCC-CTC-CTT-CAG-ACA-CC-3 ; TNF-Tg Revers : 5-GCC-CTT-CAT-AAT-ATC-CCC-CA-3.

Les souris TNF-Tg développent une arthrite érosive inflammatoire chronique, progressive et^{spontanée 31}, avec une apparition plus rapide de manifestations articulaires et extraarticulaires chez les femelles, entraînant une mortalité précoce vers 5-6 mois³². Ainsi, des souris supplémentaires ont été attribuées à la cohorte féminine TNF-Tg. Comme indiqué dans les descriptions précédentes de cette cohorte^{d’étude 23}, n=2 femmes TNF-Tg sont décédées avant la fin de l’étude, n=1 avant 4 mois, et n=1 avant 5 mois. Comme les souris TNF-Tg présentent une progression asymétrique bien établie de la maladie chez les pattes^{arrière 33,34}, les membres individuels ont été considérés comme l’unité de mesure (2 pattes avant et 2 pattes arrière par animal).

Collection d’images Micro-CT
Les ensembles de données Micro-CT ont été collectés comme décrit^{précédemment 12,23}. En résumé, les souris ont été placées dans un tube acrylique Derlin en plastique et transparent avec une anesthésie isoflurane à 1 % à 3 % pour une imagerie par micro-CT utilisant les paramètres suivants : 55 kV, 145 μA, temps d’intégration de 300 ms, 2048 x 2048 pixels, 1000 projections sur 180°, résolution de 17,5 μm voxels isotropes. Pour la sécurité lors de l’utilisation de l’isoflurane, un équipement de protection individuelle approprié (gants en nitrile, blouse ou blouse de laboratoire, lunettes de sécurité) était utilisé, et le vaporisateur à isoflurane était maintenu dans une hotte à fumée utilisant un filtre à charbon de bois pour capturer les déchets gazeux avec des tubes bien étanches pour assurer la continuité du système de distribution. L’isoflurane vaporisé était utilisé pour l’induction anesthésique dans une chambre fermée, puis l’anesthésie était maintenue par un écoulement continu d’isoflurane dans un cône musal murin dans la machine micro-CT. Les pattes postérieures et les pattes antérieures étaient attachées ensemble pour stabiliser lors des séances d’imagerie. Chaque jeu de données a été collecté en environ 30 à 45 minutes (60 à 90 minutes au total) avec des données sur la patte arrière et l’avant provenant des mêmes animaux et des mêmes moments temporels. Les souris ont été évaluées à intervalles mensuels à partir de 2 mois jusqu’à 5 mois (femelles, TNF-Tg avec mortalité précoce³²) ou 8 mois (mâles). Des parties des données sur les hindpaw utilisées pour cette étude avaient déjà été publiées (WT :^12,35 ; WT et TNF-Tg :²³) et sont disponibles^{publiquement 28}. Les données sur la patte avant ont été rendues publiques pour les besoins de cette étude²⁹.

Algorithme de segmentation spatiale conjointe avec facilitation de l’apprentissage profond
Un algorithme de traitement d’image SA à haut débit pour segmenter les os individuels de la patte arrière complexe chez la souris (30-31 os) avait été précédemment^{développé 12}, fournissant un cadre permettant d’étudier les biomarqueurs individuels de la progression de l’arthrite inflammatoire-érosive à l’aide du logiciel^{Amira 23}. Cette méthode de segmentation SA de référence utilisait un algorithme de bassin^{versant basé sur des marqueurs 36} pour la séparation aux frontières osseuses. L’algorithme de bassin versant basé sur des marqueurs sépare différents objets dans une image en traitant les valeurs des pixels comme une topographie locale basée sur des marqueurs définis par l’utilisateur. Ces marqueurs spécifiques à l’os ont été générés de manière SA à travers diverses étapes de traitement d’image, y compris le black top-hat (BTH), dans le but de mettre en évidence les régions locales présentant de grands changements de densité, comme les bords et articulations osseux. Ensemble, cette approche créait une version érodée de chaque os individuel, qui était ensuite étendue aux bordures osseuses grâce à l’application d’un masque binaire de frontière. Bien que la méthode du bassin versant ait amélioré l’utilisation précédente du contouring manuel, la précision (os segmentés correctement / os totaux) était d’environ 80 % par jeu de données en raison d’un bruit de faible contraste conduisant à des régions articulaires reliées (surconnexion des os ; 2+ os comme un matériau) ou à une erreur d’identification des arêtes (sur-fendre des os ; 1 os comme 2+ matériaux). Ainsi, la génération de marqueurs SA pour l’approche du bassin versant a nécessité des procédures de correction manuelles constantes^{et fréquentes 12} pour développer une ressource d’étiquettes de référence^23,28.

Le développement du modèle DL pour la prédiction des articulations osseuses s’est basé sur l’architecture d’un U-Net 3D avec une colonne vertébrale ResNet-18. La fonction de perte d’entraînement était Dice, la métrique de validation était intersection sur union (IoU), la descente de gradient utilisait une optimisation Adam avec un taux d’apprentissage initial de 0,0001, et les poids étaient initialisés de manière aléatoire. Le modèle a été entraîné à l’aide de 20 ensembles de données WT (40 pattes arrière) avec une répartition égale selon le sexe et l’âge (de 2 à 6 mois), chacun divisé en 6 sous-volumes (3 par patte arrière) de 200 x 200 x 200 voxels avec un ensemble de validation aléatoire de 25 % de sous-volumes (30 pour validation, 120 au total) pour éviter le surapprentissage. Ces tuiles 3D étaient positionnées uniformément sur les tarses, les phalanges distales et les régions de fond. La taille de la parcelle d’entraînement était fixée à 96 x 96 x 96 voxels (Figure supplémentaire 1). Le modèle a été entraîné sur 500 époques, prenant environ 6 heures. Les régions jointes de la vérité du terrain étaient obtenues par une recette automatique à partir des étiquettes de vérité du terrain, qui étendaient les interfaces d’étiquettes avec une dimension de dilatation 3D de 5 pour l’épaisseur et l’étendue.

En complément de la prédiction de la DL dans l’espace articulaire, plusieurs étapes de traitement d’image ont été mises en œuvre pour renforcer l’identification de l’espace articulaire et la segmentation osseuse. Ces stratégies comprenaient l’utilisation de la méthode BTH combinée à l’amélioration de structure³⁷, l’amélioration membranaire et le vote^{tensoriel 38} pour renforcer la continuité de l’espace articulaire en limitant les espaces membranaires. Ensemble, ces approches renforcent les espaces articulaires pour la séparation osseuse afin de limiter la fuite de segmentation entre les os adjacents, ce qui génère ensuite des erreurs de surconnexion à mesure que l’algorithme du bassin versant se propage à travers plusieurs os. Le résultat final sépare et segmente les ensembles de données micro-CT originaux en étiquettes spécifiques à chaque os.

Un protocole détaillé, étape par étape, de la méthode de segmentation facilitée DL est fourni ci-dessous.

Étape 1 : Ouvrez le logiciel Amira (nécessite une licence personnelle ou institutionnelle). Étape 2 : Ouvrir l’onglet Python, sélectionner Créer un nouvel environnement Python Avec le nom de l’environnement : Environnement d’apprentissage profond-2022_2. Vérifier Installer des packages d’apprentissage profond. Étape 3 : Redémarrer le logiciel, ouvrir l’onglet Python, sélectionner l’environnement utilisateur environnement d’apprentissage profond-2022_2. Étape 4 : Données ouvertes - Les piles DICOM peuvent être chargées en sélectionnant tous les fichiers DICOM individuellement ou en ouvrant des fichiers .am contenant des piles DICOM intégrées, si disponibles. Étape 5 : Appliquer le module de prédiction de l’apprentissage profond à l’objet de données importé avec les détails suivants :
Données : Objet de données importé
Architecture : fichier .json (Fichier supplémentaire 2)
Poids : fichier .hdf5 (Fichier Supplémentaire 3)
Pavage : manuel - optimisation possible en réduisant la taille des pixels en tuiles et en augmentant le chevauchement des pavages selon le matériel informatique. Le module échouera si les exigences de traitement sont insuffisantes. Assurez-vous, dans Édition, Préférences, Grandes données, que l’allocation mémoire pour le logiciel soit maximisée autant que possible.
Largeur, hauteur, profondeur du pavage : 352 pixels
Chevauchement du pavage : 0 pixel
Étape 6 : Appliquer le lecteur de recettes d’image, clic droit dans la zone du projet sans cibler un objet de données spécifique. Saisissez/évaluez ce qui suit :
Recette ouverte : fichier .hxisp (Dossier supplémentaire 4)
Données : Objet de données importé
Articulations d’entrée : Résultat de l’étape 5 (Prédiction de l’apprentissage profond)
Plage d’intensité de l’étape 3 : 2500 - 20000
Étape 7 : Évaluez l’objet de données traité résultant contenant la segmentation finale – assurez-vous d’ajuster Colormap en Labels256 pour apprécier le total des segmentations individuelles résultantes (par défaut seulement 8 couleurs). Pour la 2D : appliquer la tranche ortho et pour la 3D : appliquer le rendu volumineux. Détails sur la recette intégrée (BTH+DL+SEF+MEF_D2.hxisp) appliqués dans l’étape du lecteur de recettes d’images fournis ci-dessous (Fichier supplémentaire 5). Notez que dans Image Recipe Designer, les étapes individuelles peuvent être visualisées et exportées selon les besoins pour évaluer les étapes d’optimisation dans des ensembles de données spécifiques. Dans le protocole, des étapes particulières sont mises en évidence et devront être ajustées pour toute application unique, car elles dépendent des sorties d’imagerie (c’est-à-dire la densité) et/ou de la taille des objets (c’est-à-dire les os) :
Étape 1 : Appliquer un filtre médian avec les données : objet de données importé ; Interprétation : 3D ; Quartier : 26 ; Itérations : 3 ; Type : Itératif.
Étape 2 : Appliquer le seuil – cette étape nécessitera une optimisation en fonction des ensembles de données et du seuil particulier ciblant l’objet d’intérêt, dans ce cas, l’os avec les données : Résultat de l’étape 1 (filtre médian) ; Plage d’intensité : 2500 - 20000.
Étape 3 : Appliquer la fermeture - cette étape nécessitera une optimisation selon la taille des espaces articulaires entre les os avec Données : Résultat de l’étape 1 (Filtre médian) ; Type : Cube ; Interprétation : 3D ; Quartier : 26 ; Taille des pixels : 3.
Étape 4 : Appliquer l’arithmétique d’image avec entrée A : résultat de l’étape 3 (Fermeture) ; Entrée B : résultat de l’étape 1 (filtre médian) ; Canaux de résultats : comme l’entrée A ; Expression : A-B.
Étape 5 : Appliquer le seuil avec les données : Résultat de l’étape 4 (Arithmétique d’image) ; Plage d’intensité : 750 - 20 000.
Étape 6 : Appliquer l’arithmétique d’image avec entrée A : Résultat de l’étape 2 (Thresholding) ; Entrée B : Résultat de l’étape 5 : (Seuil) ; Canaux de résultats : comme l’entrée A ; Expression : A-(B>0)
Étape 7 : Appliquer le filtre d’amélioration de structure avec image d’entrée : objet de données importé ; Interprétation : 3D ; Type de tenseur : Sienne ; Écart type min/max : 1 - 3 pixels ; Étape d’écart-type : 1 pixel ; Contraste : sombre ; Type de structure : Plane.
Étape 8 : Appliquer un seuil automatique avec l’image d’entrée : Résultat de l’étape 7 (Filtre d’amélioration de structure) ; Type : Seuil automatique élevé ; Interprétation : 3D ; Mode : Min-max ; Critère : Factorisation.
Étape 9 : Appliquer le filtre d’amélioration membranaire avec les données : Objet de données importé ; Sélection de sortie : Vote par tenseur de planité ; Échelle de vote tensorielle : 3 pixels ; Échelle de densification : 3 pixels ; Type : Crête
Contraste : sombre ; Échelle : 1 pixel.
Étape 10 : Appliquer un seuil automatique avec l’image d’entrée : Résultat de l’étape 9 (Filtre d’amélioration de membrane) ; Type : Seuil automatique élevé ; Interprétation : 3D ; Mode : Min-max ; Critère : Factorisation.
Étape 11 : Appliquer la dilatation - cette étape nécessitera une optimisation selon la taille des espaces de jonction - avec Image d’entrée : Résultat de l’étape 10 (Seuil automatique) ; Type : Balle ; Interprétation : 3D ; Taille : 1 pixel ; Précision : Plus vite.
Étape 12 : Appliquer l’arithmétique d’image avec entrée A : résultat de l’étape 11 (dilatation) ; Entrée B : résultat de l’étape 8 (auto-seuil) ; Entrée C : Résultat de la prédiction de l’apprentissage profond ; Canaux de résultats : comme l’entrée A ; Expression : A||B||C.
Étape 13 : Appliquer Supprimer les petits points avec l’image d’entrée : Résultat de l’étape 12 (Arithmétique de l’image) ; Interprétation : 3D ; Taille : 500 pixels.
Étape 14 : Appliquer l’arithmétique d’image avec entrée A : Résultat de l’étape 13 (Supprimer les petits taches) ; Entrée B : résultat de l’étape 6 (arithmétique d’images) ; Canaux de résultats : comme l’entrée A ; Expression:! A*B.
Étape 15 : Appliquer Supprimer les petits points avec l’image d’entrée : Résultat de l’étape 14 (Arithmétique de l’image) ; Interprétation : 3D ; Taille : 500 pixels.
Étape 16 : Appliquer l’étiquetage avec l’image d’entrée : Résultat de l’étape 15 (Supprimer les petites taches) ; Interprétation : 3D ; Quartier : 26.
Étape 17 : Appliquer Convertir le type d’image avec les données : Résultat de l’étape 1 (filtre médian) ; Type de sortie : 16 bits non signés ; Mode de normalisation : Mise à l’échelle ; Échelle : Échelle 3, décalage 2000.
Étape 18 : Appliquer un masque intérieur du bassin versant basé sur un marqueur avec les données : Résultat de l’étape 17 (Convertir le type d’image) ; Marqueurs : Résultat de l’étape 16 (Étiquetage) ; Masque binaire : résultat de l’étape 6 (arithmétique de l’image) ; Type divisé : Faible intensité.

Méthodes de segmentation et quantification
La méthode de segmentation a été testée par la génération d’une recette incorporant la prédiction conjointe DL avec la recette de traitement d’image en aval sur une plage d’intensité de 2500 à 20000 unités de Hounsfield. La génération de recettes permettait le traitement par lots (appliquer une recette sur un lot de fichiers) des jeux de données micro-CT originaux (format .am comme pile d’images sauvegardé après l’importation des fichiers .dcm initiaux dans Amira). Le matériel informatique comprenait 16 cœurs provenant d’un processeur central Intel Xeon Gold 5218 à 2,30 GHz, 128 Go de code de correction d’erreur de quatrième génération (DDR4) double débit de données (ECC), mémoire RAM (RAM) à 2666 mégatransfers (MT)/s, et 24 Go d’unité de traitement graphique virtuel (vGPU/VRAM) sur un système d’exploitation 64 bits fonctionnant sous Windows 10 (version du système d’exploitation : 19044.4780). Chaque jeu de données Hindpaw (2 Hindpaws) a été segmenté en environ 32,7 ± 8,42 min (moyenne ± écart-type) sans intervention de l’utilisateur. Cela est comparé au modèle SA précédent, où le temps de segmentation dépendait de l’expérience utilisateur, avec des utilisateurs débutants à 40,5 ± 9,06 minutes par jeu de données et les utilisateurs expérimentés à 19,3 ± 5,34 minutes par jeu de données (jeux de données WT uniquement, y compris la correction des erreurs de segmentation⁾¹². Les méthodes DL et SA présentent toutes deux des améliorations remarquables par rapport au contouring manuel standard précédent pour la segmentation à 190,6 ± 30,4 minutes par jeu de données par un utilisateur expérimenté (réalisé via analyse Scanco ^{conventionnelle)12}. Les ensembles de données sur les pattes avant (2 pattes avant-pattes) ont été segmentés en environ 53,4 ± 23,6 minutes sans intervention utilisateur, où un temps de segmentation accru peut être attribué à des structures supplémentaires au sein des ensembles d’images originaux (c’est-à-dire la colonne vertébrale et les côtes), qui ne sont pas présentes dans les pattes arrière plus isolément distalement et gonflent le temps de segmentation en l’absence des étapes précédentes d’édition de volume.

La quantification de la précision a été réalisée par inspection visuelle (HMK) afin d’identifier la segmentation correcte ou le type d’erreur basé sur l’anatomie osseuse attendue (Hindpaw :^12,39 ; Patte avant : ⁴⁰). La précision était calculée en pourcentage par :

lorsque les vrais positifs étaient des os correctement segmentés, les vrais négatifs évalaient 0 (il n’y a pas de circonstances où des os devraient manquer, et le contexte n’était pas pertinent pour la quantification), les faux positifs étaient des os sur-fendus, et les faux négatifs étaient des os surconnectés. La précision a été déterminée comme une métrique quantitative appropriée compte tenu du problème de classe unique (c’est-à-dire l’identification des espaces articulaires), et les véritables négatifs (c’est-à-dire le fond) n’ont pas contribué aux calculs de précision, réduisant ainsi le risque de surestimation de la performance. La méthode automatisée de segmentation n’inclut pas la dénomination des os ; les noms des os sont ensuite associés manuellement à des matériaux segmentés par l’utilisateur.

L’évaluation des pattes arrière impliquées dans cette étude a confirmé la fusion fixe dans les tarses du cunéiforme naviculaire et latéral (NAVLAT) chez la souris C57BL/6⁴¹, et a également déterminé que le cunéiforme intermédiaire adjacent (INT) peut également être fusionné de manière variable avec la structure NAVLAT (NAVLATINT^)12,39. Une fusion variable similaire a été appréciée dans la région carpienne des pattes avant, où les os trapézoïdaux (ZOID ; multiangulaire mineur) et central (CENT) peuvent se présenter soit comme une structure fusionnée unique (CENTZOID), soit subdivisés en os individuels, en particulier dans les pattes antérieures. D’autres os carpiens étudiés pour la précision de segmentation comprenaient le trapèze (ZIUM ; plus grand multiangulaire), le capitate (CAP), le hamate (HAM), le triquetrum (TRI ; triangulaire), le pisiforme (PIS), le scaphoïde (navicular)/lunate (SCAPATE ; fusion fixe) et le falciforme (FALC). Les métacariens de l’avant-patte (MET-F ; 1-5), les phalanges proximales (PP-F ; 1-5), les phalanges distales (DP-F ; 2-5) et les sésamoïdes (S-F ; 1-10) sont numérotés de la latérale à la médiale, contrairement aux homologues de la patte arrière (MET-H), PP-H, DP-H et S-H), qui sont numérotés de la médiane à la^{latérale 12}. En plus du NAVLATINT, d’autres os tarsiens ont été évalués pour les pattes arrière, comme décrit^{précédemment 12,23}, y compris le calcaneus (CALC), le cuboïde (CUB), le cunéiforme médian (MED), le talus (TAL) et le tibial (TIB). Notez que la quantification globale de la précision des cohortes varie légèrement lorsqu’on compare l’évaluation de la précision moyenne par ensemble de données avec un nombre variable d’os dû à des fusions anatomiques par rapport à la précision calculée en fonction du total des os individuels analysés.

Analyse statistique
L’analyse statistique, incluant l’analyse à effets mixtes à 3 ou 2 voies avec des effets d’interaction ou les comparaisons multiples de Sidack et le test exact de Fisher, a été réalisée selon le cas dans GraphPad Prism (v10.2.0 ; San Diego, CA, États-Unis). Les mâles (2-8 mois) et les femelles (2-5 mois) ont été analysés séparément, selon des délais d’évaluation distincts basés sur la mortalité précoce des femelles³² mg-TNF-Tg. Les tailles d’échantillon des pattes arrière-pattes WT utilisées pour l’entraînement/validation et les tests méthodologiques sont fournies dans le Tableau Supplémentaire 1, ainsi que les détails de taille d’échantillon pour les pattes arrière et avant WT et TNF-Tg testés dans les Panneaux Supplémentaires 2, Panneaux Supplémentaires 3 et Panneaux Supplémentaires 4. Comme certains moments pour le test de la patte arrière WT ont intégré une évaluation de précision pour < 3 pattes arrière, des effets d’interaction ont été rapportés sans comparaisons multiples post-hoc dans des analyses incluant les pattes arrière WT. Des parties entières ou des parties des pattes postérieures étaient omises de l’analyse en cas d’erreurs d’imagerie avec une capture incomplète de la patte, un artefact de mouvement important rendant les scans ininterprétables, et/ou si l’animal mourait avant une séance d’imagerie programmée, car toutes les données avaient été collectées in vivo.

Results

La mise en œuvre de l’identification automatisée de l’espace articulaire améliore la précision de segmentation osseuse
Compte tenu de l’hétérogénéité de la forme et de l’architecture osseuses dans des structures complexes telles que le patte arrière murine, nous nous appuyons sur notre algorithme systématique de traitement d’images¹² à des prédictions d’entraînement DL (bleu) couplées à des étapes de traitement d’image pour une identification robuste des espaces articulaires inter-os dans les jeux de données micro-CT (Figure 1A-B ; processus décrit ci-dessous et montré dans la Figure Supplémentaire 1). L’identification des espaces entre les os a permis une séparation précise et une segmentation des os individuels de la patte arrière (couleurs distinctes ; Figure 1C). Pour la composante DL, les ensembles de données d’entraînement et de validation (WT) comprenaient des âges égaux (2 à 6 mois, n=8 pattes arrière par âge) et le même sexe (n=20 pattes arrière par sexe). Le reste des pattes arrière WT (n=44, de 2 à 8 mois, hors 6 mois car tous étaient utilisés pour l’entraînement et la validation) servaient de jeux de données test pour quantifier la précision de la segmentation osseuse (Figure 1D). Il y avait 2 mâles de la patte arrière à 2 mois et 2 femelles à 3 mois qui ont été omis en raison d’une erreur d’imagerie (Tableau supplémentaire 1).

Parallèlement à la mise en œuvre sur les pattes arrière WT, nous avons également testé l’approche automatisée de segmentation sur des pattes arrière à partir de souris TNF-Tg (n=56 pattes arrière mâles, n=48 femelles) présentant une arthrite érosive inflammatoire spontanée. Il y avait 4 pattes arrière femelles TNF-Tg à 4 et 5 mois qui ont été omis en raison d’une erreur d’imagerie ou d’un décès prématuré avant la fin à 5 mois (Tableau supplémentaire 2). Le nouvel algorithme de segmentation détectait automatiquement les espaces articulaires (bleu, gauche) pour la séparation osseuse individuelle (couleurs, droite) entre les deux sexes et les génotypes (Figure 2A-D). Pour la précision de segmentation des os individuels présentée dans les Panneaux Supplémentaires 5 et Suppléments 6, la WT a surpassé les ensembles de données TNF-Tg pour les hommes (WT 98,4 % contre TNF-Tg 93,1 %, p<0,0001) et les femmes (WT 98,7 % contre TNF-Tg 92,1 %, p<0,0001). La source de l’erreur a été démontrée visuellement par une fermeture incomplète des espaces articulaires (flèches dans une case blanche pointillée), surconnectant ainsi involontairement deux os distincts en une seule segmentation (Figure 2C-D). Ces erreurs surconnectées démontrées dans les pattes arrière du TNF-Tg peuvent représenter des séquelles de lésions chroniques menant à la fusion articulaire, où l’espace entre les os n’existe plus. En fait, la différence de précision entre les ensembles de données WT et TNF-Tg devient plus marquée au fil du temps à mesure que la sévérité arthritique augmente (Figure 2E-F), notamment dans les os tarsiens (Figure 2G-H, jaune = précision accrue, vert = précision diminuée) qui servent généralement de biomarqueurs fiables pour la progression de l’érosion^{osseuse 23}. Cependant, par rapport à notre précédente approche de segmentation SA, il y a eu une amélioration remarquable de la précision globale des jeux de données (Figure 2E-F ; WT hommes : SA 79,39 % ± 5,73 % contre DL 98,16 % ± 1,47 %, p<0,0001 ; WT femmes : SA 79,16 % ± 4,84 % contre DL 99,19 % ± 1,63 %, p<0,0001), démontrant les avancées méthodologiques robustes tant en automatisation qu’en fiabilité. Ainsi, notre nouveau modèle stratégique pour la segmentation osseuse de la patte arrière utilisant l’identification facilitée de l’espace articulaire par DL offre une précision de segmentation significativement accrue dans les ensembles de données WT (>98 %) par rapport aux méthodes antérieures d’AS (~79 %), mais avec une performance légèrement dépréciée lorsqu’il est appliqué aux pattes postérieures atteintes d’arthrite inflammatoire-érosive (92 %-93 %).

L’application flexible de la méthode de segmentation aux pattes avant met en lumière une destruction articulaire prononcée et des fusions osseuses chez les souris TNF-Tg, avec une réduction rapide de la précision de segmentation
Nous avons encore étendu l’application de la nouvelle méthode de segmentation aux pattes antérieures murines (n=55 pattes avant mâles WT, n=29 pattes avant femelles WT, n=54 pattes avant mâles TNF-Tg, et n=50 pattes avant femelles TNF-Tg) avec une taille osseuse et une anatomie uniques. Il y avait 1 patte avant à 4 mois chez le mâle WT, 1 patte avant à 4 mois et 2 pattes avant à 5 mois pour la femelle WT, 2 pattes avant à 3 mois pour le mâle TNF-Tg, et 2 pattes avant à 4 mois et 4 pattes avant à 5 mois pour la femelle TNF-Tg, qui ont été omis en raison d’une erreur d’imagerie ou d’un décès prématuré avant l’extrémité. De plus, il y a eu une erreur d’imagerie partielle pour une patte avant à 3 mois chez la femelle WT, avec l’omission de DP-F3, PP-F3, DP-F4 et PP-F4 (Tableau Supplémentaire 3 et Tableau Supplémentaire 4). Pour l’orientation, nous fournissons un modèle de patte avant WT avec chaque os séparé par couleur et nomenclature spécifique à l’os, indiquée selon différents points de vue (Figure 3). Les recherches antérieures sur les souris TNF-Tg se sont principalement concentrées sur la patte arrière, tandis qu’ici nous démontrons l’architecture des pattes antérieures murines chez les souris WT et TNF-Tg. Nous mettons particulièrement en avant les carpiens (cercle jaune pointillé) et les sésamoïdes (cercle bleu pointillés) qui présentent une maladie visuellement érosive profonde, en particulier chez les femelles TNF-Tg (Figure 4A-D). Ainsi, la comparaison de la précision de segmentation de la patte arrière et de l’avant a montré une réduction marquée des pattes avant (effet du type de patte p<0,0001), principalement due à la forte baisse de l’intégrité osseuse avec une augmentation de l’âge et de la gravité de la maladie dans les ensembles de données TNF-Tg (Figure 4E-F ; effet génotype patte x patte p=0,0083 ; pattes avant mâles : WT 87,29 % ± 2,07 % contre TNF-Tg 72,65 % ± 11,70 %, p<0,0001). Comme pour les pattes arrière, la baisse de la précision de segmentation du TNF-Tg avec le vieillissement et la gravité de la maladie est plus marquée chez les carpiens, ainsi que chez les sésamoïdes (Figure 4G-H, Tableau Supplémentaire 7 et Tableau Supplémentaire 8). Cette pathologie osseuse régionale peut être provoquée par une activité érosive accrue à l’articulation adjacente du MET-F et du PP-F (articulation métacarpophalangienne). L’évaluation du type d’erreur a révélé que les pattes avant du TNF-Tg ont tendance à présenter une proportion plus élevée d’os complètement érodés que les pattes arrière (Figure supplémentaire 2, rouge comme manquant). Bien que représentative certainement de la gravité progressive de l’arthrite, l’absence d’os dans les pattes avant du TNF-Tg pourrait également mettre en lumière une limitation de la résolution de l’image. Les érosions sévères des pattes avant du TNF-Tg sont également illustrées par des images représentatives à travers le temps qui mettent en évidence la région carpienne (flèches blanches) et la luxation progressive complète de la patte par rapport à l’avant-bras (flèches jaunes), particulièrement notable chez les femelles TNF-Tg (Figure supplémentaire 3). Ainsi, l’application flexible de la méthode automatisée de segmentation osseuse aux structures uniques de la patte avant a montré des performances remarquables dans les ensembles de données WT (~87 %) avec une réduction similaire de la précision chez les pattes avant TNF-Tg présentant une arthrite érosive inflammatoire (67 %-72 %).

Disponibilité des données :
Comme décrit dans la section collecte d’images micro-CT, les données de Hindpaw ont été publiées^{précédemment les 12, 23, 35} et sont disponibles publiquement à^{https://doi.org/10.5281/zenodo.11191782 28}. Les données de quantification de la précision dans la méthode de segmentation SA pour les ensembles de données WT¹² et^{TNF-Tg 23} ont été réutilisées pour une comparaison directe avec le nouveau modèle DL décrit ici. Aucune donnée spécifique de l’étude précédente supplémentaire n’a été réutilisée^{pour 35}, mais les mêmes ensembles de données Hindpaw disponibles publiquement^{pour 28} ont également été utilisés. Des détails supplémentaires sur la licence et la réutilisation des données sont fournis ci-dessous. Pour les besoins de l’étude décrite, les données correspondantes sur les pattes avant ont également été rendues publiques dans le dépôt Zenodo (https://doi.org/10.5281/zenodo.14865639)²⁹.

Les données de précision pour la méthode de segmentation SA WT^{datasets 12} ont été réutilisées dans la Figure 2. La réutilisation de ce matériel est protégée par la licence Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International https://creativecommons.org/licenses/by-nc-nd/4.0/legalcode. En tant qu’auteurs des œuvres référencées, nous conservons le droit de préparer d’autres œuvres dérivées via les droits d’auteur d’Elsevier https://beta.elsevier.com/about/policies-and-standards/copyright. Les points de données ont été revisualisés pour comparaison avec la précision au fil du temps avec leurs homologues TNF-Tg et directement comparés à la nouvelle méthode DL décrite ici.

Les données de précision pour les jeux de données WT et TNF-Tg 23 de la méthode de segmentation^{SA ont été} réutilisées pour la Figure 2, et les ensembles de données WT et TNF-Tg Hindpaw ont été évalués pour des mesures volumétriques^{antérieurement 23}. La réutilisation du matériel est protégée par la Licence d’Attribution Creative Commons (https://creativecommons.org/licenses/by/4.0/), qui autorise une utilisation, une distribution et une reproduction illimitées dans n’importe quel support, à condition que l’auteur original et la source soient crédités. Les points de données ont été revisualisés pour évaluer la précision au fil du temps et directement comparés à la nouvelle méthode DL décrite ici.

Les mêmes ensembles de données postpaw WT et TNF-Tg disponibles^{publiquement 28} ont été utilisés auparavant pour des mesures volumétriques osseuses pour de nouvelles comparaisons avec les cohortes de course^{de roues 35}. La réutilisation du matériel est protégée par la licence Creative Commons Attribution 4.0 International (https://creativecommons.org/licenses/by/4.0/), qui permet l’utilisation, le partage, l’adaptation, la distribution et la reproduction dans n’importe quel support ou format, à condition que vous accordiez le crédit approprié à l’auteur(s) original(s) et à la source, fournissez un lien vers la licence Creative Commons, et indiquez si des modifications ont été apportées. Les mêmes ensembles de données disponibles^{publiquement 28} ont été utilisés dans le travail actuel, mais sans aucune utilisation spécifique ni modification des points de données précédemment publiés.

Figure 1 : Détection automatisée de l’espace articulaire par traitement stratégique d’images et prédictions d’apprentissage profond pour la segmentation osseuse. Des ensembles de données micro-CT de Murine avec visualisation à partir de (A) les surfaces dorsale (supérieure) et plantaire (inférieure) ont été traités pour (B) l’identification automatisée ultérieure des espaces articulaires (bleus) à l’aide d’un modèle DL (décrit dans la Figure Supplémentaire 1) développé à partir de segmentations osseuses de référence^12,23. (C) La séparation osseuse finale réussie (couleurs spécifiques à chaque os) a été réalisée grâce à une combinaison supplémentaire d’étapes de traitement d’image, incluant un top hat^{noir 12}, une amélioration de structure³⁷, et une amélioration membranaire avec un vote tensoriel³⁸ pour une identification robuste de l’espace articulaire afin d’étiqueter les os individuels. (D) L’entraînement et la validation (n=40 pattes arrière) de la composante DL ont été réalisées avec des pattes arrière murines WT d’âge (de 2 à 6 mois, n=8 pattes arrière à chaque moment donné) et de sexe (n=20 pattes arrière mâle/femelle), avec un total de 25 % des sous-volumes utilisés pour la validation (3 sous-volumes par patte arrière, total 120 sous-volumes). Les pattes arrière WT restantes (n=44) ont été évaluées comme cas test pour une analyse ultérieure. La combinaison du modèle DL et des algorithmes de traitement d’image a été évaluée à l’aide des ensembles de données précédemment publiés et disponibles^{publiquement 23,28}. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 2 : La mise en œuvre de l’identification automatisée de l’espace articulaire avec facilitation de l’apprentissage profond améliore la précision de segmentation osseuse. (A-B) Suite au développement de la détection automatisée de l’espace articulaire, nous avons appliqué le modèle DL (à gauche : espaces articulaires bleus ; à droite : couleurs de segmentation spécifiques à l’os) aux cas de test restants pour les hommes et femelles WT. (C-D) Nous avons également évalué la performance sur des cohortes d’âge correspondant (hommes : 2 à 8 mois ; femelles : 2 à 5 mois) de souris TNF-Tg présentant une arthrite inflammatoire-érosive progressive associée à une mortalité précoce chez^{les femmes de 32} ans. Les images en encastrement montrent des erreurs de segmentation à fort grossissement (boîtes pointillées) où les déconnexions dans les espaces articulaires prédites (flèches blanches) entraînent une fuite dans la séparation osseuse, entraînant des erreurs de segmentation osseuse surconnectée. (E-F) Notez que le délai masculin de 6 mois a été omis car tous les ensembles de données WT ont été utilisés pour l’entraînement et la validation, ils n’ont donc pas été inclus dans la cohorte de test DL. Comparé à nos précédents algorithmes de segmentation^{SA 12,23}, la précision de segmentation (os correctement segmentés / os totaux) s’est nettement améliorée pour les ensembles de données WT et TNF-Tg avec l’approche DL, quel que soit le sexe (lignes de précision moyennes : noir solide = DL WT, noir pointillé = DL TNF-Tg, gris uni = SA WT, gris pointillé = SA TNF-Tg). Cependant, la précision des segmentations TNF-Tg a nettement diminué avec le temps et les dommages progressifs aux articulations associées par rapport à la WT, bien qu’elle ait continué à surpasser la méthode SA. (G-H) Les cartes thermiques de précision spécifiées aux compartiments osseux (T = tarsiens, MT = métatarsiens, PP = phalanges proximales, DP = phalanges distales, S = sésamoïdes) montrent le taux d’erreur accru chez les souris TNF-Tg principalement localisées dans la région tarsale (clair (jaune) = élevé (100 %), foncé (violet) = faible (20 %) précision). Comme mentionné, les images en encastrement (C-D) mettent en évidence la source de l’erreur avec des espaces articulaires déconnectés (flèches, image de gauche) menant à des os surconnectés (couleurs, image de droite). En réalité, les erreurs étaient principalement surconnectées (2+ os segmentés en 1 matériau ; noté dans la Figure Supplémentaire 2), ce qui pourrait représenter le processus pathologique des fusions articulaires avec une gravité arthritique croissante. Statistiques : analyse à effets mixtes à trois voies (SA versus DL ; méthode x génotype x temps ; E-F), analyse à effets mixtes à deux voies (WT vs TNF ; génotype x temps ; E-H) ; p<0,0001, **p<0,01, *p<0,05 (effets d’interaction) ; Les données présentées comme une moyenne ± écart-type. Tailles d’échantillon : n=34 pattes arrière mâle WT (n=2 à 2 mois, n=4 à 3 mois, n=6 à 4-5 mois, n=0 à 6 mois [toutes les données utilisées pour les tests], n=8 à 7-8 mois), n=10 pattes arrière WT femelle (n=4 à 2 mois, n=2 à 3-5 mois), n=56 pattes arrière TNF-Tg mâle (n=8 à 2-8 mois), et n=48 pattes arrière TNF-Tg femelle (n=14 à 2-3 mois et n=10 à 4-5 mois). Les données utilisées dans cette figure ont été modifiées par rapport aux études^{antérieures 12,23}. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 3 : L’application flexible de la segmentation de l’apprentissage profond de l’espace articulaire à d’autres structures complexes met en lumière l’anatomie osseuse de la patte antérieure murine. Ensuite, nous avons évalué le potentiel du modèle DL de segmentation articulaire de séparer automatiquement les os dans des structures complexes supplémentaires au-delà de l’arrière-patte. La méthode de segmentation a été mise en œuvre dans les ensembles de données micro-CT de la patte antérieure correspondants, visualisés à partir des surfaces dorsale (A), (B) plantaire, latérale (C) latérale et (D) médiale, avec des couleurs représentant les os segmentés individuellement. Nous avons identifié le potentiel de segmentation précise des os de la patte avant, incluant des carpes distincts, métacarpiens (#, MET-F), phalanges proximales (^, PP-F), phalanges distales (~, DP-F), sésamoïdes (cercles pointillés, S-F) et griffes (*) avec une étiquette spécifique à l’os correspondant à l’anatomie connue de la patte^{avant 40}. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 4 : Les souris TNF-Tg présentent une destruction marquée de l’articulation des pattes avant et des fusions osseuses, avec une réduction rapide de la précision de segmentation. (A-B) Compte tenu de la complexité et de la petite architecture des pattes avant murines, mises en évidence par la visualisation dorsale (gauche) et plantaire (droite) des micro-CT des souris mâles et femelles WT, (C-D) l’anatomie et l’arthrite associée chez les souris TNF-Tg n’avaient pas été évaluées auparavant. L’application de notre nouvelle approche DL articulaire a offert une première opportunité d’évaluer ces structures complexes en réduisant les défis analytiques avec une précision de >85 % des pattes avant WT, bien que la précision soit inférieure à celle des pattes arrière (lignes de précision moyennes : bleu uni = patte arrière WT, bleu pointillé = patte arrière TNF-Tg, rouge uni = patte avant WT, rouge pointillé = patte avant TNF-Tg). (E-F) De plus, les pattes avant du TNF-Tg ont montré une baisse rapide et spectaculaire de la précision de segmentation due à des erreurs localisées sur les carpiens (cercles jaunes pointillés en A à D) et aux sésamoïdes (cercles bleus pointillés en A à D) au fil du temps. (G-H) Les réductions régionales diminuées de la précision de segmentation sont illustrées par des cartes thermiques (lumière (jaune) = haute (100 %), foncée (violette) = faible précision (20 %) des compartiments osseux (C = carpes, MC = métacarpiens, PP = phalanges proximales, DP = phalanges distales, S = sésamoïdes). Notez que le point temporel mâle de 6 mois a été omis dans (E) car tous les jeux de données posteriors WT ont été utilisés pour l’entraînement et la validation, et n’ont donc pas été inclus dans la cohorte de test DL. Statistiques : analyse à effets mixtes à trois (patte arrière vs patte avant, WT vs TNF ; type de patte x génotype x temps, effets d’interaction rapportés ; E-F), analyse à effets mixtes à deux voies avec comparaisons multiples de Sidak (WT vs TNF ; génotype x temps ; G-H) ; p<0,0001, **p<0,01, *p<0,05 ; Les données présentées comme une moyenne ± écart-type. Tailles d’échantillon : n=55 pattes avant mâle WT (n=8 à 2-3 et 5-8 mois, n=7 à 4 mois), n=29 pattes avant WT femelle (n=8 à 2-3 mois, n=7 à 4 mois, n=6 à 5 mois), n=54 pattes avant TNF-Tg mâle (n=8 à 2 et 4-8 mois, n=6 à 3 mois), et n=50 pattes avant (n=14 à 2-3 mois, n=12 à 4 mois, et n=10 à 5 mois). Données de la patte arrière de la DL (E-F) reproduites de la Figure 2E-F pour une comparaison supplémentaire avec les données de la patte avant de la DL. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure supplémentaire 1 : Développement et entraînement du modèle d’apprentissage profond par détection conjointe. (A) Les régions articulaires de vérité de base ont été obtenues à partir de segmentations initiales de l’os de vérité de base grâce à une recette automatique utilisant Amira, qui combine expansion d’étiquette, extraction d’interfaces d’étiquettes, masquage et dilatation. (B) Pour chacun des 20 jeux de données micro-CT d’entraînement (40 pattes arrière), 6 sous-volumes de 200 x 200 voxels ont été extraits manuellement des tarsiens, des phalanges distales et des régions de fond, réparties uniformément entre les pattes gauche et droite (3 patches par patte arrière-patte). Les 120 sous-volumes résultants ont ensuite été utilisés comme entrée pour un module d’entraînement Amira à segmentation 3D, ainsi que des régions articulaires marquées correspondantes comme cible de la vérité au sol. Un sous-ensemble aléatoire de patchs à 25 % a été utilisé pour la validation afin de contrôler le surajustement du modèle pendant l’entraînement. Veuillez cliquer ici pour télécharger ce fichier.

Figure supplémentaire 2 : Répartition distincte des types d’erreurs entre les pattes postérieures et les pattes antérieures. Similaire à l’algorithme de segmentation SA précédemment^{développé 12,23}, le modèle DL de l’espace articulaire produisait la plus grande proportion d’erreurs en surconnectant les os (vert, 2+ os segmentés en 1 matériau), notamment dans les pattes arrière (A-D) ou (E-F) pattes avant WT. Comme indiqué à la Figure 2, des erreurs de surconnexion surapparaissent s’il y a un espace dans l’espace articulaire détecté, ce qui peut survenir pour diverses raisons, notamment une plus grande proximité osseuse que la résolution de l’image, un flou d’artefact de mouvement dans l’espace articulaire, ou un remodelage osseux dans le contexte de l’arthrite, entraînant des fusions articulaires. (G-H) Fait intéressant, les pattes avant du TNF-Tg présentent une proportion remarquablement accrue d’os manquants (rouge), ce qui signifie que l’os était complètement absent de la segmentation. Ces erreurs sont probablement attribuées à une combinaison d’érosions sévères et de déficiences de résolution de l’image, étant donné la taille relativement réduite des os des pattes antérieures, en particulier des carpiens et des sésamoïdes, comme source prédominante d’erreur (Figure 4), comparé à celles des pattes arrière. D’autres types d’erreurs incluent la sur-fendue (bleu, 1 os segmenté en matériaux 2+) ou les deux surconnectés et sur-fendus (orange). Les diagrammes circulaires représentent les proportions des erreurs totales attribuées à des sous-types d’erreurs spécifiques. Veuillez cliquer ici pour télécharger ce fichier.

Figure complémentaire 3 : Évaluation de l’arthrite progressive du TNF-Tg de l’avant-patte avec érosions osseuses sévères et luxations articulaires. Pour visualiser les changements structurels des pattes avant au fil du temps, nous avons fourni des images représentatives de la surface dorsale de (A) mâle WT, (B) mâle TNF-Tg, (C) femelle WT, et (D) TNF-Tg femelle sur une période de 2 à 5 mois (de gauche à droite) afin de mettre particulièrement en valeur la région carpienne (flèches blanches). Notez les érosions osseuses sévères et les remodelages qui surviennent environ 4 mois chez les femelles et 5 mois chez les mâles. Ces périodes précèdent l’apparition typique d’érosions osseuses sévères chez les pattes arrière, à environ 5 mois chez les femelles et 7 à 8 mois chez les^{mâles 23} ans. (E) Une vue latérale des pattes avant des femelles en TNF-Tg est également montrée pour montrer la luxation progressive de toute la patte par rapport à l’avant-bras (flèches jaunes) associée à la destruction de l’articulation. Veuillez cliquer ici pour télécharger ce fichier.

Tableau complémentaire 1 : Tailles d’échantillons de pattes arrière WT pour l’entraînement, la validation et les tests méthodologiques de la DL. Les tailles d’échantillon en nombre de pattes arrière sont fournies selon l’âge (mois 2 à 8) et organisées par ensembles de données utilisés pour l’entraînement/validation de la DL, les tests méthodologiques globaux, ou ceux omis en raison d’une erreur d’imagerie, d’un artefact de mouvement sévère ou d’un décès avant le micro-scanner programmé. Les cellules noires des 6 à 8 mois chez les femmes indiquent l’arrêt prévu des examens après 5 mois en raison de la mortalité précoce des homologues expérimentaux TNF-Tg. Veuillez cliquer ici pour télécharger ce fichier.

Tableau complémentaire 2 : Tailles d’échantillons des pattes arrière TNF-Tg pour des tests méthodologiques. Les tailles d’échantillon en nombre de pattes arrière sont fournies selon l’âge (mois 2 à 8) et organisées par ensembles de données utilisés pour les tests méthodologiques totaux ou par ceux omés en raison d’une erreur d’imagerie, d’un artefact de mouvement sévère et/ou d’un décès avant le micro-scanner programmé. Les cellules noires des 6e à 8e mois chez les femelles indiquent l’interruption prévue des examens après 5 mois en raison de la mortalité précoce des souris TNF-Tg. Veuillez cliquer ici pour télécharger ce fichier.

Tableau complémentaire 3 : Tailles d’échantillons de pattes avant WT pour des tests méthodologiques. Les tailles d’échantillons en nombre d’avant-pattes sont fournies selon les âges (mois 2 à 8) et organisées par ensembles de données utilisés pour les tests méthodologiques totaux ou par ceux omés en raison d’une erreur d’imagerie, d’un artefact de mouvement sévère et/ou d’un décès avant la micro-tomodensitométrie programmée. Les cellules noires des 6 à 8 mois chez les femmes indiquent l’arrêt prévu des examens après 5 mois en raison de la mortalité précoce des homologues expérimentaux TNF-Tg. *À 3 mois pour les femelles WT, n=1 patte avant avait omis DP-F3, PP-F3, DP-F4 et PP-F4 à cause d’une erreur d’imagerie, bien que le reste de la patte avant ait été évalué. Veuillez cliquer ici pour télécharger ce fichier.

Tableau complémentaire 4 : Tailles d’échantillons des pattes avant TNF-Tg pour des tests méthodologiques. Les tailles d’échantillons en nombre d’avant-pattes sont fournies selon les âges (mois 2 à 8) et organisées par ensembles de données utilisés pour les tests méthodologiques totaux ou par ceux omés en raison d’une erreur d’imagerie, d’un artefact de mouvement sévère et/ou d’un décès avant la micro-tomodensitométrie programmée. Les cellules noires des 6e à 8e mois chez les femelles indiquent l’interruption prévue des examens après 5 mois en raison de la mortalité précoce des souris TNF-Tg. Veuillez cliquer ici pour télécharger ce fichier.

Tableau complémentaire 5 : Précision osseuse individuelle des pattes arrière mâles. Pour identifier les os particuliers qui réduisent la précision de segmentation chez les pattes arrière du TNF-Tg par rapport aux pattes arrière WT, des détails sont fournis sur le nombre d’os segmentés correctement, incorrectement, ainsi que le pourcentage de correction par rapport au total des os évalués chez les souris mâles. Dans la région tarsale où se produisent les déficits primaires (Figure 2), le calcâne (CALC), le cunéiforme intermédiaire (non fusionné, INT) et le cunéiforme navicular/latéral (non fusionné) ont montré la diminution la plus marquée de la précision pour les pattes arrière du TNF-Tg. Statistiques : le test exact de Fisher ; *p<0,05, **p<0,01, ***p<0,001, ****p<0,0001. Veuillez cliquer ici pour télécharger ce fichier.

Tableau complémentaire 6 : Précision osseuse individuelle des pattes arrière femelles. Pour identifier les os particuliers qui réduisent la précision de segmentation chez les pattes arrière du TNF-Tg par rapport aux pattes arrière WT, des détails sont fournis sur le nombre d’os segmentés correctement, incorrectement, ainsi que le pourcentage de correction par rapport au total des os évalués chez les souris femelles. Compte tenu de l’utilisation des jeux de données pour l’entraînement et la validation de la DL, ainsi que de la réduction à 5 mois pour la comparaison avec des souris TNF-Tg présentant une mortalité précoce³², le nombre total de pattes postérieures de test DL allouées pour les femelles WT limite la capacité des comparaisons osseuses individuelles à expliquer la diminution globale de la précision dans les ensembles de données TNF-Tg. Statistiques : le test exact de Fisher ; p<0,0001. Veuillez cliquer ici pour télécharger ce fichier.

Tableau supplémentaire 7 : Précision osseuse individuelle des pattes avant du mâle. Pour identifier les os particuliers qui réduisent la précision de segmentation chez les pattes avant TNF-Tg par rapport aux pattes avant WT, des détails sont fournis sur le nombre d’os segmentés correctement, incorrectement, et le pourcentage de correction par rapport au total des os évalués chez les souris mâles. Dans les régions carpienne et sésamoïde où se produisent les déficits primaires (Figure 4), le capitat (CAP), le triquetrum (TRI), le centrale (non fusionné, CENT), le scaphoïde/lunate (SCAPHATE), le trapèze (ZOID) et les sésamoïdes 2 à 10 ont montré la diminution la plus marquée de la précision pour les pattes avant TNF-Tg. À noter, la précision des sésamoïdes 1 et 2 est déficiente pour les ensembles de données WT et TNF-Tg. Fait intéressant, le métacarpien 1 a en fait montré des améliorations de la précision de segmentation chez les souris TNF-Tg, potentiellement dues à des articulations proches avec les os adjacents entraînant des erreurs surconnectées atténuées par des érosions arthritiques. Statistiques : le test exact de Fisher ; *p<0,05, **p<0,01, ***p<0,001, ****p<0,0001. Veuillez cliquer ici pour télécharger ce fichier.

Tableau complémentaire 8 : Précision osseuse individuelle des pattes avant femelles. Pour identifier les os particuliers qui réduisent la précision de segmentation chez les pattes avant TNF-Tg par rapport aux pattes avant WT, des détails sont fournis sur le nombre d’os segmentés correctement, incorrectement, et le pourcentage de correction par rapport au total des os évalués chez les souris femelles. Dans les régions carpienne et sésamoïde où se produisent les principaux déficits (Figure 4), le capitat (CAP), le hamate (HAM), le triquetrum (TRI) et les sésamoïdes 1 à 10 ont montré la baisse la plus marquée de précision pour les pattes avant TNF-Tg. À noter, la précision des sésamoïdes 1 et 2 est déficiente pour les ensembles de données WT et TNF-Tg. Statistiques : le test exact de Fisher ; *p<0,05, ***p<0,001, ****p<0,0001. Veuillez cliquer ici pour télécharger ce fichier.

Fichier supplémentaire 1 : Recette de segmentation conjointe pour l’entraînement de modèles en apprentissage profond. Série d’étapes intégrées pour extraire les espaces articulaires segmentés à partir de micro-CT postpaws pré-segmentés de référence qui ont été utilisés pour entraîner le modèle DL pour l’identification de l’espace articulaire. Veuillez cliquer ici pour télécharger ce fichier.

Fichier supplémentaire 2 : Recette de segmentation osseuse utilisant le traitement d’image avec facilitation d’apprentissage profond. Série d’étapes intégrées pour transformer les données micro-CT originales en segmentations d’os individuels en utilisant des étapes de traitement d’image combinées à la sortie de l’identification de l’espace articulaire DL pour guider la séparation osseuse. Veuillez cliquer ici pour télécharger ce fichier.

Fichier complémentaire 3 : Poids de prédiction de l’apprentissage profond. Fichier utilisé comme entrée pour les poids lors de la prédiction de segmentation de l’espace articulé par apprentissage profond. Veuillez cliquer ici pour télécharger ce fichier.

Fichier supplémentaire 4 : Architecture de prédiction en apprentissage profond. Fichier utilisé comme entrée pour l’architecture lors de la prédiction de segmentation spatiale en apprentissage profond. Veuillez cliquer ici pour télécharger ce fichier.

Fichier supplémentaire 5 : script python d’apprentissage profond. Fichier utilisé comme script python pour la prédiction de segmentation de l’espace conjoint en apprentissage profond. Veuillez cliquer ici pour télécharger ce fichier.

Discussion

À la fin des analyses entièrement automatisées des volumes osseux chez la souris, nous avons apporté d’autres améliorations dans la segmentation des données de micro-CT dans des structures complexes, en particulier les pattes arrière murines. La stratégie consistait à cibler les espaces articulés des articulations pour créer des limites de séparation osseuse, où l’accent mis sur l’espace négatif entre les os permettait une mise en œuvre flexible dans des structures alternatives comme l’avant-patte, car l’approche n’était pas spécifique à la forme et à l’anatomie des os distincts de l’arrière-patte. Bien que la précision de segmentation ait diminué lorsqu’elle est effectuée sur les pattes avant, les ensembles de données WT ont tout de même démontré une précision osseuse de >85 %. Des processus correctifs bien^{décrits 12} pourraient être appliqués pour créer des ensembles de données de modèles pré-annotés pour l’entraînement de la patte avant pour l’entraînement de la patte avant (DL), abaissant considérablement les barrières à la création d’algorithmes spécifiques à la structure. Cette approche novatrice permettait également d’appliquer sur des pattes TNF-Tg présentant une arthrite érosive inflammatoire sévère et progressive. Chez les pattes TNF-Tg, la baisse de la précision de segmentation a été frappante au fil du temps, correspondant à l’augmentation progressive des érosions osseuses et aux fusions pathologiques os-os dues à la remodelisation des surfaces érodées avec l’âge. Ainsi, l’application remarquablement réussie d’un modèle de segmentation automatisé et très précis dans les structures WT a le potentiel d’orienter les futures applications dans les modèles de maladies ou d’autres articulations complexes. Des recherches ultérieures porteront sur l’optimisation de la segmentation des articulations arthritiques qui pourraient quantifier les effets pathologiques des érosions et fusions osseuses afin d’identifier les biomarqueurs de la maladie, comme décrit^{précédemment 23}.

Malgré l’utilisation réussie de l’imagerie micro-CT pour surveiller l’érosion des petits os dans les modèles précliniques d’arthrite 12,23,25,35,42, l’application des modalités CT dans l’évaluation clinique a été limitée. En particulier pour la polyarthrite rhumatoïde, les systèmes de notation sont principalement mis en œuvre pour l’IRM⁴³, l’échographie^44,45 et/ou la radiographie^{conventionnelle 46} afin de générer des mesures semi-quantitatives et dépendantes de l’utilisateur de la gravité de la maladie, souvent en lien avec les indicateurs^{cliniques 47}. Comme la tomodensitométrie est considérée comme la référence d’excellence pour l’évaluation de l’intégrité^{osseuse 48,49}, une optimisation supplémentaire des approches analytiques cliniquement transférables promet d’apporter un bénéfice considérable pour une évaluation quantitative fiable et longitudinale des volumes osseux, tant pour éclairer la gravité de la maladie que pour évaluer la réponse au traitement. Bien que les modalités d’imagerie telles que l’IRM offrent une plus grande diversité d’informations, incluant les régions d’inflammation, les modifications de la moelle osseuse et la pathologie des tissus mous, les nouvelles approches d’imagerie CT avec des entrées multi-énergie⁵⁰ offrent un potentiel pour étendre l’utilisation du CT au-delà de l’architecture osseuse. Malgré ces bénéfices proposés, nous reconnaissons également les immenses défis de la traduction clinique des outils analytiques précliniques développés, en tenant compte de l’application aux images CT cliniques à faible résolution et de leur mise en œuvre dans des anatomies humaines distinctes. À l’instar de notre récente identification de biomarqueurs spécifiques à l’os dans les modèles précliniques d’arthrite²³, un effort clinique détaillé étudiant uniquement des indicateurs quantitatifs de l’érosion osseuse constituerait une avancée majeure dans la surveillance des maladies.

Bien que nos travaux actuels fournissent une base pour la mise en œuvre clinique, compte tenu du potentiel d’application flexible à de nouvelles structures en ciblant les espaces articulaires, une limitation principale est la dépendance à un logiciel préclinique bien documenté et orienté recherche dans Amira, non destiné au diagnostic clinique. Cependant, les algorithmes sous-jacents et la conception stratégique peuvent être facilement implémentés dans des environnements logiciels alternatifs grâce à la méthodologie détaillée fournie. Quel que soit le logiciel de recherche utilisé, l’intégration dans l’usage clinique (plutôt que dans l’investigation) nécessite des efforts translationnels qui respectent les exigences réglementaires pour l’introduction à la pratique clinique. Pour l’application de la nouvelle stratégie de segmentation, il est également important de considérer les limites potentielles de la résolution différentielle d’image, où nous avons déjà décrit que la résolution d’image (c’est-à-dire la taille des voxels/structures) est un déterminant clé de la précision de segmentation en utilisant uniquement les algorithmes de traitement^{d’image 12}. En fait, cela est possiblement associé à la légère réduction de la précision de segmentation des pattes antérieures, où la taille réduite des structures des pattes antérieures produirait intrinsèquement une qualité d’image relativement inférieure à celle des pattes arrière. Il est également important de reconnaître l’écart dans la tranche d’âge des ensembles de données d’entraînement (2-6 mois) et de tests (y compris 7-8 mois), qui peut influencer l’application et la précision avec les changements liés à l’âge, notamment la poursuite de la croissance osseuse ou l’apparition ultérieure d’une pathologie articulaire. Nos résultats confirment la précision des pattes arrière WT dans l’analyse DL au-delà de 6 mois (Figure 2E), ce qui suggère que la dépréciation de la performance de segmentation chez les homologues TNF-Tg est probablement davantage liée à une progression inflammatoire-érosive, indépendamment de l’âge lui-même. Cependant, des études supplémentaires sur des souris sauvages âgées et âgées sont nécessaires pour garantir une précision constante, indépendante de la tranche d’âge particulière de la cohorte de formation DL. Enfin, étendre les méthodes décrites au-delà d’une approche de séparation osseuse à classe unique vers un outil analytique multi-classes plus robuste, incluant des noms d’os prédits basés sur l’architecture structurelle ou la position des coordonnées dans une anatomie fixe (c’est-à-dire semblable à un arbre d’atlas) apportera certainement des améliorations essentielles et favorisera probablement l’adoption des méthodes.

En conclusion, nous avons conçu une nouvelle stratégie de micro-segmentation micro-CT facilitée par le traitement d’images et la DL pour isoler des os individuels au sein de structures complexes. Cette innovation démontre une amélioration remarquable tant de l’automatisme que de la précision de segmentation par rapport à notre flux de travail^{SA 12} récemment créé, qui a ici servi de base à la production de nombreuses segmentations de référence pour entraîner les modèles DL et optimiser les améliorations actuelles. Bien que la traduction des méthodes de segmentation dans les pattes avant et pattes présentant une arthrite inflammatoire-érosive ait montré des performances déprécieuses, la mise en œuvre de cette approche de segmentation DL pourrait réduire les efforts manuels nécessaires pour générer des ensembles de données entièrement annotés afin de permettre des modèles d’entraînement DL spécifiques à la pathologie ou à la structure. L’utilisation de cette méthode DL dans de futures études pourrait permettre d’optimiser la segmentation osseuse entre différentes espèces et modèles de maladies dans la recherche préclinique afin de permettre une analyse quantitative détaillée en aval. Nous encourageons également l’intégration de telles stratégies dans la recherche clinique, car elles promettent des bénéfices futurs pour les soins aux patients.

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Système informatique	Détails fournis dans la section Protocole   ;	Détails fournis dans la section Protocole   ;
Logiciels de visualisation d’images	ThermoFisher Scientific	v2022.2 ou ultérieur	Amira
Isoflurane	VetOne	13985-528-60	Fluriso, 1-3 % pour l’anesthésie
Souris	Centre médical de l’Université de Rochester	N/A	C57BL/6, TNF-transgénique
Micro-CT	Scanco Medical	N/A	VivaCT 40
Logiciels statistiques	GraphPad Software, Inc	v10.2.0 ou ultérieur	GraphPad Prism
Bande	N/A	N/A	Sécuriser les pattes des animaux pour l’imagerie
Tubulure	N/A	N/A	Plastique Derlin et acrylique transparent pour la stabilisation animale