Research Article

זיהוי אוטומטי במרחב מפרקים משפר את דיוק חלוקת העצם

DOI:

10.3791/69252

⸱

November 28th, 2025

 ,  ,  ,  ,  ,  ,  ,  , 
1Center for Musculoskeletal Research, University of Rochester Medical Center, 2Department of Pathology & Laboratory Medicine, University of Rochester Medical Center, 3Department of Medicine, University of Rochester Medical Center, 4Thermo Fisher Scientific, 5Arthritis and Tissue Degeneration Program, Department of Research, Hospital for Special Surgery, 6Department of Urology, University of Rochester Medical Center, 7Department of Biomedical Engineering, University of Rochester Medical Center, 8Department of Orthopaedics, University of Rochester Medical Center, 9Department of Obstetrics and Gynecology, University of Rochester Medical Center, 10Department of Neuroscience, University of Rochester Medical Center

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

פיתוח תהליך אוטומטי לזיהוי מרחב מפרקי אפשר סגמנטציה בתפוקה גבוהה של עצמות כפות אחורית מובחנת של עכברים, בדיוק של >98% בבעלי חיים מסוג בר. הושג יישום גמיש לכפות הקדמיות ולכפות עם דלקת מפרקים דלקתית-שחיקה, אך עם ביצועים ירודים שדורשים אופטימיזציה נוספת במחקרים עתידיים באמצעות נתונים זמינים לציבור.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

תיאור כמותי של מבנים אנטומיים מורכבים נותר מאתגר בשל המומחיות הנדרשת לסגמנטציה ידנית, עבודה ושונות בין צופים. כדי להתגבר על כך, ניתן לבצע זיהוי אוטומטי של נקודות ציון ספציפיות באמצעות טכניקות ניתוח תמונות דיגיטליות, כולל מודלים של למידה עמוקה (DL). לשם כך, ביצענו ניתוח אוטומטי מפוקח של מערכי נתוני מיקרו-טומוגרפיה ממוחשבת (micro-CT) של כפות אחוריות וקדמיות של עכברים. מעבר לאלגוריתמים חצי-אוטומטיים (SA) מבוססי סימון שפורסמו בעבר, הוספנו שיפור מבנה, הצבעה עם טנזורים והרחבת פלט לזיהוי מרחבי מפרקים. הסגמנטציה שופרה באמצעות מודל חיזוי מרחב משותף DL (ארכיטקטורת U-Net תלת-ממדית, עמוד שדרה ResNet-18) תוך שימוש בתוויות אחוריות מסוג wild-type (WT) כאמת קרקע. התחזית הורחבה גם לכפות האחוריות והקדמיות מעכברים טרנסגניים מסוג WT ו-TNF-Tg עם דלקת מפרקים דלקתית-שוחקת משני המינים בגילאים שונים. דיוק הסגמנטציה השתפר משמעותית באמצעות מתודולוגיית DL. הדיוק ירד עם עלייה בחומרת המחלה ובגיל בעכברי TNF-Tg. בדיקות מאוחרות יותר בכפות הקדמיות הראו גם הן ירידה הדרגתית בדיוק עם חומרת דלקת מפרקים. בסך הכול, המודל האוטומטי המפוקח הזה עולה על גישות SA עדכניות במפרקים בריאים כדי לשפר את חקר אנטומיית העצמות המורכבת. למרות שיישום גמיש למאגרי נתונים חדשים ומותאמים למחלות מראה ביצועים ירודים, השימוש עשוי בכל זאת לזרז פיתוח מודל סגמנטציה ספציפי למבנה.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

ניתוח תמונות איכותי לא רק משפר את מאמצי המחקר אלא גם יכול לסייע לרדיולוגים קליניים בניסיון לזהות ולכמת שינויים פתולוגיים, משימה חיונית לטיפול בחולים. ניתוח תמונה הוא רצף מפורט של הליכים, כולל חילוץ תכונות, תרגום תמונה גנרית לתוויות משמעותיות, והפקת מדדים כמותיים1. חלק גדול מהתהליך הזה מונע על ידי ידע קודם, כגון מבני סף המבוססים על צפיפות או צבע, ולאחר מכן יישום אלגוריתמים לעיבוד תמונה בהמשך (כגון התרחבות, שחיקה, החלקה, הפרדה) להשגת הסגמנטציה הרצויה. לאחר האופטימיזציה, התמונות המחולקות יכולות לספק קלטים ללמידת מכונה מפוקחת2, כולל למידה עמוקה (DL) שמקודדת ומפענחת תכונות מורכבות באמצעות רשתות עצביות,2,3 מה שמוביל לשיפור דיוק וקצב העברת התמונה של התמונה.

למעשה, יישום רשתות עצביות קונבולוציונליות תלת-ממדיות (CNNs) סיפק התקדמות קריטית באלגוריתמים אוטומטיים של סגמנטציה עצמית לניתוח תמונות שלד, כאשר חלק מהמודלים עולים על סגמנטציה אנושית4. בעוד ש-CNNs של סגמנטציה תלת-ממדית פועלים דרך ארכיטקטורות שונות (כגון AlexNet, ResNet, UNet), הפלטים שלהם זהים במהותם, מסכת תמונה שמציינת נפח עצם חיובי מהרקע. מודלים כאלה של למידה עמוקה בניתוח תמונות שריר-שלד נמצאים בפיתוח מהיר, והתחום עבר במהירות מפתרון בעיות פשוטות של גילוי שברים דו-ממדיים5 לבעיות מורכבות רב-מפרקיים6 עם היכולת להתמודד עם רעש ארטיפקטואלי או תכונות חריגות במאגרי נתונים. לדוגמה, Woo ואחרים שמו לב כי אנומליות מבניות (כגון נגעים במח עצם, ציסטות עצם) ב-MRI פגעו בתחזיות הסגמנטציה שלהן לסחוס המפרקים במפרקי הברך. לכן, הם פיתחו מודל סגמנטציה מודע לאנומליה כדי לזהות תחילה מבנים חריגים לא קשורים, מה ששיפר באופן דרמטי את סגמנט העצם והסחוס7. הוא ואחרים אימנו 14 מודלים נפרדים, כל אחד על ROI של מפרקי מפתח ביד, להערכת גיל השלד ואז שילב את הפלטים שלהם כדי לשפר את התחזיות מצילומי רנטגן בידיים, במקום להשתמשבמבנה היד כולו. באופן דומה, הכללת הקשר במודלים, כמו תכונות סגמנטציה אזורית ויחסים אנטומיים גלובליים, הוכחה כמשפרת את התחזיות. שימוש ב-CNN רב-אזוריים כדי לספק הקשר לתכונות סגמנטציה צפויות משפר גם את הערכת בגרות השלד בצילומי רנטגן ידניים על ידי הגבלת בעיית הסיווג למיקומים אנטומיים מתאימים9. התקדמויות נוספות כוללות SVTNet עם סגמנטציה מבוססת CNN, ואחריה עיבוד נוסף באמצעות מודלים של טרנספורמר ראייה ללכידת מידע גלובלי על הקשר המרחבי בין אזורים מקוטעים להערכת תוצאות כמותיות כגון גילעצם 10.

כפי שמודגם בגישות חלוקה אלו, הדמיית מחקר בדלקת מפרקים מתמקדת בחיבור משטחים בין שתי עצמות או יותר, כאשר שיטות להפרדת עצם הן קריטיות להערכה מוצלחת של תהליכים פתולוגיים שונים במפרקים מורכבים. התקדמות באלגוריתמים לעיבוד תמונה הוכיחה שימושיות מרשימה בהגדלת התפוקה האנליטית של עצמות קרפל או טרסל סמוכות11,12. עם זאת, אימוץ מוגבל עקב אי-דיוקים הדורשים התערבות משתמשים וקושי בתרגום למבנים שונים מדגיש את הצורך ביישום תהליכי עבודה אופטימליים. תהליכים רב-שלביים אלו יכולים להפיק תועלת רבה מכלים נפרדים לשיפור תמונה (למשל, זיהוי קצה עצם13). מעבר לפעולות מורפולוגיות בלבד, מחקרים אחרים יישמו טכניקות מבוססות רישום תוך ניצול האמינות והעקביות האופייניות באנטומיה לזיהוי מבנה 14,15,16,17. האלטרנטיבה של קלטים ידניים ליצירת תוויות אמת קרקעית יקרה ומייגעת, אך יכולה להיות מוצלחת באותה מידה, כאשר השימוש עשוי להיות חיוני בעצמות מורכבות וצמודות עם גבולות פחות דיסקרטיים (למשל, גולגולת18). באופן דומה, שיטות דימות חלופיות עם שונות צבע/גוון גם בתוך מבנה בדיד, כגון הדמיית תהודה מגנטית (MRI 19,20,21) או היסטולוגיית רקמות 22, מציגות גם הן מורכבות שעשויה להרוויח מסגמנטציה ידנית ראשונית להנחיית תהליכים אוטומטיים. ביחד, שיטות אלו יכולות להציע יתרונות נוספים על ידי קידום אוטומציה נוספת, שבה התוצאות משמשות כמאגרי נתונים לאימון ליישום גישות ל-DL. היתרונות של אוטומציה של סגמנטציה רבים, אך במיוחד שיטות אלו מאפשרות מדדים כמותיים מפורטים ורלוונטיים למרחב, כולל שינויים בנפח סחיפה אזוריים/ספציפיים לעצם 23,24,25,26 וכן זיהוי אזורים עם רגישות גבוהה לנזק 27.

כאן, אנו בונים על שיטות סגמנטציה חצי-אוטומטיות (SA) של כף רגל אחורית12 עם שיפורים באלגוריתמים לעיבוד תמונה בשילוב עם סגמנטציות עצם אמת קרקע28, כדי לאמן מודלים של DL לזיהוי מרחב מפרקים. אסטרטגיה אנליטית חדשנית זו הראתה שיפור משמעותי בדיוק בחלוקת עצם בודדת של רגלי האחוריים, מה שהפחית מאמצים ידניים לתיקון שגיאות סגמנטציה12 כדי להאיץ את עיבוד המדדים הכמותיים במורד הזרם. אנו גם מראים את הפוטנציאל ליישום התקדמות טכנית זו במבנים חדשניים, כולל כפות קדמיות ואחוריות עם דלקת מפרקים סחיפה חמורה. מכיוון שסגמנטציה ידנית היא עתירה זמן ודורשתרמות מומחיות גבוהות, אסטרטגיות דומות לשימוש רציף בסגמנטציה חצי-אוטומטית ואוטומטית ליצירת מסנני קלט משופרים יכולות להוריד את המחסום לפיתוח CNNים איכותיים ליישומים ספציפיים. השיטות הנלוות שפותחו בתוכנת אמירה (קובץ משלים 1) ומאגרי הנתונים הרלוונטיים מסופקים לציבור כדי לתמוך באימוץ ושיתוף פעולה במחקר נוסף28,29.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

כל הניסויים בבעלי חיים בוצעו בהתאם לפרוטוקולי IACUC שאושרו על ידי הוועדה האוניברסיטאית למשאבי בעלי חיים במרכז הרפואי של אוניברסיטת רוצ'סטר.

מודלים של בעלי חיים
העכברים אוחסנו בויבריום המוכר על ידי AAALAC. בסך הכול שימשו 19 עכברים לניסויים המתוארים, כולל 4 זכרים מסוג בר (WT), 4 נקבות WT, 4 זכרים טרנסגניים TNF (TNF-Tg) ו-7 נקבות TNF-Tg, עם הערכות חודשיות לאורך זמן. עכברי TNF-Tg (קו 3647, C57BL/6 רקע גנטי30) נרכשו בתחילה אצל ד"ר ג'ורג' קוליאס עם תחזוקה מתמשכת באוניברסיטת רוצ'סטר. עכברי TNF-Tg גודלו כהטרוזיגוטים, כאשר עכברי WT שימשו כבקרת בני אדם. הגנוטיפינג לטרנסגן TNF בוצע באמצעות רצפי פריימר הבאים: TNF-Tg קדימה: 5-TAC-CCC-CTC-CTT-CAG-ACA-CC-3; הפוך TNF-Tg: 5-GCC-CTT-CAT-AAT-ATC-CCC-CA-3.

עכברי TNF-Tg מפתחים דלקת מפרקים דלקתית-שחיקה כרונית, מתקדמת וספונטנית31 עם הופעה מהירה יותר של הופעות מפרקיות ומחוץ למפרקים בעכברים, מה שמוביל לתמותה מוקדמת בסביבות 5-6 חודשים32. לכן, חולקו עכברים נוספים לקבוצת הנקבות של TNF-Tg. כפי שצוין בתיאורים קודמים של קבוצת מחקר23, n=2 נקבות TNF-Tg מתו לפני סיום המחקר, n=1 לפני 4 חודשים, ו-n=1 לפני 5 חודשים. מכיוון שעכברי TNF-Tg מציגים התקדמות אסימטרית מבוססת היטב בכפות האחוריות33,34, הגפיים הבודדות נחשבו ליחידת המידה (2 כפות קדמיות ו-2 רגליים אחוריות לכל בעל חיים).

אוסף תמונות Micro-CT
מאגרי נתוני Micro-CT נאספו כפי שתואר קודם12,23. בקצרה, העכברים הונחו בצינור פלסטיק וצינור אקרילי שקוף של דרלין עם הרדמה איזופלורנית של 1%-3% להדמיה במיקרו-CT באמצעות הפרמטרים הבאים: 55 קילו-וולט, 145 מיקרואמפר, זמן אינטגרציה של 300 מילישניות, 2048 x 2048 פיקסלים, 1000 הקרנות מעל 180°, רזולוציה של 17.5 מיקרומטר ווקסלים איזוטרופיים. למען הבטיחות בעת שימוש באיזופלורן, נעשה שימוש בציוד מגן אישי מתאים (כפפות ניטריל, חלוק מעבדה או חלוק, משקפי בטיחות), ומאייד האיזופלוראן נשמר בתוך מכסה אדים באמצעות פילטר פחם ללכידת פסולת גזית עם צינורות אטומים היטב להמשכיות במערכת המשלוח. האיזופלורן המאדה שימש להשראת הרדמה בתא אטום, ולאחר מכן ההרדמה נשמרה על ידי זרימה רציפה של איזופלורן לקונוס אף של עכברו במכשיר המיקרו-CT. גם הכפות האחוריות וגם הקדמיות הודבקו יחד לייצוב במהלך מפגשי הדמיה. כל מערך נתונים נאסף בכ-30-45 דקות (60-90 דקות בסך הכל) עם נתוני כף רגל אחורית וקדמית שמקורם באותם בעלי חיים ונקודות זמן. העכברים הוערכו במרווחים חודשיים החל מגיל חודשיים ועד גיל 5 חודשים (נקבות, TNF-Tg עם תמותה מוקדמת32) או 8 חודשים (זכרים). חלקים מנתוני כף הרגל האחורית ששימשו למחקר זה פורסמו בעבר (WT:12,35; WT ו-TNF-Tg:23) וזמינים לציבור28. נתוני כף הרגל הקדמית היו זמינים לציבור למטרות מחקר זה29.

אלגוריתם פילוח מרחב משותף עם הנחיית למידה עמוקה
אלגוריתם עיבוד תמונות SA בעל תפוקה גבוהה לחלוקת עצמות האישיות של כף הרגל האחורית המורכבת בעכברים (30-31 עצמות) פותח בעבר12, אשר סיפק מסגרת לחקר סמנים ביולוגיים בודדים של התקדמות דלקת מפרקים דלקתית-סחיפה באמצעות תוכנת Amira23. שיטת סגמנטציה בסיסית זו השתמשה באלגוריתם אגן ניקוז מבוסס סמן36 להפרדה בגבולות העצמות. אלגוריתם אגן הניקוז המבוסס על סימנים מפריד בין אובייקטים שונים בתמונה על ידי התייחסות לערכי פיקסלים כטופוגרפיה מקומית המבוססת על סמנים שהוגדרו על ידי המשתמש. סמנים ספציפיים לעצם נוצרו באופן SA באמצעות שלבי עיבוד תמונה שונים, כולל טופ-האט שחור (BTH), במטרה להדגיש אזורים מקומיים עם שינויים גדולים בצפיפיות, כגון קצוות העצם ומפרקי העצם. יחד, גישה זו יצרה גרסה נשחקת של כל עצם בודדת, שהורחבה לאחר מכן לגבולות העצם באמצעות מסכת גבול בינארית. בעוד ששיטת אגן הניקוז שיפרה את השימוש הקודם בקונטור ידני, הדיוק (עצמות מחולקות נכון / סך העצמות) עמד על כ-80% לכל מערך נתונים, בשל רעש ניגוד נמוך שהוביל לאזורי מפרקים גשרים (חיבור יתר של עצמות; 2+ עצמות כחומר אחד) או טעות בזיהוי הקצוות (פיצול עצמים יתר; עצם אחת כ-2+ חומרים). לכן, יצירת סימוני SA לגישת אגן הניקוז דרשה הליכי תיקון ידניים עקבייםותכופים 12 לפיתוח משאב של תוויות תקן זהב23,28.

פיתוח מודל DL לחיזוי מפרקי עצם התבסס על ארכיטקטורה של רשת U-Net תלת-ממדית עם עמוד שדרה ResNet-18. פונקציית אובדן האימון הייתה Dice, מדד האימות היה חיתוך מעל איחוד (IoU), הירידה הגרדיאנטית השתמשה באופטימיזציה של אדם עם קצב למידה התחלתי של 0.0001, והמשקלים הופעלו באקראי. המודל אומן באמצעות 20 מערכי נתונים של WT (40 רגליים אחוריות) עם התפלגות שווה של מין וגיל (בין 2 ל-6 חודשים), כל אחד מחולק ל-6 תתי-נפחים (3 לכל כף רגל אחורית) של 200 x 200 ווקסלים בגודל 200 על 200 עם מערך אימות אקראי של 25% תת-נפחים (30 אימות, 120 בסך הכל) כדי למנוע התאמת יתר. האריחים התלת-ממדיים הללו הוצבו באופן שווה על הטרסלים, הפלאנגות הדיסטליות והאזורים הרקעיים. גודל טלאי האימון נקבע ל-96 על 96 על 96 ווקסלים (איור משלים 1). הדגם אומן במשך 500 תקופות, תוך כ-6 שעות. אזורי חיבור אמת קרקעיים הושגו באמצעות מתכון אוטומטי מתווי אמת קרקע, שהרחיב את ממשקי התווית עם גודל התרחבות תלת-ממדי של 5 הן בעובי והן בהיקף.

בשילוב עם חיזוי DL של מרחב המפרקים, יושמו מספר שלבי עיבוד תמונה לשיפור זיהוי מרחב המפרק וחלוקת העצם. אסטרטגיות אלו כללו שימוש בשיטת BTH בשילוב עם שיפור מבנה37, שיפור ממברנה, והצבעת טנזור38 לחיזוק רציפות המרחב המשותף על ידי הגבלת פערי הממברנה. יחד, גישות אלו מחזקות את מרחבי המפרקים להפרדת עצמות כדי להגביל את דליפת הסגמנטציה בין עצמות סמוכות, מה שיוצר שגיאות חיבור יתר כאשר אלגוריתם אגן הניקוז מתפשט על פני מספר עצמות. התוצאה הסופית מפרידה ומפצלת את מערכי הנתונים המקוריים של מיקרו-CT לתוויות ספציפיות לעצם.

להלן פרוטוקול מפורט שלב אחר שלב של שיטת הסגמנטציה המונחית DL.

שלב 1: לפתוח תוכנת אמירה (דורש רישיון אישי או מוסדי). שלב 2: פתח לשונית בפייתון, בחר יצירת סביבה חדשה לפייתון עם שם סביבה: deep-learning-environment-2022_2. חשבון התקנת חבילות למידה עמוקה. שלב 3: אתחול תוכנה, פתיחת לשונית פייתון, בחירת סביבת משתמש סביבת למידה עמוקה-2022_2. שלב 4: נתונים פתוחים - ניתן לטעון מחסניות DICOM על ידי בחירת כל קבצי DICOM הבודדים או פתיחת קבצי .am המכילים מחסניות DICOM מוטמעות, אם קיימות. שלב 5: החלו מודול חיזוי למידה עמוקה על אובייקט הנתונים המיובא עם הפרטים הבאים:
נתונים: אובייקט נתונים מיובא
ארכיטקטורה: קובץ .json (קובץ משלים 2)
משקלים: קובץ .hdf5 (קובץ משלים 3)
ריצוף: ידני - אופטימיזציה אפשרית על ידי הפחתת גודל הפיקסלים של הריצוף והגדלת חפיפת הריצופים ככל האפשר, בהתאם לחומרה החישובית. המודול ייכשל אם דרישות העיבוד אינן מספקות. ודא בעריכה, העדפות, נתונים גדולים שהקצאת הזיכרון לתוכנה ממקסמת ככל האפשר.
רוחב, גובה, עומק אריחים: 352 פיקסלים
חפיפת אריחים: 0 פיקסלים
שלב 6: החלו את נגן מתכון התמונה, לחצו קליק ימני פנימה אזור הפרויקט בלי לכוון לאובייקט נתונים מסוים. הזן/העריך את הדברים הבאים:
מתכון פתוח: קובץ .hxisp (קובץ משלים 4)
נתונים: אובייקט נתונים מיובא
מפרקי קלט: תוצאה של שלב 5 (חיזוי למידה עמוקה)
טווח עוצמות שלב 3: 2500 - 20000
שלב 7: הערך את אובייקט הנתונים המעובד שמכיל את הסגמנטציה הסופית - ודא שאתה מתאים את Colormap ל-Labels256 כדי להעריך את סך הסגמנטציות האישיות (ברירת המחדל היא רק 8 צבעים). ל-2D: מיישמים Ortho Slice ולתלת-ממד: להחיל Volume Rendering. פרטים על מתכון מוטמע (BTH+DL+SEF+MEF_D2.hxisp) שהוחל בשלב Image Recipe Player מופיעים להלן (קובץ משלים 5). שימו לב שב-Image Recipe Designer, ניתן להציג וליצא שלבים בודדים לפי הצורך כדי להעריך שלבים לאופטימיזציה במאגרי נתונים מסוימים. בפרוטוקול מודגשים שלבים מסוימים שדורשים התאמה לכל יישום ייחודי, שכן הם תלויים בתוצאות הדמיה (כלומר, צפיפות) ו/או בגודל האובייקטים (כלומר, עצמות):
שלב 1: יישום מסנן חציוני עם נתונים: אובייקט נתונים מיובא; פרשנות: תלת-ממד; שכונה: 26; איטרציות: 3; סוג: איטרטיבי.
שלב 2: יישום סף - שלב זה ידרוש אופטימיזציה בהתאם למאגרי הנתונים ולסף הספציפי שמכוון לאובייקט הרלוונטי, במקרה זה, העצם עם נתונים: תוצאת שלב 1 (מסנן חצי); טווח עוצמות: 2500 - 20000.
שלב 3: יישום סגירה - שלב זה ידרוש אופטימיזציה בהתאם לגודל מרחבי המפרקים בין העצמות עם נתונים: תוצאה של שלב 1 (מסנן חצי); סוג: קוביה; פרשנות: תלת-ממד; שכונה: 26; גודל פיקסלים: 3.
שלב 4: יישום חשבון תמונה עם קלט A: תוצאה של שלב 3 (סגירה); קלט B: תוצאה של שלב 1 (מסנן חצי); ערוצי תוצאה: כמו קלט A; ביטוי: א-ב.
שלב 5: יישום סף עם נתונים: תוצאה של שלב 4 (חשבון תמונה); טווח עוצמות: 750 - 20000.
שלב 6: יישום אריתמטיקת תמונה עם קלט A: תוצאה של שלב 2 (סף); קלט B: תוצאת שלב 5: (סף); ערוצי תוצאה: כמו קלט A; ביטוי: A-(B>0)
שלב 7: החלת מסנן שיפור מבנה עם תמונת קלט: אובייקט נתונים מיובא; פרשנות: תלת-ממד; סוג טנזור: הסי; מינימום/מקסימום סטיית תקן: 1 - 3 פיקסלים; שלב סטיית תקן: פיקסל אחד; ניגודיות: כהה; סוג מבנה: מישור.
שלב 8: יישום סף אוטומטי עם תמונת קלט: תוצאה של שלב 7 (מסנן שיפור מבנה); סוג: סף אוטומטי גבוה; פרשנות: תלת-ממד; מצב: מינימום; קריטריון: פירוק.
שלב 9: החלת מסנן שיפור ממברנה עם נתונים: אובייקט נתונים מיובא; בחירת פלט: הצבעה בטנזור מישור; סולם הצבעה טנזורית: 3 פיקסלים; סולם צפיפות: 3 פיקסלים; סוג: רכס
ניגודיות: כהה; קנה מידה: פיקסל אחד.
שלב 10: יישום סף אוטומטי עם תמונת קלט: תוצאה של שלב 9 (מסנן שיפור ממברנה); סוג: סף אוטומטי גבוה; פרשנות: תלת-ממד; מצב: מינימום; קריטריון: פירוק.
שלב 11: החלת הרחבה - שלב זה ידרוש אופטימיזציה בהתאם לגודל מרחבי המפרקים - עם תמונת קלט: תוצאה של שלב 10 (סף אוטומטי); סוג: כדור; פרשנות: תלת-ממד; גודל: 1 פיקסל; דיוק: מהר יותר.
שלב 12: יישום אריתמטיקת תמונה עם קלט A: תוצאה של שלב 11 (התרחבות); קלט B: תוצאה של שלב 8 (סף אוטומטי); קלט ג': תוצאה של חיזוי למידה עמוקה; ערוצי תוצאה: כמו קלט A; ביטוי: A||B||C.
שלב 13: החלת הסרת נקודות קטנות עם קלט תמונה: תוצאה של שלב 12 (חשבון תמונה); פרשנות: תלת-ממד; גודל: 500 פיקסלים.
שלב 14: יישום חשבון תמונה עם קלט A: תוצאה של שלב 13 (הסרת נקודות קטנות); קלט B: תוצאה של שלב 6 (חשבון תמונה); ערוצי תוצאה: כמו קלט A; ביטוי:! A*B.
שלב 15: החלת הסרת נקודות קטנות עם קלט תמונה: תוצאה של שלב 14 (חשבון תמונה); פרשנות: תלת-ממד; גודל: 500 פיקסלים.
שלב 16: החלת תיוג עם תמונת קלט: תוצאה של שלב 15 (הסרת כתמים קטנים); פרשנות: תלת-ממד; שכונה: 26.
שלב 17: יישום המרת סוג תמונה עם נתונים: תוצאה של שלב 1 (מסנן חצי); סוג פלט: 16 ביט לא חתום; מצב נורמליזציה: קנה מידה; קנה מידה: קנה מידה 3, אופסט 2000.
שלב 18: החלת מסכה פנימית מבוססת סמן עם נתונים: תוצאה של שלב 17 (המרת סוג תמונה); סימנים: תוצאה של שלב 16 (תיוג); מסכה בינארית: תוצאה של שלב 6 (אריתמטיקת תמונה); סוג מפוצל: בעצימות נמוכה.

בדיקת שיטות סגמנטציה וכימות
שיטת הסגמנטציה נבדקה באמצעות יצירת מתכון ששילב את חיזוי משותף DL עם מתכון עיבוד תמונה במורד הזרם בטווח עוצמות של 2500 - 20000 יחידות הונספילד. יצירת מתכונים אפשרה עיבוד אצווה (החלת מתכון על אצווה של קבצים) של מערכי הנתונים המקוריים של micro-CT (פורמט קובץ .am כקובץ תמונה שנשמרת לאחר ייבוא קבצי .dcm ראשוניים ל-Amira). חומרת המחשב כללה 16 ליבות מיחידת עיבוד מרכזית Intel Xeon Gold 5218 בתדר 2.30 GHz, 128 GB של זיכרון תיקון שגיאות (ECC) מהדור הרביעי (DDR4), זיכרון גישה אקראית (RAM) במהירות 2666 מגה-העברות (MT)/s, ו-24 GB של יחידת עיבוד גרפיקה וירטואלית (vGPU/VRAM) על מערכת הפעלה 64 ביט עם Windows 10 (בניית מערכת ההפעלה: 19044.4780). כל מערך נתונים של כף רגל אחורית (2 רגליים אחוריות) חולק לכ-32.7 ± 8.42 דקות (סטיית תקן ממוצעת ±) ללא התערבות משתמש. זה בהשוואה למודל SA הקודם, שבו זמן הסגמנטציה היה תלוי בחוויית המשתמש, כאשר משתמשים מתחילים היו 40.5 ± 9.06 דקות לכל מערך נתונים ומשתמשים מנוסים עם 19.3 ± 5.34 דקות למערך נתונים (מערכי WT בלבד, כולל תיקון שגיאות סגמנטציה)12. שתי שיטות DL ו-SA מראות שיפורים מרשימים לעומת קונטורינג ידני תקן זהב קודם לסגמנטציה ב-190.6 ± 30.4 דקות לכל מאגר נתונים על ידי משתמש מנוסה (שבוצע באמצעות ניתוח Scanco קונבנציונלי)12. מערכי הנתונים של פורפאו (2 כפות קדמיות) חולקו בכ-53.4 ± 23.6 דקות ללא התערבות משתמש, כאשר זמן הסגמנטציה המוגדל ניתן לייחס למבנים נוספים בתוך מערכי הנתונים המקוריים (כלומר, עמוד שדרה וצלעות), שאינם קיימים בכפות האחוריות המבודדות יותר, ומנפחים את זמן הסגמנטציה בהיעדר שלבי עריכת נפח קודמים.

כימות הדיוק בוצע באמצעות בדיקה ויזואלית (HMK) לזיהוי סגמנטציה נכונה או סוג שגיאה בהתבסס על אנטומיית העצם הצפויה (כף רגל אחורית:12,39; פורפאו:40). הדיוק חושב כאחוז על ידי:

figure-protocol-1

כאשר התוצאות החיוביות האמיתיות היו עצמות מחולקות נכון, שליליות אמיתיות שוות 0 (אין מצבים שבהם עצמות אמורות להיות חסרות, והרקע לא היה רלוונטי למדידה), חיוביות שגויות היו עצמות מפוצלות יתר על המידה, ושליליות שגויות היו עצמות מחוברות יתר על המידה. נקבע כי הדיוק הוא מדד כמותי מתאים בהתחשב בבעיה חד-מחלקה (כלומר, זיהוי מרחבי מפרקים), והשלילים האמיתיים (כלומר, רקע) היו לא תורמים לחישובי דיוק, וכך הפחיתו את הסיכון להערכת ביצועים מופרזת. שיטת הסגמנטציה האוטומטית אינה כוללת שמות עצם; שמות העצמות מקושרים לאחר מכן לחומרים מקוטעים ידנית על ידי המשתמש.

הערכת כפות האחוריות המעורבות במחקר זה אישרה את המיזוג הקבוע בטרסלים של הכתב הנאביקולרי והצדדי (NAVLAT) בעכברים C57BL/641, וקבעה בנוסף כי כתב היתדות הביניים הסמוך (INT) עשוי להיות משולב באופן משתנה עם מבנה NAVLAT (NAVLATINT)12,39. מיזוג משתנה דומה הוערך באזור הקרפלי של כפות הקדמיות, שם עצמות הטרפז (ZOID; מולטנגולרי קטן) ועצמות המרכזיות (CENT) עשויות להופיע כמבנה מאוחד יחיד (CENTZOID) או להתחלק לעצמות הבודדות, במיוחד בכפות הקדמיות. עצמות קרפל נוספות שנבדקו לדיוק הסגמנטציה כללו את הטרפזיום (ZIUM; רב-מרובע גדול), קפיטט (CAP), המאט (HAM), טריקטרום (TRI; משולש), פיזיפורם (PIS), סקפואיד (נביקולרי)/לונאט (SCAPHATE; איחוי קבוע), ופלציפורמיס (FALC). המטקרפלים של כף הרגל הקדמית (MET-F; 1-5), הפלנגות הפרוקסימליות (PP-F; 1-5), הפלנגות הדיסטליות (DP-F; 2-5) והסאסמואידים (S-F; 1-10) ממוספרים מרוחקים למדיאליים, בניגוד למקבילות האחורית (מטטרסלים (MET-H), PP-H, DP-H ו-S-H), שממוספרים מדיאלית עד12. בנוסף ל-NAVLATINT, הוערכו עצמות טרסל נוספות עבור כפות רגליים אחוריות, כפי שתוארו קודם12,23, כולל הקלקניאוס (CALC), קוביון (CUB), כתב יתדות מדיאלי (MED), טלוס (TAL) וטיביאלי (TIB). שימו לב שכמותי דיוק הקוהורטים הכלליים משתנים במעט בהשוואה להערכת הדיוק הממוצע לכל מאגר נתונים עם מספר משתנה של עצמות הנובעות ממיזוג אנטומי לעומת הדיוק המחושב בהתבסס על סך כל העצמות שנבדקו.

ניתוח סטטיסטי
ניתוח סטטיסטי, כולל ניתוח אפקטים מעורבים תלת-כיווני או דו-כיווני עם אפקטי אינטראקציה או השוואות מרובות של סידאק ומבחן מדויק של פישר, בוצע לפי הצורך ב-GraphPad Prism (v10.2.0; סן דייגו, קליפורניה, ארה"ב). גברים (2-8 חודשים) ונשים (2-5 חודשים) נותחו בנפרד, בהתחשב במסגרות הזמן השונות של ההערכה בהתבסס על תמותת נשים מוקדמת TNF-Tg32. גודל המדגם של כפות האחוריות של WT המשמשות לאילוף/אימות ובדיקות מתודולוגיות מסופקים בטבלה משלימה 1, יחד עם פרטי גודל המדגם עבור כפות אחוריות וקדמיות שנבדקו WT ו-TNF-Tg בטבלה משלימה 2, טבלה משלימה 3 וטבלה משלימה 4. מכיוון שנקודות זמן מסוימות לבדיקות כרף אחורית של WT כללו הערכת דיוק עבור <3 רגליים אחוריות, דווחו השפעות אינטראקציה ללא השוואות מרובות לאחר הוק בניתוחים שכללו רגליים אחוריות של WT. שלמות או חלקים מהכפות האחוריות הושמטו מהניתוח אם היו שגיאות הדמיה עם לכידת כף רגל לא מלאה, ארטיפקט תנועה משמעותי שהפך את הסריקות לבלתי ניתנות לפרשנות, ו/או אם החיה מתה לפני מפגש הדמיה מתוכנן, שכן כל הנתונים נאספו ב-vivo.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

הטמעת זיהוי אוטומטי של מרחב המפרקים משפרת את דיוק סגמנט העצם
בהינתן ההטרוגניות של צורת העצם והארכיטקטורה במבנים מורכבים כמו כף הרגל האחורית של העכבר, אנו בונים על אלגוריתם עיבוד תמונה שיטתי12 באמצעות תחזיות אימון DL (כחול) יחד עם שלבי עיבוד תמונה לזיהוי חזק של מרחבי מפרקים בין-עצמיים במאגרי נתוני מיקרו-CT (איור 1A-B; תהליך מתואר להלן ומוצג באיור משלים 1). זיהוי הרווחים בין העצמות אפשר הפרדה מדויקת וחלוקה מדויקת של עצמות כף הרגל האחורית (צבעים נפרדים; איור 1C). עבור רכיב ה-DL, מערכי הנתונים של האימון והאימות (WT) כללו גילאים שווים (גיל 2-6 חודשים, n=8 רגליים אחוריות לגיל) ומין (n=20 רגליים אחוריות למין). שאר כפות האחוריות של WT (n=44, מגיל 2-8 חודשים, למעט 6 חודשים שכן כולם שימשו לאימון ואימות) שימשו כמאגרי הבדיקה לכימות דיוק סגמנט העצם (איור 1D). היו 2 רגליים אחוריות זכרים עם משקל בגיל חודשיים ו-2 כפות אחוריות של נקבות במשקל בגיל 3 חודשים שהושמטו עקב טעות בהדמיה (טבלה משלימה 1).

בנוסף ליישום בכפות אחוריות עם WT, בדקנו גם את גישת הסגמנטציה האוטומטית על כפות אחוריות מעכברי TNF-Tg (n=56 רגליים אחוריות זכרים, n=48 נקבות אחוריות) עם דלקת מפרקים דלקתית-שחיקה ספונטנית. היו 4 נקבות TNF-Tg אחוריות בגיל 4 חודשים ו-5 חודשים שהושמטו עקב טעות הדמיה או מוות מוקדם לפני נקודת הסיום ב-5 חודשים (טבלה משלימה 2). אלגוריתם הסגמנטציה החדשני זיהה אוטומטית את מרחבי המפרקים (כחול, שמאל) להפרדת עצמות בודדת (צבעים, ימין) בין שני המינים וגנוטיפים (איור 2A-D). לגבי דיוק סגמנטציה של עצמות בודדות כפי שהוצג בטבלה משלימה 5 ובטבלה משלימה 6, WT הציג ביצועים טובים יותר הן עבור גברים (WT 98.4% לעומת TNF-Tg 93.1%, p<0.0001) והן בקרב נשים (WT 98.7% לעומת TNF-Tg 92.1%, p<0.0001). מקור השגיאה הוכח ויזואלית כסגירה לא שלמה של מרחבי מפרקים (חצים בקופסה מקווקו לבנה), ובכך חיברו בטעות שני עצמות מובחנות לסגמנטציה אחת (איור 2C-D). שגיאות מחוברות יתר על המידה, המודגמות בכפות האחוריות של TNF-Tg, עשויות לייצג תוצאות של נזק כרוני המוביל לאיחוי מפרקים, שבו המרווח בין העצמות כבר אינו קיים. למעשה, ההבדל בדיוק בין מערכי הנתונים של WT ל-TNF-Tg הופך למודגש יותר עם הזמן ככל שחומרת הארטריטיס עולה (איור 2E-F), במיוחד בעצמות הטארסל (איור 2G-H, צהוב = דיוק מוגבר, ירוק = דיוק ירוד) שבדרך כלל משמשות כסמנים ביולוגיים אמינים להתפתחות סחף העצם23. עם זאת, בהשוואה לגישת הסגמנטציה הקודמת שלנו, נרשמה שיפור מרשים בדיוק מערכי הנתונים באופן כללי (איור 2E-F; WT גברים: SA 79.39% ± 5.73% לעומת DL 98.16% ± 1.47%, p<0.0001; משקל נשים: SA 79.16% ± 4.84% לעומת DL 99.19% ± 1.63%, p<0.0001), מה שמדגים התקדמות מתודולוגית חזקה הן באוטומטיות והן באמינות. לכן, המודל האסטרטגי החדשני שלנו לסגמנטציה של עצם כף הרגל האחורית באמצעות זיהוי מרחב מפרקים בהקלה ב-DL מספק דיוק סגמנטציה גבוה יותר במאגרי WT (>98%) בהשוואה לשיטות SA קודמות (~79%), אך עם ביצועים מעט ירודים כאשר מיושמים על כפות אחוריות עם דלקת מפרקים דלקתית-שחיקה (92%-93%).

יישום גמיש של שיטת הסגמנטציה לכפות הקדמיות מדגיש הרס מפרקים בולט ואיחוי עצמות בעכברי TNF-Tg עם ירידה מהירה בדיוק הסגמנטציה
הרחבנו עוד את יישום שיטת החלוקה החדשה לכפות הקדמיות של עכברים (n=55 כפות קדמיות זכריות WT, n=29 כפות קדמיות נקבות WT, n=54 כפות קדמיות זכריות TNF-Tg, ו-n=50 כפות קדמיות נקבות TNF-Tg) עם גודל עצם ואנטומיה ייחודיים. היו כפות קדמיות אחת בגיל 4 חודשים לזכר ה-WT, רגל קדמית אחת בגיל 4 חודשים ו-2 רגליים קדמיות בגיל 5 חודשים לנקבה ה-WT, 2 כפות קדמיות בגיל 3 חודשים לזכר TNF-Tg, ושתי כפות קדמיות בגיל 4 חודשים ו-4 רגליים קדמיות בגיל 5 חודשים לנקבה של TNF-Tg, שהושמטו עקב טעות בהדמיה או מוות מוקדם לפני נקודת הסיום. בנוסף, הייתה שגיאת דימות חלקית לכף רגל קדמית אחת בגיל 3 חודשים אצל הנקבה עם ה-WT, עם השמטה של DP-F3, PP-F3, DP-F4 ו-PP-F4 (טבלה משלימה 3 וטבלה משלימה 4). לכיוון, אנו מספקים דגם של כף רגל קדמית WT כאשר כל עצם מופרדת לפי צבע ונומנקלטורה ספציפית לעצם מסומנת מנקודות מבט שונות (איור 3). מחקרים קודמים בעכברי TNF-Tg התמקדו בעיקר בכף האחורית, וכאן אנו מדגימים את הארכיטקטורה של כפות הקדמיות של עכברים בעכברי WT ו-TNF-Tg. אנו מדגישים במיוחד את הקרפלים (עיגול צהוב מקווים) ואת הססמואידים (עיגול כחול מקווים) שמפגינים מחלות סחיפה עמוקות מבחינה ויזואלית, במיוחד בנקבות TNF-Tg (איור 4A-D). לכן, השוואת דיוק הפילוח של כף הרגל האחורית והקדמית הראתה ירידה משמעותית בכפפות הקדמיות (אפקט סוג כף הרגל p<0.0001) בעיקר בשל ירידה חדה בשלמות העצם עם עלייה בגיל ובחומרת המחלה במאגרי הנתונים TNF-Tg (איור 4E-F; אפקט גנוטיפ של כף רגל x p=0.0083; כפות קדמיות זכריות: משקל משקל 87.29% ± 2.07% לעומת TNF-Tg 72.65% ± 11.70%, עמ' <0.0001). בדומה לכפות האחוריות, הירידה בדיוק בחלוקת TNF-Tg עם הזדקנות וחומרת המחלה בולטת יותר בקרפל, יחד עם הססמואידים (איור 4G-H, טבלה משלימה 7, וטבלה משלימה 8). פתולוגיית עצם אזורית זו עשויה להיות מונעת על ידי פעילות סחיפה מוגברת במפרק הסמוך של מפרק MET-F ו-PP-F (מפרק מטקרפופלנגיאל). הערכת סוג השגיאה גילתה שכפות הרגליים הקדמיות של TNF-Tg נוטות להראות שיעור גבוה יותר של עצמות נשחקות לחלוטין בהשוואה לכפות האחוריות (איור משלים 2, אדום כחסר). למרות שזה מייצג בוודאות חומרת דלקת מפרקים מתקדמת, היעדר עצמות בכפות הקדמיות של TNF-Tg עשוי גם להדגיש מגבלה ברזולוציה של התמונה. השחיקה החמורה בכפות הקדמיות של TNF-Tg מודגמת עוד יותר בתמונות מייצגות לאורך זמן המדגישות את אזור הקרפלי (חצים לבנים) ואת הפריקה ההדרגתית המלאה של כף הרגל מהזרוע (חצים צהובים), הבולטת במיוחד אצל נקבות TNF-Tg (איור משלים 3). לכן, יישום גמיש של שיטת חלוקת העצם האוטומטית למבנים ייחודיים של כף הרגל הקדמית הראה ביצועים מרשימים במאגרי WT (~87%) עם ירידה דומה בדיוק בכפות הקדמיות TNF-Tg עם דלקת מפרקים דלקתית-שחיקה (67%-72%).

זמינות נתונים:
כפי שמתואר בסעיף איסוף תמונות מיקרו-CT, נתוני כף הרגל האחורית פורסמו בעברב-12,23,35 וזמינים לציבורב-28 https://doi.org/10.5281/zenodo.11191782. הנתונים לכימות דיוק בשיטת הסגמנטציה של SA עבור מערכי WT12 ו-TNF-Tg23 שונו להשוואה ישירה עם מודל DL החדש המתואר כאן. לא נעשה שימוש בנתונים ספציפיים מהמחקר הקודם הנוסףל-35, אך אותם מערכי נתונים של כף רגל אחורית הזמיניםלציבור, 28, גם הם שימשו. פרטים נוספים על רישוי ושימוש חוזר בנתונים מופיעים להלן. לצורך המחקר המתואר, נתוני הפורפאו המתאימים פורסמו גם הם לציבור במאגר זנודו (https://doi.org/10.5281/zenodo.14865639)29.

נתוני הדיוק עבור שיטת הסגמנטציה של SA WT12 שונו באיור 2. שימוש חוזר בחומר זה מוגן על ידי רישיון Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License https://creativecommons.org/licenses/by-nc-nd/4.0/legalcode. כמחברים של העבודה המוזכרת, אנו שומרים על הזכות להכין יצירות נגזרות נוספות באמצעות זכויות המחבר מ-Elsevier https://beta.elsevier.com/about/policies-and-standards/copyright. נקודות הנתונים עברו ויזואליות מחדש להשוואה לדיוק לאורך זמן עם מקבילות TNF-Tg והשוו ישירות לשיטת DL החדשה המתוארת כאן.

נתוני הדיוק עבור שיטת הסגמנטציה של SA WT ו-TNF-Tg23 הועברו לשימוש מחדש באיור 2, ומאגרי WT ו-TNF-Tg של כפות האחוריות הוערכו בהמשך למדידות נפחיות23 קודם לכן. שימוש חוזר בחומר מוגן על ידי רישיון Creative Commons Attribution License (https://creativecommons.org/licenses/by/4.0/), המאפשר שימוש, הפצה ושכפול בלתי מוגבלים בכל מדיה, בתנאי שהמחבר והמקור המקורי מקבלים קרדיט. נקודות הנתונים הודגשו מחדש להערכת דיוק לאורך זמן והושוו ישירות לשיטת DL החדשה המתוארת כאן.

אותם מערכי נתונים זמינים לציבור WT ו-TNF-Tg אחורית28 שימשו עוד יותר למדידות נפח עצם בעבר להשוואות חדשניות עם קבוצות ריצה בגלגל35. שימוש חוזר בחומר מוגן על ידי רישיון Creative Commons Attribution 4.0 International License (https://creativecommons.org/licenses/by/4.0/), שמאפשר שימוש, שיתוף, עיבוד, הפצה ושכפול בכל מדיום או פורמט, כל עוד אתה נותן קרדיט מתאים למחבר/ים המקוריים ולמקור, מספק קישור לרישיון Creative Commons ומציין אם נעשו שינויים. אותם מערכי נתונים זמיניםלציבור, 28 , שימשו בעבודה הנוכחית, אך ללא שימוש או שינוי ספציפי בנקודות נתונים שפורסמו בעבר.

figure-results-1
איור 1: זיהוי אוטומטי של מרחב המפרקים באמצעות עיבוד תמונה אסטרטגי ותחזיות למידה עמוקה לסגמנטציה של עצמות. מערכי נתוני מיקרו-CT של עכברים עם ויזואליזציה מ-(א) המשטחים הגביים (העליון) והכף הרגל (התחתונה) עובדו עבור (ב) זיהוי אוטומטי נוסף של מרחבי מפרקים (כחול) באמצעות מודל DL (המתואר באיור משלים 1) שפותח מחלוקות עצם סטנדרטיותזהב 12,23. (ג) הפרדת עצם מוצלחת סופית (צבעים ספציפיים לעצם) הושגה באמצעות שילוב נוסף של שלבי עיבוד תמונה, כולל טופ-האטשחור 12, שיפור מבנה37, והרחבת ממברנה עם הצבעה של טנזור38 לזיהוי מרחב מפרקים חזק לסימון עצמות בודדות. (ד) אימון ואימות (n=40 רגליים אחוריות) של רכיב ה-DL בוצעו עם כפות אחוריות של עכברו WT בגיל שווה (בין 2 ל-6 חודשים, n=8 רגליים אחוריות בכל נקודת זמן) והתפלגות מין (n=20 רגליים אחוריות זכר/נקבה), עם 25% מהמחזורים האקראי ששימשו לאימות (3 תתי-נפחים לכל כף רגליים אחורית, סך הכל 120 תת-נפחים). שאר רגלי ה-WT האחוריים (n=44) הוערכו כמקרי ניסוי לניתוח נוסף. השילוב של מודל DL ואלגוריתמי עיבוד התמונה הוערך באמצעות מערכי נתונים שפורסמו בעבר וזמינים לציבור23,28. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

figure-results-2
איור 2: יישום זיהוי אוטומטי של מרחבי מפרקים עם הקלה בלמידה עמוקה משפר את דיוק חלוקת העצם. (A-B) לאחר פיתוח גילוי מרחב המפרקים האוטומטי, יישמנו את מודל DL (משמאל: מרחבי מפרקים כחולים; מימין: צבעי סגמנטציה ספציפיים לעצם) על מקרי הבדיקה הנותרים עבור גברים ונשים WT. (C-D) כמו כן, הערכנו ביצועים של קבוצות מותאמות גיל (זכרים: 2-8 חודשים; נקבות: 2-5 חודשים) של עכברי TNF-Tg עם דלקת מפרקים דלקתית-שחיקה פרוגרסיבית הקשורה לתמותה מוקדמת בקרב נקבותבגיל 32. תמונות מוטבעות מראות שגיאות סגמנטציה בהגדלה גבוהה (קופסאות מקוווקות) שבהן ניתוקים במרחבי מפרקים צפויים (חצים לבנים) גורמים לדליפה בהפרדת העצם, מה שמוביל לטעויות סגמנטציה מחוברות יתר על המידה. (E-F) יש לשים לב כי נקודת הזמן של 6 חודשים לזכר הושמטה מכיוון שכל מערכי הנתונים של WT שימשו לאימון ואימות, ולכן לא נכללו בקבוצת בדיקות DL. בהשוואה לאלגוריתמי הסגמנטציה הקודמים שלנו12,23, דיוק הסגמנטציה (עצמות מחולקות נכון / סך העצמות) השתפר משמעותית עבור מערכי הנתונים WT ו-TNF-Tg בגישת DL, ללא קשר למין (קווי דיוק ממוצעים: שחור מוצק = DL WT, שחור מקווק = DL TNF-Tg, אפור מוצק = SA WT, אפור מקווקו = SA TNF-Tg). עם זאת, דיוק הפיצולים של TNF-Tg ירד באופן ניכר עם הזמן והנזק הפרוגרסיבי למפרקים בהשוואה ל-WT, אם כי הוא המשיך לעלות על שיטת ה-SA. (G-H) מפות חום מדויקות המוגדרות למחלקות העצם (T = טרסלים, MT = מטטרסלים, PP = פלנגות פרוקסימליות, DP = פלאנגות דיסטליות, S = ססמואידים) מראות את שיעור הטעות המוגבר בעכברי TNF-Tg, בעיקר באזור הטארסל (בהיר (צהוב) = גבוה (100%), כהה (סגול) = נמוך (20%) דיוק). כאמור, תמונות מוטבעות (C-D) מדגישות את מקור השגיאה עם מרחבי מפרקים מנותקים (חצים, תמונה שמאלית) שמובילים לעצמות מחוברות יתר על המידה (צבעים, תמונה ימין). למעשה, השגיאות היו בעיקר מחוברות מדי (2+ עצמות מחולקות לחומר אחד; מצוין באיור המשלים 2), מה שעשוי לייצג את התהליך הפתולוגי של איחוי מפרקים עם חומרת מפרקים הולכת וגוברת. סטטיסטיקה: ניתוח אפקטים מעורבים תלת-כיווני (SA מול DL; שיטה x גנוטיפ x זמן; E-F), ניתוח השפעות מעורבות דו-כיווני (WT מול TNF; גנוטיפ x זמן; E-H); p<0.0001, **p<0.01, *p<0.05 (השפעות אינטראקציה); הנתונים הוצגו כסטיית תקן ממוצעת ±. גודל מדגם: n=34 רגליים אחוריות בזכר WT (n=2 בגיל 2 חודשים, n=4 בגיל 3 חודשים, n=6 בגיל 4-5 חודשים, n=0 בגיל 6 חודשים [כל הנתונים שימשו לבדיקות], n=8 ב-7-8 חודשים), n=10 רגליים אחוריות משקל נקבה (n=4 בגיל 2 חודשים, n=2 בגיל 3-5 חודשים), n=56 רגליים אחוריות TNF-Tg זכר (n=8 בגיל 2-8 חודשים), ו-n=48 רגליים אחוריות נקבה TNF-Tg (n=14 בגיל 2-3 חודשים ו-n=10 בגיל 4-5 חודשים). הנתונים המשמשים בתרשים זה שונו ממחקרים קודמים12,23. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

figure-results-3
איור 3: יישום גמיש של סגמנטציה של למידה עמוקה במרחב המפרקים למבנים מורכבים אחרים מדגיש אנטומיה של עצם כף הרגל הקדמית של העכברים. לאחר מכן, הערכנו את הפוטנציאל של מודל DL של חלוקת מרחב המפרק להפריד אוטומטית עצמות במבנים מורכבים נוספים מעבר לכף האחורית. שיטת הסגמנטציה יושמה במערכי הנתונים המתאימים של המיקרו-CT של כף הרגל הקדמית, המוצגים ממשטחים מדיאליים (A) גב, (B) כף הרגל, (C) לטרליים, ו -(D) עם צבעים המייצגים עצמות מחולקות בודדות. זיהינו את הפוטנציאל לסגמנטציה מדויקת של עצמות כף הרגל הקדמית, כולל קרפלים מובחנים, מטקרפלים (#, MET-F), פלאנגות פרוקסימליות (^, PP-F), פלנגות דיסטליות (~, DP-F), ססמואידים (עיגולים מקווקווים, S-F), וטפרים (*) עם סימון ספציפי לעצמות התואמים את אנטומיית כף הרגל הקדמית40 הידועה. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

figure-results-4
איור 4: עכברי TNF-Tg מציגים הרס בולט במפרק כף הרגל הקדמית ואיחוי עצם עם ירידה מהירה בדיוק הסגמנטציה. (A-B) בהתחשב במורכבות ובארכיטקטורה הקטנה של כפות הרגליים הקדמיות של עכברים מודגשים על ידי ויזואליזציה גבית (שמאל) וכף רגל (ימין) של תמונות מיקרו-CT של עכברים זכרים ונקבות WT, (C-D) האנטומיה ודלקת המפרקים הנלווית בעכברי TNF-Tg לא הוערכו בעבר. יישום הגישה החדשה שלנו ל-DL מרחב משותף סיפק הזדמנות ראשונית להעריך את המבנים המורכבים הללו על ידי הפחתת האתגרים האנליטיים עם השגת דיוק של >85% של כפות קדמיות WT, אם כי דיוק נמוך בהשוואה לכפות האחוריות (קווי דיוק ממוצעים: כחול מוצק = כף רגל אחורית WT, כחול מקווקו = כף אחורית TNF-Tg, אדום מוצק = WT קדמי, אדום מקווקו = כף רגל קדמית TNF-Tg). (E-F) בנוסף, כפות הקדמיות של TNF-Tg הראו ירידה מהירה ודרמטית בדיוק הסגמנטציה עקב שגיאות ממוקדות בשריר הקרפלים (עיגולים מנוקדים צהובים ב-A-D) ולססמואידים (עיגולים כחולים מנוקדים ב-A-D) לאורך זמן. (G-H) הירידה האזורית בדיוק הסגמנטציה מוצגת על ידי מפות חום (בהיר (צהוב) = גבוה (100%), כהה (סגול) = נמוך (20%) דיוק) של מחלקות העצם (C = קרפל, MC = מטקרפל, PP = פלנגות פרוקסימליות, DP = פלנגות דיסטליות, S = ססמואידים). יש לשים לב כי נקודת הזמן של 6 חודשים של זכר הושמטה ב -(E) מאחר שכל מאגרי הנתונים של כפות הרגליים האחורית של WT שימשו לאימון ואימות, ולכן לא נכללו בקבוצת בדיקות DL. סטטיסטיקה: ניתוח השפעות מעורבות תלת-כיווני (כף אחורית מול כף קדמית, WT מול TNF; סוג כף רגל x גנוטיפ x זמן, השפעות אינטראקציה מדווחות; E-F), ניתוח השפעות מעורבות דו-כיווניות עם השוואות מרובות של סידאק (WT מול TNF; גנוטיפ x זמן; G-H); עמוד<0.0001, **p<0.01, *p<0.05; הנתונים הוצגו כסטיית תקן ממוצעת ±. גודל מדגם: n=55 כפות קדמיות WT זכר (n=8 ב-2-3 ו-5-8 חודשים, n=7 ב-4 חודשים), n=29 כפות קדמיות WT נקבה (n=8 ב-2-3 חודשים, n=7 ב-4 חודשים, n=6 ב-5 חודשים), n=54 כפות קדמיות TNF-Tg זכר (n=8 ב-2 ו-4-8 חודשים, n=6 ב-3 חודשים), ו-n=50 כפות קדמיות (n=14 בגיל 2-3 חודשים, n=12 בגיל 4 חודשים, ו-n=10 בגיל 5 חודשים). נתוני כף רגל אחורית של DL (E-F) שוחזרו מאיור 2E-F להשוואה נוספת עם נתוני כף הרגל הקדמית של DL. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

איור משלים 1: פיתוח ואימון מודל למידה עמוקה לגילוי משותף. (א) אזורי מפרק אמת קרקעיים הושגו מחלוקות ראשוניות של עצם אמת קרקע באמצעות מתכון אוטומטי באמצעות אמירה, המשלב הרחבת תווית, חילוץ ממשקי תווית, מסכה והרחבה. (ב) עבור כל אחד מ-20 מערכי הנתונים של מיקרו-CT האימון (40 רגלי אחוריים), 6 תתי-נפחים של 200 על 200 ווקסלים הופקו ידנית מטרסלים, פלאנגות דיסטליות ואזורים רקע, מחולקים שווה בשווה בין כפות רגל שמאל וימין (3 טלאים לכל כף אחורית). 120 תתי-נפחים שנוצרו שימשו כקלט למודול אימון Amira תלת-ממדי לסגמנטציה יחד עם אזורים משותפים מסומנים כמטרה של אמת קרקעית. תת-קבוצה אקראית של תיקונים של 25% שימשה לאימות לשליטה בהתאמת יתר של המודל במהלך ההדרכה. אנא לחצו כאן להורדת הקובץ הזה.

איור משלים 2: התפלגות ברורה של סוגי שגיאות בין רגלי האחוריות לקדמיות. בדומה לאלגוריתם הסגמנטציה של SA שפותחקודם לכן 12,23, מודל DL במרחב המפרקים יצר את השיעור הגבוה ביותר של טעויות על ידי חיבור יתר של עצמות (ירוקות, 2+ עצמות מחולקות כחומר אחד), הבולט ביותר בכפות האחוריות (A-D) או (E-F) בכפות הקדמיות של WT. כפי שמצוין באיור 2, שגיאות מחוברות יתר יתרחשו אם יש פער במרחב המפרק שזוהה, שעשוי להתרחש מסיבות שונות, כולל קרבה עצם גבוהה יותר מאשר רזולוציית תמונה, טשטוש תנועה במרחב המפרק, או עיצוב מחדש של עצם בהקשר של דלקת מפרקים, מה שמוביל לאיחוי מפרקים. (G-H) מעניין לציין שכפות הרגליים הקדמיות של TNF-Tg מציגות שיעור מוגבר משמעותית של עצמות חסרות (אדום), כלומר העצם נעדרה לחלוטין מהסגמנט. טעויות אלו ככל הנראה מיוחסות לשילוב של סחיפה חמורה וחסרים ברזולוציה של התמונה, בהתחשב בגודל הקטן יחסית של עצמות כף הרגל הקדמית, במיוחד עצמות הקרפלים והססמואידים, כמקור הטעות העיקרי (איור 4), בהשוואה לאלו של רגלי האחוריים. סוגי שגיאות נוספים כוללים פיצול יתר (כחול, עצם אחת מחולקת ל-2+ חומרים) או גם מחוברים יתר וגם מפוצלים יתר (כתום). תרשימי עוגה מייצגים פרופורציות מהשגיאות הכוללות המיוחסות לתתי-סוגי שגיאות מסוימים. אנא לחצו כאן להורדת הקובץ הזה.

איור משלים 3: הערכת דלקת מפרקים מתקדמת TNF-Tg בכף רגל קדמית עם שחיקה חמורה בעצמות ופריקות מפרקים. כדי להמחיש את השינויים המבניים בכפות הקדמיות לאורך זמן, סיפקנו תמונות מייצגות של פני השטח הגביים של (א) זכר WT, (ב) זכר TNF-Tg, (ג) נקבה WT, ו-(ד) כפות קדמיות של נקבות TNF-Tg לאורך זמן בין 2 ל-5 חודשים (משמאל לימין) כדי להדגיש במיוחד את אזור הקרפלים (חצים לבנים). שימו לב לשחיקות העצם החמורות ולשיפוצים שמתרחשים בכ-4 חודשים אצל נשים ו-5 חודשים אצל גברים. תקופות אלו קדמו לתחילת סחף עצם חמור בכפות האחוריות, בערך 5 חודשים אצל נקבות ו-7-8 חודשים אצל זכרים23. (ה) תצוגה צדדית של כפות הרגל הקדמיות של נקבות TNF-Tg מדגימה גם את ההפרדה ההדרגתית של כל כף הרגל מהאמה (חצים צהובים) הקשורה להריסת המפרק. אנא לחצו כאן להורדת הקובץ הזה.

טבלה משלימה 1: גודל המדגם של רגלי אחוריות של WT לאימון DL, אימות ובדיקות מתודולוגיות. גודל המדגם במספר הכפות האחוריות מסופק לפי גיל (חודשים 2-8) ומאורגן לפי מאגרי נתונים המשמשים לאימוני/אימות DL, בדיקות מתודולוגיות כוללות, או כאלה שהושמטו עקב טעות דימות, ארטיפקט תנועה חמור או מוות לפני סריקת המיקרו-CT המתוכננת. תאים שחורים מחודשים 6-8 אצל נשים מצביעים על סיום מתוכנן של הסריקות לאחר 5 חודשים בשל תמותה מוקדמת של מקבילים ניסיוניים ב-TNF-Tg. אנא לחצו כאן להורדת הקובץ הזה.

טבלה משלימה 2: גודל המדגם של כפות האחוריות TNF-Tg לבדיקות מתודולוגיות. גודל המדגם במספר כפות האחוריות מסופק לפי גיל (חודשים 2-8) ומאורגן לפי מערכי נתונים ששימשו לבדיקות מתודולוגיות כוללות או כאלה שהושמטו עקב טעות דימות, ארטיפקט תנועה חמור ו/או מוות לפני סריקת מיקרו-CT המתוכננת. תאים שחורים מחודשים 6-8 אצל נקבות מצביעים על סיום מתוכנן של הסריקות לאחר 5 חודשים בשל תמותה מוקדמת של נקבות TNF-Tg. אנא לחצו כאן להורדת הקובץ הזה.

טבלה משלימה 3: גודל המדגם של כפות קדמיות WT לבדיקות מתודולוגיות. גודל המדגם במספר הכפות הקדמיות מסופק לפי גיל (חודשים 2-8) ומאורגן לפי מערכי נתונים ששימשו לבדיקות מתודולוגיות כוללות או כאלה שהושמטו עקב שגיאות דימות, ארטיפקטים חמורים בתנועה ו/או מוות לפני סריקת המיקרו-CT המתוכננת. תאים שחורים מחודשים 6-8 אצל נשים מצביעים על סיום מתוכנן של הסריקות לאחר 5 חודשים בשל תמותה מוקדמת של מקבילים ניסיוניים ב-TNF-Tg. *בגיל 3 חודשים אצל נקבות WT, n=1 כף רגל קדמית הושמטה DP-F3, PP-F3, DP-F4 ו-PP-F4 עקב טעות הדמיה, אם כי שאר כף הרגל הקדמית הוערכה. אנא לחצו כאן להורדת הקובץ הזה.

טבלה משלימה 4: גודל המדגם של כפות קדמיות TNF-Tg לבדיקות מתודולוגיות. גודל המדגם במספר הכפות הקדמיות מסופק לפי גיל (חודשים 2-8) ומאורגן לפי מערכי נתונים ששימשו לבדיקות מתודולוגיות כוללות או כאלה שהושמטו עקב שגיאות דימות, ארטיפקטים חמורים בתנועה ו/או מוות לפני סריקת המיקרו-CT המתוכננת. תאים שחורים מחודשים 6-8 אצל נקבות מצביעים על סיום מתוכנן של הסריקות לאחר 5 חודשים בשל תמותה מוקדמת של נקבות TNF-Tg. אנא לחצו כאן להורדת הקובץ הזה.

טבלה משלימה 5: דיוק עצם אישי של כפות האחוריות הזכריות. כדי לזהות את העצמות הספציפיות שמפחיתות את דיוק הסגמנטציה בכפות האחוריות של TNF-Tg לעומת WT, מספקים פרטים על מספר העצמות שחולקו נכון, לא נכון, ואחוז הנכון ביחס לסך העצמות שנבדקו בעכברים זכרים. באזור הטארסל שבו מתרחשים הליקויים הראשוניים (איור 2), הקלקניאוס (CALC), כתב יתדות ביניים (לא מאוחד, INT) והכתב הניביקולרי/לטרלי (לא מאוחד) הראו את הירידה הבולטת ביותר בדיוק לכפות האחוריות TNF-Tg. סטטיסטיקה: המבחן המדויק של פישר; *p<0.05, **p<0.01, ***p<0.001, ****p<0.0001. אנא לחצו כאן להורדת הקובץ הזה.

טבלה משלימים 6: דיוק עצם אישי של כפות האחוריות של הנקבות. כדי לזהות את העצמות הספציפיות שמפחיתות את דיוק הסגמנטציה בכפות האחוריות של TNF-Tg לעומת WT, מספקים פרטים על מספר העצמות שמחולקות נכון, לא נכון, ואחוז הנכון ביחס לסך העצמות שנבדקו בנקבות. בהתחשב בשימוש במאגרי נתונים לאימון ואימות DL, יחד עם קיצור הזמן ל-5 חודשים להשוואה עם עכברי TNF-Tg שמציגים תמותה מוקדמת32, מספר הכפות האחוריות המוקצות לבדיקות DL עבור נקבות WT מגביל את היכולת להשוואת עצמות בודדות להסביר את הדיוק הנמוך הכולל במאגרי TNF-Tg. סטטיסטיקה: המבחן המדויק של פישר; עמ<0.0001. אנא לחצו כאן להורדת הקובץ הזה.

טבלה משלימה 7: דיוק עצם אישי של כפות הרגל הקדמיות של זכרים. כדי לזהות את העצמות הספציפיות שמפחיתות את דיוק הסגמנטציה בכפות הקדמיות TNF-Tg לעומת WT, מספקים פרטים על מספר העצמות שמחולקות נכון, לא נכון, ואחוז הנכון ביחס לסך העצמות שנבדקו בעכברים זכרים. בתוך אזורי הקרפלים והססמואידים שבהם מופיעים הליקויים הראשוניים (איור 4), הקפיטט (CAP), הטריקטרום (TRI), הסנטרל (לא מאוחד, CENT), הסקפואיד/לונאט (SCAPHATE), טרפז (ZOID) וססמואידים 2-10 הראו את הירידה הבולטת ביותר בדיוק עבור כפות קדמיות TNF-Tg. ראוי לציין כי הדיוק של ססמואידים 1 ו-2 לקוי הן עבור מערכי הנתונים WT והן של TNF-Tg. מעניין לציין כי מטקרפל 1 למעשה הראה שיפורים בדיוק הסגמנטציה בעכברי TNF-Tg, ככל הנראה בשל הגייה צמודה עם עצמות סמוכות, מה שהוביל לטעויות קשורות יתר שמופחתת באמצעות שחיקה מפרקתית. סטטיסטיקה: המבחן המדויק של פישר; *p<0.05, **p<0.01, ***p<0.001, ****p<0.0001. אנא לחצו כאן להורדת הקובץ הזה.

טבלה משלימה 8: דיוק עצם אישי של כפות הקדמיות של הנקבות. כדי לזהות את העצמות הספציפיות שמפחיתות את דיוק הסגמנטציה בכפות הקדמיות של TNF-Tg לעומת WT, ניתנים פרטים על מספר העצמות שחולקו נכון, לא נכון, ואחוז הנכון ביחס לסך העצמות שנבדקו בעכברים נקבות. בתוך אזורי הקרפלים והססמואידים שבהם מופיעים הליקויים הראשוניים (איור 4), הקפיטאט (CAP), המאטה (HAM), הטריקווטרום (TRI) וססמואידים 1-10 הראו את הירידה הבולטת ביותר בדיוק עבור כפות קדמיות TNF-Tg. ראוי לציין כי הדיוק של ססמואידים 1 ו-2 לקוי הן עבור מערכי הנתונים WT והן של TNF-Tg. סטטיסטיקה: המבחן המדויק של פישר; *p<0.05, ***p<0.001, ****p<0.0001. אנא לחצו כאן להורדת הקובץ הזה.

קובץ משלים 1: מתכון לסגמנטציה משותפת לאימון מודלים של למידה עמוקה. סדרת שלבים משובצים לחילוץ מרחבי מפרקים מחלקים מכפות אחוריות מיקרו-CT סטנדרטיות ומוקצות מראש ששימשו לאימון מודל DL לזיהוי מרחב מפרקים. אנא לחצו כאן להורדת הקובץ הזה.

קובץ משלים 2: מתכון לסגמנטציה של עצמות באמצעות עיבוד תמונה עם הנחיית למידה עמוקה. סדרת שלבים מוטמעים להמרת נתוני מיקרו-CT מקוריים לקטעים של עצמות בודדות באמצעות שלבי עיבוד תמונה בשילוב עם פלט זיהוי מרחב מפרק DL להנחיית הפרדת העצם. אנא לחצו כאן להורדת הקובץ הזה.

קובץ משלים 3: משקלי חיזוי למידה עמוקה. קובץ המשמש כקלט למשקלים במהלך למידה עמוקה בחיזוי סגמנטציה של מרחב משותף. אנא לחצו כאן להורדת הקובץ הזה.

קובץ משלים 4: ארכיטקטורת חיזוי למידה עמוקה. קובץ המשמש כקלט לארכיטקטורה במהלך חיזוי למידה עמוקה של חלוקת מרחב משותף. אנא לחצו כאן להורדת הקובץ הזה.

קובץ משלים 5: למידה עמוקה בסקריפט פייתון. קובץ המשמש כסקריפט פייתון לחיזוי למידה עמוקה של סגמנטציה של מרחב משותף. אנא לחצו כאן להורדת הקובץ הזה.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

לסיום ניתוחים אוטומטיים מלאים של נפחי עצם בעכברים, יצרנו שיפורים נוספים בחלוקת נתוני מיקרו-CT במבנים מורכבים, במיוחד בכפות האחוריות של עכברים. האסטרטגיה הייתה למקד את מרחבי המפרקים כדי ליצור גבולות להפרדת העצם, כאשר התמקדות במרווח השלילי בין העצמות אפשרה יישום גמיש במבנים חלופיים כמו כף הרגל הקדמית, שכן הגישה לא התמקדה בצורת ובאנטומיה של עצמות כף הרגל האחורית הייחודיות. למרות שדיוק הסגמנטציה ירד כאשר בוצע על כפות קדמיות, מערכי נתוני WT עדיין הראו דיוק עצם של >85%. תהליכי תיקוןמתוארים היטב 12 יכולים לשמש ליצירת מערכי נתונים מודלים עם כף רגל קדמית עם הערות מראש לאימון DL, מה שהוריד משמעותית את המחסומים ליצירת אלגוריתמים ספציפיים למבנה. גישה חדשנית זו אפשרה גם יישום לכפות TNF-Tg עם דלקת מפרקים דלקתית-שוחקת חמורה ומתקדמת. בכפות TNF-Tg, הירידה בדיוק הסגמנטציה הייתה מרשימה לאורך זמן, בהתאמה לעלייה ההדרגתית בשחיקת העצמות ובאיחויים פתולוגיים של עצם-עצם כתוצאה מעיצוב מחדש של משטחים שנשחקו עם הגיל המוגבר. לכן, יישום מוצלח במיוחד של מודל סגמנטציה אוטומטי ומדויק מאוד במבני WT עשוי להנחות יישומים עתידיים במודלים של מחלות או מפרקים מורכבים אחרים. חקירה נוספת תתמקד באופטימיזציה של סגמנטציה של מפרקים מפרקים שעשויים לכמת השפעות פתולוגיות של שחיקה ומיזוג עצם כדי לזהות סמנים ביולוגיים של מחלה, כפי שתואר קודם23.

למרות השימוש המוצלח בהדמיית מיקרו-CT למעקב אחר שחיקה של עצמות קטנות במודלים פרה-קליניים של דלקת מפרקים 12,23,25,35,42, היישום של שיטות CT בהערכה קלינית היה מוגבל. במיוחד בדלקת מפרקים שגרונית, מערכות הניקוד מיושמות בעיקר ב-MRI43, אולטרסאונד44, 445 ו/או צילום רנטגן קונבנציונלי46, כדי ליצור מדדים חצי-כמותיים ותלויי משתמש של חומרת המחלה, לעיתים בשילוב עם מדדים קליניים47. מכיוון ש-CT נחשב לתקן הזהב להערכת שלמות העצם48,49, אופטימיזציה נוספת של גישות אנליטיות ניתנות לתרגום קליני מבטיחה לספק תועלת עצומה להערכה כמותית אמינה ואורכתית של נפחי העצם, הן למימון מדידות חומרת המחלה והן להערכת תגובת הטיפול. למרות ששיטות דימות כמו MRI מספקות מידע רחב יותר, כולל אזורי דלקת, שינויים במח העצם ופתולוגיה של רקמות רכות, שיטות דימות CT חדשניות עם קלטים רב-אנרגטיים50 מבטיחות להרחיב את השימוש ב-CT מעבר לארכיטקטורת העצם. למרות היתרונות המוצעים הללו, אנו גם מכירים באתגרים העצומים בתרגום קליני מכלים אנליטיים פרה-קליניים שפותחו, תוך התחשב ביישום בתמונות CT קליניות ברזולוציה נמוכה וביישום באנטומיה אנושית ייחודית. בדומה לזיהוי האחרון שלנו של סמנים ביולוגיים ספציפיים לעצם במודלים פרה-קליניים23, מאמץ קליני מפורט החוקר מדדים כמותיים בלבד של סחיפת עצם יהיה התקדמות משמעותית במעקב אחר מחלות.

בעוד שהעבודה הנוכחית שלנו מהווה בסיס ליישום קליני, בהתחשב בפוטנציאל ליישום גמיש במבנים חדשים על ידי מיקוד במרחבי מפרקים, מגבלה עיקרית היא ההסתמכות על תוכנה פרה-קלינית מתועדת היטב ומחקרית באמירה, שאינה מיועדת לאבחון קליני. עם זאת, האלגוריתמים והעיצוב האסטרטגי הבסיסיים יכולים להיות מיושמים בקלות בסביבות תוכנה חלופיות באמצעות המתודולוגיה המפורטת שניתנה. ללא קשר לתוכנת המחקר שבה משתמשים, שילוב בשימוש קליני (ולא בחקירה) דורש מאמצים תרגומיים העומדים בדרישות הרגולציה להכנסה לפרקטיקה קלינית. לצורך יישום אסטרטגיית הסגמנטציה החדשנית, חשוב גם לשקול את המגבלות הפוטנציאליות ברזולוציה דיפרנציאלית של תמונות, כאשר תיארנו קודם כי רזולוציית התמונה (כלומר, גודל ווקסל/מבנה) היא גורם מרכזי לדיוק סגמנטציה באמצעות אלגוריתמים לעיבוד תמונהבלבד 12. למעשה, ייתכן שזה קשור לירידה קלה בדיוק הסגמנטציה של כפות הקדמיות, כאשר גודל המבנים הקדמי המוקטן יוצר באופן טבעי איכות תמונה ירידה יחסית בהשוואה לכפות האחוריות. חשוב גם להכיר בפער בטווח הגילאים של אימון (2-6 חודשים) ובמערכי הנתונים של בדיקות (כולל 7-8 חודשים), אשר עשוי להשפיע על יישום ודיוק בשינויים הקשורים לגיל, כולל המשך צמיחת העצם או המשך פתולוגיית המפרקים. הממצאים שלנו תומכים בשמירה על דיוק עבור רגלי אחוריות WT בניתוח DL מעבר לגיל 6 חודשים (איור 2E), מה שמרמז שהפחתה בביצועי הסגמנטציה במקבילות TNF-Tg קשורה ככל הנראה להתקדמות דלקתית-סחיפה ללא תלות בגיל עצמו. עם זאת, נדרשים מחקרים נוספים על עכברים מבוגרים ומבוגרים מסוג בר כדי להבטיח דיוק עקבי ללא תלות בטווח הגילאים הספציפי של קבוצת האימון של DL. לבסוף, הרחבת השיטות המתוארות מעבר לגישת הפרדת עצם חד-מחלקה לכלי אנליטי רב-מחלקתי חזק יותר, הכולל שמות עצמות צפויים בהתבסס על ארכיטקטורה מבנית או מיקום קואורדינטות באנטומיה קבועה (כלומר, בדומה לעץ אטלס) תספק בוודאות שיפורים חיוניים וככל הנראה תשפר את אימוץ השיטה.

לסיכום, עיצבנו אסטרטגיית סגמנטציה מיקרו-CT חדשנית לעיבוד תמונה ו-DL לבידוד עצמות בודדות במבנים מורכבים. החידוש הזה מראה שיפור מרשים הן באוטומטיות והן בדיוק הסגמנטציה בהשוואה ל-SAWorkflow 12 שיצרנו לאחרונה, ששימש כאן כבסיס לייצור סגמנטציות רבות ברמת זהב לאימון מודלים DL ואופטימיזציה של השיפורים הנוכחיים. למרות שתרגום שיטות הפיצול בכפות קדמיות וכפות עם דלקת מפרקים דלקתית-שחיקה הראה ביצועים ירודים, יישום שיטת חלוקת DL זו עשוי להפחית את המאמצים הידניים הנדרשים ליצירת מערכי נתונים מלאים עם הערות שיאפשרו מודלים לאימון DL ספציפיים לפתולוגיה או למבנה. שימוש בשיטת DL זו במחקרים עתידיים עשוי לאפשר אופטימיזציה של חלוקת עצם בין מינים ומודלים שונים של מחלות במחקר קדם-קליני, כדי לאפשר ניתוח כמותי מפורט במורד הזרם. אנו ממליצים גם לשלב אסטרטגיות כאלה במחקר קליני, שכן הן מבטיחות תועלת עתידית לטיפול במטופלים.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

דניאל לישו ורמי בלאן הם עובדים של ThermoFisher Scientific המעורבים בפיתוח ותחזוקה של תוכנת Amira המשמשת לייצור השיטות המתוארות במאמר זה. לכל שאר הסופרים אין מה לחשוף.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

מקורות מימון: F30AG076326 (HMK), T32GM007356 (HMK), R01AR069000 (CTR), R01AR056702 (EMS) ו-P30AR069655 (LS, EMS ו-HAA). HMK היה מתמחה בתוכנית ההכשרה למדענים רפואיים במימון NIH T32GM007356. התוכן הוא באחריות המחברים בלבד ואינו בהכרח מייצג את הדעות הרשמיות של המכון הלאומי למדעי הרפואה הכללית (NIH). ברצוננו להודות לסגל ולצוות של ליבת היסטולוגיה, ביוכימיה ודימות מולקולרי, לליבת הביומכניקה, הביוחומרים ודימות רקמות רב-מודלית, ולמרכז למחקר שריר-שלד במרכז הרפואי של אוניברסיטת רוצ'סטר על תרומתם לעבודה זו.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
מערכת מחשובפרטים מסופקים בסעיף הפרוטוקול ו-nbsp;פרטים מסופקים בסעיף הפרוטוקול ו-nbsp;
תוכנת ויזואליזציה של תמונותתרמופישר סיינטיפיקגרסה 2022.2 או מאוחר יותראמירה
איזופלוראןVetOne13985-528-60פלוריזו, 1-3% להרדמה
עכבריםהמרכז הרפואי של אוניברסיטת רוצ'סטרלא זמיןC57BL/6, טרנסגני TNF
מיקרו-CTסקנקו מדיקללא זמיןVivaCT 40
תוכנה סטטיסטיתGraphPad Software, Incגרסה 10.2.0 או מאוחר יותרפריזמת GraphPad
קלטתלא זמיןלא זמיןכדי לאבטח כפות רגליים של בעלי חיים להדמיה
צינורותלא זמיןלא זמיןפלסטיק דרלין ואקריליק שקוף לייצוב בעלי חיים

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Guidelines for assessment of bone microstructure in rodents using micro-computed tomography. J Bone Miner Res. 25 (7), 1468-1486 (2010).">Bouxsein, M., et al. Guidelines for assessment of bone microstructure in rodents using micro-computed tomography. J Bone Miner Res. 25 (7), 1468-1486 (2010).
  2. Computational pathology for musculoskeletal conditions using machine learning: advances, trends, and challenges. Arthritis Res Ther. 24 (1), 68(2022).">Konnaris, M. A., et al. Computational pathology for musculoskeletal conditions using machine learning: advances, trends, and challenges. Arthritis Res Ther. 24 (1), 68(2022).
  3. Redefining Radiology: A Review of Artificial Intelligence Integration in Medical Imaging. Diagnostics (Basel). 13 (17), 2760(2023).">Najjar, R. Redefining Radiology: A Review of Artificial Intelligence Integration in Medical Imaging. Diagnostics (Basel). 13 (17), 2760(2023).
  4. Review of deep learning: concepts, CNN architectures, challenges, applications, future directions. J Big Data. 8 (1), 53(2021).">Alzubaidi, L., et al. Review of deep learning: concepts, CNN architectures, challenges, applications, future directions. J Big Data. 8 (1), 53(2021).
  5. Convolutional neural network for detecting rib fractures on chest radiographs: a feasibility study. BMC Med Imaging. 23 (1), 18(2023).">Wu, J., et al. Convolutional neural network for detecting rib fractures on chest radiographs: a feasibility study. BMC Med Imaging. 23 (1), 18(2023).
  6. Fully automated pelvic bone segmentation in multiparameteric MRI using a 3D convolutional neural network. Insights Imaging. 12 (1), 93(2021).">Liu, X., et al. Fully automated pelvic bone segmentation in multiparameteric MRI using a 3D convolutional neural network. Insights Imaging. 12 (1), 93(2021).
  7. Automated anomaly-aware 3D segmentation of bones and cartilages in knee MR images from the Osteoarthritis Initiative. Med Image Anal. 93, 103089(2024).">Woo, B., et al. Automated anomaly-aware 3D segmentation of bones and cartilages in knee MR images from the Osteoarthritis Initiative. Med Image Anal. 93, 103089(2024).
  8. An improved AlexNet model for automated skeletal maturity assessment using hand X-ray images. Future Generat Comp Syst. 121, 106-113 (2021).">He, M., Zhao, X., Lu, Y., Hu, Y. An improved AlexNet model for automated skeletal maturity assessment using hand X-ray images. Future Generat Comp Syst. 121, 106-113 (2021).
  9. SMANet: multi-region ensemble of convolutional neural network model for skeletal maturity assessment. Quant Imaging Med Surg. 12 (7), 3556-3568 (2022).">Zhang, Y., et al. SMANet: multi-region ensemble of convolutional neural network model for skeletal maturity assessment. Quant Imaging Med Surg. 12 (7), 3556-3568 (2022).
  10. SVTNet: Automatic bone age assessment network based on TW3 method and vision transformer. Int J Imag Syst Technol. 34 (2), e22990(2024).">Wu, J., Mi, Q., Zhang, Y., Wu, T. SVTNet: Automatic bone age assessment network based on TW3 method and vision transformer. Int J Imag Syst Technol. 34 (2), e22990(2024).
  11. Segmentation of carpal bones from CT images using skeletally coupled deformable models. Med Image Anal. 7 (1), 21-45 (2003).">Sebastian, T. B., Tek, H., Crisco, J. J., Kimia, B. B. Segmentation of carpal bones from CT images using skeletally coupled deformable models. Med Image Anal. 7 (1), 21-45 (2003).
  12. A High-Throughput Semi-Automated Bone Segmentation Workflow for Murine Hindpaw Micro-CT Datasets. Bone Rep. 16, 101167(2022).">Kenney, H., et al. A High-Throughput Semi-Automated Bone Segmentation Workflow for Murine Hindpaw Micro-CT Datasets. Bone Rep. 16, 101167(2022).
  13. Bone and joint enhancement filtering: Application to proximal femur segmentation from uncalibrated computed tomography datasets. Med Image Anal. 67, 101887(2021).">Besler, B. A., et al. Bone and joint enhancement filtering: Application to proximal femur segmentation from uncalibrated computed tomography datasets. Med Image Anal. 67, 101887(2021).
  14. Atlas-based whole-body segmentation of mice from low-contrast Micro-CT data. Med Image Anal. 14 (6), 723-737 (2010).">Baiker, M., et al. Atlas-based whole-body segmentation of mice from low-contrast Micro-CT data. Med Image Anal. 14 (6), 723-737 (2010).
  15. Automatic nonrigid registration of whole body CT mice images. Med Phys. 35 (4), 1507-1520 (2008).">Li, X., Yankeelov, T. E., Peterson, T. E., Gore, J. C., Dawant, B. M. Automatic nonrigid registration of whole body CT mice images. Med Phys. 35 (4), 1507-1520 (2008).
  16. Articulated whole-body atlases for small animal image analysis: construction and applications. Mol Imaging Biol. 13 (5), 898-910 (2011).">Khmelinskii, A., et al. Articulated whole-body atlases for small animal image analysis: construction and applications. Mol Imaging Biol. 13 (5), 898-910 (2011).
  17. Image Registration in Longitudinal Bone Assessment Using Computed Tomography. Curr Osteoporos Rep. 21 (4), 372-385 (2023).">Liu, H., Durongbhan, P., Davey, C. E., Stok, K. S. Image Registration in Longitudinal Bone Assessment Using Computed Tomography. Curr Osteoporos Rep. 21 (4), 372-385 (2023).
  18. Fully automated segmentation in temporal bone CT with neural network: a preliminary assessment study. BMC Med Imaging. 21 (1), 166(2021).">Wang, J., et al. Fully automated segmentation in temporal bone CT with neural network: a preliminary assessment study. BMC Med Imaging. 21 (1), 166(2021).
  19. Automated segmentation of knee bone and cartilage combining statistical shape knowledge and convolutional neural networks: Data from the Osteoarthritis Initiative. Med Image Anal. 52, 109-118 (2019).">Ambellan, F., Tack, A., Ehlke, M., Zachow, S. Automated segmentation of knee bone and cartilage combining statistical shape knowledge and convolutional neural networks: Data from the Osteoarthritis Initiative. Med Image Anal. 52, 109-118 (2019).
  20. Fast and accurate 3-D spine MRI segmentation using FastCleverSeg. Magn Reson Imaging. 109, 134-146 (2024).">Ramos, J. S., et al. Fast and accurate 3-D spine MRI segmentation using FastCleverSeg. Magn Reson Imaging. 109, 134-146 (2024).
  21. Improved Repeatability of Mouse Tibia Volume Segmentation in Murine Myelofibrosis Model Using Deep Learning. Tomography. 9 (2), 589-602 (2023).">Kushwaha, A., et al. Improved Repeatability of Mouse Tibia Volume Segmentation in Murine Myelofibrosis Model Using Deep Learning. Tomography. 9 (2), 589-602 (2023).
  22. Automated multi-scale computational pathotyping (AMSCP) of inflamed synovial tissue. Nat Commun. 15 (1), 7503(2024).">Bell, R. D., et al. Automated multi-scale computational pathotyping (AMSCP) of inflamed synovial tissue. Nat Commun. 15 (1), 7503(2024).
  23. High-throughput micro-CT analysis identifies sex-dependent biomarkers of erosive arthritis in TNF-Tg mice and differential response to anti-TNF therapy. PLoS One. 19 (7), e0305623(2024).">Kenney, H. M., et al. High-throughput micro-CT analysis identifies sex-dependent biomarkers of erosive arthritis in TNF-Tg mice and differential response to anti-TNF therapy. PLoS One. 19 (7), e0305623(2024).
  24. Detection and characterisation of bone destruction in murine rheumatoid arthritis using statistical shape models. Med Image Anal. 40, 30-43 (2017).">Brown, J. M., et al. Detection and characterisation of bone destruction in murine rheumatoid arthritis using statistical shape models. Med Image Anal. 40, 30-43 (2017).
  25. Mechanical strain determines the site-specific localization of inflammation and tissue damage in arthritis. Nat Commun. 9 (1), 4613(2018).">Cambre, I., et al. Mechanical strain determines the site-specific localization of inflammation and tissue damage in arthritis. Nat Commun. 9 (1), 4613(2018).
  26. Open-source pipeline for automatic segmentation and microstructural analysis of murine knee subchondral bone. Bone. , 167(2023).">Mahdi, H., et al. Open-source pipeline for automatic segmentation and microstructural analysis of murine knee subchondral bone. Bone. , 167(2023).
  27. Finite element models with automatic computed tomography bone segmentation for failure load computation. Sci Rep. 14 (1), 16576(2024).">Saillard, E., et al. Finite element models with automatic computed tomography bone segmentation for failure load computation. Sci Rep. 14 (1), 16576(2024).
  28. Zenodo. , (2024).">Kenney, H., et al. Micro-CT of hind paw. Zenodo. , (2024).
  29. Zenodo. , (2025).">Kenney, H., et al. Micro-CT of hind paw. Zenodo. , (2025).
  30. Transgenic mice expressing human tumour necrosis factor: a predictive genetic model of arthritis. EMBO J. 10 (13), 4025-4031 (1991).">Keffer, J., et al. Transgenic mice expressing human tumour necrosis factor: a predictive genetic model of arthritis. EMBO J. 10 (13), 4025-4031 (1991).
  31. The TNF-alpha transgenic mouse model of inflammatory arthritis. Springer Semin Immunopathol. 25 (1), 19-33 (2003).">Li, P., Schwarz, E. The TNF-alpha transgenic mouse model of inflammatory arthritis. Springer Semin Immunopathol. 25 (1), 19-33 (2003).
  32. Selective sexual dimorphisms in musculoskeletal and cardiopulmonary pathologic manifestations and mortality incidence in the tumor necrosis factor-transgenic mouse model of rheumatoid arthritis. Arthritis Rheumatol. 71 (9), 1512-1523 (2019).">Bell, R., et al. Selective sexual dimorphisms in musculoskeletal and cardiopulmonary pathologic manifestations and mortality incidence in the tumor necrosis factor-transgenic mouse model of rheumatoid arthritis. Arthritis Rheumatol. 71 (9), 1512-1523 (2019).
  33. CD23+/CD21hi B cell translocation and ipsilateral lymph node collapse is associated with asymmetric arthritic flare in TNF-Tg mice. Arthritis Res Ther. 13 (4), R138(2011).">Li, J., et al. CD23+/CD21hi B cell translocation and ipsilateral lymph node collapse is associated with asymmetric arthritic flare in TNF-Tg mice. Arthritis Res Ther. 13 (4), R138(2011).
  34. Persistent popliteal lymphatic muscle cell coverage defects despite amelioration of arthritis and recovery of popliteal lymphatic vessel function in TNF-Tg mice following anti-TNF therapy. Sci Rep. 12 (1), 12751(2022).">Kenney, H., et al. Persistent popliteal lymphatic muscle cell coverage defects despite amelioration of arthritis and recovery of popliteal lymphatic vessel function in TNF-Tg mice following anti-TNF therapy. Sci Rep. 12 (1), 12751(2022).
  35. Implementation of automated behavior metrics to evaluate voluntary wheel running effects on inflammatory-erosive arthritis and interstitial lung disease in TNF-Tg mice. Arthritis Res Ther. 25 (1), 17(2023).">Kenney, H., et al. Implementation of automated behavior metrics to evaluate voluntary wheel running effects on inflammatory-erosive arthritis and interstitial lung disease in TNF-Tg mice. Arthritis Res Ther. 25 (1), 17(2023).
  36. Mathematical Morphology in Image Processing. , CRC Press. (1992).">Meyer Sm Beucher, F. Mathematical Morphology in Image Processing. , CRC Press. (1992).
  37. Medical Image Computing and Computer-Assisted Intervention - MICCAI'98. Wells, W. M., Colchester, A., Scott, D. , Springer. Berlin Heidelberg. 130-137 (1998).">Frangi, A. F., Niessen, W. J., Vincken, K. L., Viergever, M. A. Medical Image Computing and Computer-Assisted Intervention - MICCAI'98. Wells, W. M., Colchester, A., Scott, D. , Springer. Berlin Heidelberg. 130-137 (1998).
  38. Robust membrane detection based on tensor voting for electron tomography. J Struct Biol. 186 (1), 49-61 (2014).">Martinez-Sanchez, A., Garcia, I., Asano, S., Lucic, V., Fernandez, J. J. Robust membrane detection based on tensor voting for electron tomography. J Struct Biol. 186 (1), 49-61 (2014).
  39. Micro-tomographic atlas of the mouse skeleton. , Springer Science + Business Media. (2007).">Bab, I., Hajbi-Yonissi, C., Gabet, Y., Müller, R. Micro-tomographic atlas of the mouse skeleton. , Springer Science + Business Media. (2007).
  40. Micro-Tomographic Atlas of the Mouse Skeleton. , Springer. (2007).">Bab, I., Hajbi-Yonissi, C., Gabet, Y., Müller, R. Micro-Tomographic Atlas of the Mouse Skeleton. , Springer. (2007).
  41. Anatomical Variation of the Tarsus in Common Inbred Mouse Strains. . Anat Rec (Hoboken). 300 (3), 450-459 (2017).">Richbourg, H., Martin, M., Schachner, E., McNulty, M. Anatomical Variation of the Tarsus in Common Inbred Mouse Strains. . Anat Rec (Hoboken). 300 (3), 450-459 (2017).
  42. Longitudinal assessment of synovial, lymph node, and bone volumes in inflammatory arthritis in mice by in vivo magnetic resonance imaging and microfocal computed tomography. Arthritis Rheumatol. 56 (12), 4024-4037 (2007).">Proulx, S., et al. Longitudinal assessment of synovial, lymph node, and bone volumes in inflammatory arthritis in mice by in vivo magnetic resonance imaging and microfocal computed tomography. Arthritis Rheumatol. 56 (12), 4024-4037 (2007).
  43. Reliability of Magnetic Resonance Imaging (MRI)-scoring of the Metatarsophalangeal-joints of the Foot According to the Rheumatoid Arthritis-MRI Score (RAMRIS). J Rheumatol. 47 (8), 1165-1173 (2020).">Dakkak, Y., Matthijssen, X., van der Heijde, D., Reijnierse, M., van der Helm-van Mil, A. Reliability of Magnetic Resonance Imaging (MRI)-scoring of the Metatarsophalangeal-joints of the Foot According to the Rheumatoid Arthritis-MRI Score (RAMRIS). J Rheumatol. 47 (8), 1165-1173 (2020).
  44. Ultrasound detection of subclinical synovitis in rheumatoid arthritis patients in clinical remission: a new reduced-joint assessment in 3 target joints. Clin Exp Rheumatol. 36 (6), 984-989 (2018).">Dimanti, A., et al. Ultrasound detection of subclinical synovitis in rheumatoid arthritis patients in clinical remission: a new reduced-joint assessment in 3 target joints. Clin Exp Rheumatol. 36 (6), 984-989 (2018).
  45. A reduced 12-joint ultrasound examination predicts lack of X-ray progression better than clinical remission criteria in patients with rheumatoid arthritis. Rheumatol Int. 37 (8), 1347-1356 (2017).">De Miguel, E., et al. A reduced 12-joint ultrasound examination predicts lack of X-ray progression better than clinical remission criteria in patients with rheumatoid arthritis. Rheumatol Int. 37 (8), 1347-1356 (2017).
  46. Assessment of structural damage progression in established rheumatoid arthritis by conventional radiography, computed tomography, and magnetic resonance imaging. Best Pract Res Clin Rheumatol. 33 (5), 101481(2019).">Ornbjerg, L., Ostergaard, M. Assessment of structural damage progression in established rheumatoid arthritis by conventional radiography, computed tomography, and magnetic resonance imaging. Best Pract Res Clin Rheumatol. 33 (5), 101481(2019).
  47. Update of the American College of Rheumatology Recommended Rheumatoid Arthritis Disease Activity Measures. Arthritis Care Res (Hoboken). 71 (12), 1540-1555 (2019).">England, B., et al. Update of the American College of Rheumatology Recommended Rheumatoid Arthritis Disease Activity Measures. Arthritis Care Res (Hoboken). 71 (12), 1540-1555 (2019).
  48. Are bone erosions detected by magnetic resonance imaging and ultrasonography true erosions? A comparison with computed tomography in rheumatoid arthritis metacarpophalangeal joints. Arthritis Res Ther. 8 (4), R110(2006).">Dohn, U., et al. Are bone erosions detected by magnetic resonance imaging and ultrasonography true erosions? A comparison with computed tomography in rheumatoid arthritis metacarpophalangeal joints. Arthritis Res Ther. 8 (4), R110(2006).
  49. Detection of bone erosions in rheumatoid arthritis wrist joints with magnetic resonance imaging, computed tomography and radiography. Arthritis Res Ther. 10 (1), R25(2008).">Dohn, U., et al. Detection of bone erosions in rheumatoid arthritis wrist joints with magnetic resonance imaging, computed tomography and radiography. Arthritis Res Ther. 10 (1), R25(2008).
  50. Dual-energy CT: a new imaging modality for bone marrow oedema in rheumatoid arthritis. Ann Rheum Dis. 77 (6), 958-960 (2018).">Jans, L., et al. Dual-energy CT: a new imaging modality for bone marrow oedema in rheumatoid arthritis. Ann Rheum Dis. 77 (6), 958-960 (2018).

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Bone SegmentationJoint Space DetectionDeep Learning ModelsMicro Computed TomographyWatershed AlgorithmStructure EnhancementTensor VotingU Net ArchitectureInflammatory ArthritisAutomated Image Analysis

Related Articles