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

Des algorithmes récents de traitement d’image à haut débit ont fourni de nombreuses segmentations osseuses de référence d’articulations complexes avec le potentiel d’entraîner des modèles d’apprentissage profond. Le défi actuel est la capacité limitée à utiliser les stratégies de segmentation antérieures dans les futures expériences, compte tenu d’algorithmes spécifiques à la structure et de processus correctifs manuels importants. Nous répondons au besoin d’une analyse d’images automatisée reproductible permettant une évaluation quantitative de la santé osseuse et de la progression de l’arthrose tout en minimisant le travail manuel et la viabilité.

Pour commencer, consultez le jeu de données de micro tomographie pour observer que l’os et les tissus mous sont clairement distinguables. Inspectez les régions où les os adjacents sont serrés afin d’identifier les zones où la résolution d’image limitée et les espaces minimes rendent leurs limites difficiles à détecter. Notez la base où la méthode de segmentation supervisée basée sur le bassin versant produit une précision globale d’environ 80 %. Pour améliorer la précision de segmentation, appliquez un flux de travail mis à jour qui combine un modèle de prédiction de l’espace articulaire en apprentissage profond pré-entraîné avec une recette préconçue de traitement d’image et de séparation osseuse basée sur le bassin versant dans l’environnement logiciel Amira.

Chargez le jeu de données de microtomographie dans Amira. Connectez le module de prédiction de l’apprentissage profond. Sélectionnez le modèle entraîné et appuyez sur Appliquer pour générer une segmentation initiale de l’espace articulaire.

Ensuite, chargez la recette dans le module lecteur de recettes d’image. Reliez le jeu de données de micro-tomographie informatisée et la segmentation articulaire préliminaire, puis appliquez la recette pour produire la segmentation finale avec des os entièrement individualisés. Enfin, évaluez le résultat obtenu en ajustant la carte des couleurs aux étiquettes 256 et en inspectant les tranches orthogonales et les rendus volumineux afin de confirmer la séparation réussie des os individuels dans tout le pospeu.

Pour inspecter ou modifier la recette de traitement d’image, ouvrez la salle de travail de la recette d’image dans Amira et chargez la recette de séparation osseuse. Connectez les données d’entrée requises et ajustez les paramètres dans la fenêtre des Propriétés pour personnaliser le flux de travail du jeu de données actuel. Pour examiner la structure du workflow, visualisez séquentiellement les sorties intermédiaires générées par la recette, puis appliquez une méthode mathématique morphologique black top-hat implémentée par fermeture, soustraction arithmétique et seuil, et utilisez cette étape pour mettre en valeur les voxels plus sombres que leur environnement et correspondant à des régions jointes.

Pour améliorer la spécificité, appliquez le filtre d’amélioration de structure pour mettre en valeur des structures planes sombres et fines correspondant aux espaces articulaires. Renforcez encore la continuité des articulations en appliquant le filtre d’amélioration membranaire, qui intègre une étape de vote tensorielle. Ensuite, intégrer le masque articulaire généré par un réseau de neurones convolutionnel entraîné à identifier l’espace négatif périarticulaire avec les résultats des filtres de traitement d’image précédents afin de générer un masque articulaire final.

Pour compléter la séparation osseuse, retirez le masque articulaire final du masque osseux et considérez chaque composante connectée restante comme un marqueur d’un os individuel. Appliquer l’algorithme du bassin versant pour faire croître chaque marqueur dans le masque osseux d’origine, en reconstruisant les os individuellement et en plaçant les limites à des positions optimales en fonction de l’intensité de l’image. Pour préparer les données d’entraînement pour le modèle d’apprentissage profond, sélectionnez 20 ensembles de données de type sauvage représentant 40 pattes arrière avec une répartition équilibrée des sexes et des âges allant de 2 à 6 mois.

Extraire six sous-volumes de chaque jeu de données avec trois sous-volumes par hindpaw. Utilisez des sous-volumes mesurant 200 x 200 x 200 voxels pour couvrir les régions de cheville, les doigts et les zones de fond représentatives. Configurez une architecture U-Net tridimensionnelle avec un réseau ResNet-18.

Optimisez le modèle en utilisant l’algorithme d’Adam avec un taux d’apprentissage initial de 0,0001 et des poids initialisés aléatoirement. Entraînez le modèle en utilisant la fonction de perte de dés et surveillez la performance de validation à l’aide de la métrique d’intersection sur union. L’utilisation de l’apprentissage profond pour identifier les espaces articulaires dans les micro-jeux de données CT a permis une séparation claire et cohérente des os de l’arrière de la patte arrière.

En se concentrant sur l’espace négatif périarticulaire, le modèle a précisément délimité les frontières osseuses même dans les régions densément compactes. Comparé au flux de travail semi-automatisé, qui a atteint environ 80 % de précision, l’approche d’apprentissage profond a apporté une nette amélioration pour les souris de type sauvage, atteignant une précision de 98 à 99 % avec une correction manuelle minimale. Chez les souris transgéniques TNF, facteur de nécrose tumorale ou TNF, la méthode d’apprentissage profond a maintenu de hautes performances malgré une maladie inflammatoire érosive progressive, avec une précision d’environ 98 % durant les premiers stades de progression de la maladie.

Bien que le modèle ait été entraîné exclusivement sur les pattes arrière, il pouvait être appliqué directement aux pattes avant sans réentraînement pour obtenir des segmentations anatomiquement cohérentes, démontrant une forte généralisation aux structures complexes. Il a été constaté que la progression d’une maladie érosive sévère et de la destruction des articulations était accélérée chez les pattes avant transgéniques des femelles transgéniques au TNF. Notre protocole améliore la précision et l’automatisation de la segmentation, tout en permettant des corrections manuelles et des améliorations continues des performances grâce à des annotations expertes supplémentaires.

Nos recherches futures visent à intégrer plusieurs structures uniques, modèles de maladies et algorithmes automatisés afin de continuer à améliorer la flexibilité et l’application.