זיהוי אוטומטי במרחב מפרקים משפר את דיוק חלוקת העצם
28 בנובמבר 2025
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.
אלגוריתמים עדכניים לעיבוד תמונה בעלי תפוקה גבוהה סיפקו מספר רב של סגמנטציות עצם בסטנדרט זהב של מפרקים מורכבים עם פוטנציאל לאמן מודלים של למידה עמוקה. האתגר הנוכחי הוא היכולת המוגבלת להשתמש באסטרטגיות סגמנטציה קודמות בניסויים עתידיים בהתחשב באלגוריתמים ספציפיים למבנה ותהליכי תיקון ידניים משמעותיים. אנו מטפלים בצורך בניתוח תמונות אוטומטי שניתן לשחזור ומאפשר הערכה כמותית של בריאות העצם והתקדמות אוסטיאוארתריטיס, תוך מזעור עבודה פיזית ויכולת קיום.
כדי להתחיל, צפו במאגר הנתונים של טומוגרפיה מיקרו-ממוחשבת כדי לראות שעצם ורקמה רכה ניתנים להבחנה ברורה. בדוק אזורים שבהם עצמות סמוכות דחוסות כדי לזהות אזורים שבהם רזולוציית תמונה מוגבלת ורווחים מינימליים מקשים על גילוי הגבולות שלהן. שימו לב לקו הבסיס שבו שיטת הסגמנטציה המפוקחת מבוססת אגן ניקוז מניבה דיוק כולל של כ-80%. לשיפור דיוק הסגמנטציה, יש ליישם תהליך עבודה מעודכן המשלב מודל חיזוי מרחב משותף מאומן מראש בלמידה עמוקה עם מתכון לעיבוד תמונה מוקדם ומתכון להפרדת עצמות מבוסס אגן ניקוז בסביבת התוכנה של Amira.
טען את מערך הנתונים של המיקרו-טומוגרפיה הממוחשבת ל-Amira. חבר את מודול חיזוי הלמידה העמוקה. בחר את המודל המאומן ולחץ על Apply כדי ליצור סגמנטציה ראשונית של מרחב המפרקים.
אחר כך טען את המתכון במודול נגן המתכונים של התמונה. חבר את מערך הנתונים של טומוגרפיה מיקרו-ממוחשבת לבין החלוקה הראשונית של המפרקים, והחלו את המתכון ליצירת הסגמנטציה הסופית עם עצמות מותאמות לחלוטין. לבסוף, העריכו את התוצאה על ידי התאמת מפת הצבעים לתוויות 256 ובדיקת פרוסות אורתוגונליות והדמיות נפח כדי לאשר הפרדה מוצלחת של עצמות בודדות לאורך כף הרגל האחורית.
כדי לבדוק או לערוך את מתכון עיבוד התמונה, פתחו את חדר העבודה של מתכוני התמונה ב-Amira וטענו את מתכון הפרדת העצם. חבר את נתוני הקלט הנדרשים והתאם פרמטרים בחלון המאפיינים כדי להתאים את זרימת העבודה למערך הנתונים הנוכחי. כדי לסקור את מבנה זרימת העבודה, הצג ברצף את הפלטים הביניים שנוצרים על ידי המתכון, ואז מיישם שיטת מורפולוגיה מתמטית של כובע טופ-כובע שחור באמצעות סגירה, חיסור אריתמטי וסף, והשתמש בשלב זה כדי להדגיש ווקסלים כהים יותר מהסביבה שלהם ומתאימים לאזורי מפרקים.
כדי לשפר את הספציפיות, יש להפעיל את מסנן Structure Enhancement כדי להעצים מבנים מישוריים כהים ודקים המתאימים למרחבי מפרקים. חיזוק עוד יותר את המשכיות המפרקים על ידי יישום מסנן שיפור הממברנה, הכולל שלב הצבעה טנזורית. לאחר מכן, אינטגרציה של מסכת המפרק שנוצרה על ידי רשת עצבית קונבולוציונית שאומנה לזהות מרחב שלילי פרי-ארטיקולרי עם תוצאות מסנני עיבוד התמונה הקודמים ליצירת מסכת מפרק סופית.
להשלמת הפרדת העצם, מחסירים את מסכת המפרק הסופית ממסכת העצם והתייחסו לכל רכיב מחובר שנותר כסמן לעצם בודדת. יישם את אלגוריתם אגן הניקוז כדי לגדל כל סמן בתוך מסכת העצם המקורית, לשחזר עצמות בודדות, ולמקם גבולות במיקומים אופטימליים בהתאם לעוצמות התמונה. להכנת נתוני אימון למודל הלמידה העמוקה, בחרו 20 מערכי נתונים מסוג בר המייצגים 40 רגליים אחוריות עם התפלגות מין מאוזנת וגילאים בטווח של 2 עד 6 חודשים.
חלץ שישה תת-נפחים מכל מערך נתונים עם שלושה תת-נפחים לכל כף רגל אחורית. השתמשו בתת-נפחים בגודל 200 x 200 x 200 ווקסלים כדי לכסות אזורי קרסול, אצבעות ואזורים מייצגים ברקע. הגדר ארכיטקטורת U-Net תלת-ממדית עם עמוד שדרה של ResNet-18.
אופטימיזציה של המודל באמצעות אלגוריתם אדם עם קצב למידה התחלתי של 0.0001 ומשקלים מאותחלים באקראי. אמן את המודל באמצעות פונקציית אובדן הקוביות ועקוב אחרי ביצועי האימות באמצעות מדד החיתוך על פני האיחוד. שימוש בלמידה עמוקה לזיהוי מרחבי מפרקים במאגרי נתוני מיקרו-CT אפשר הפרדה ברורה ועקבית של עצמות כף רגל אחורית בודדות.
על ידי התמקדות במרחב השלילי הפרי-ארטיקולרי, המודל הגדיר במדויק את גבולות העצם גם באזורים צפופים. בהשוואה לזרימת העבודה החצי-אוטומטית, שהשיגה כ-80% דיוק, גישת הלמידה העמוקה השיגה שיפור משמעותי בעכברים מסוג פראי, והגיעה לדיוק של 98-99% עם תיקון ידני מינימלי. בעכברים טרנסגניים מסוג TNF, שיטת הלמידה העמוקה שמרה על ביצועים גבוהים למרות מחלה דלקתית מתקדמת, עם דיוק של כ-98% בשלבים המוקדמים של התקדמות המחלה.
למרות שהמודל אומן אך ורק על כפות האחוריות, ניתן היה ליישם אותו ישירות על כפות הקדמיות ללא אימון מחדש לקבלת סגמנטציות אנטומיות קוהרנטיות, מה שמדגים הכללה חזקה למבנים מורכבים. נמצא כי התקדמות מחלת שחיקה חמורה והרס מפרקים הואצה בכפות קדמיות נקביות טרנסגניות ב-TNF. הפרוטוקול שלנו משפר את דיוק הסגמנטציה והאוטומציה, תוך שהוא מאפשר תיקונים ידניים ושיפורים מתמשכים בביצועים באמצעות הוספת הערות מומחים.
המחקר העתידי שלנו שואף לשלב מבנים ומודלים ייחודיים של מחלות ואלגוריתמים אוטומטיים כדי להמשיך ולשפר את הגמישות והיישום.
סקירה כללית
מחקר זה מציג תהליך עבודה אוטומטי לזיהוי מרווחים בין מפרקים המאפשר סגמנטציה בתופעת גבוהה של עצמות כפות רגליים אחוריות של עכברים, עם דיוק העולה על 98%. השיטה ניתנת להתאמה לשימוש בכפות רגליים קדמיות ובכפות רגליים הפגועות מדלקת מפרקים שחיקתית-דלקתית, אם כי הביצועים עשויים לדרוש אופטימיזציה נוספת.
מרכיבי מפתח של המחקר
תחום המדע
- מדעי המוח
- עיבוד תמונה
- הערכת בריאות העצם
רקע
- אלגוריתמים לעיבוד תמונות בעבודת סריקה רחבה שיפרו את סגמנטציית העצם.
- אסטרטגיות סגמנטציה קודמות מתמודדות עם אתגרים בנוגע לשחזור ולתיקון ידני.
- ניתוח תמונות אוטומטי נחוץ לצורך הערכה כמותית של בריאות העצם.
- מאגרי נתונים של מיקרו-CT יכולים להבחין ביעילות בין עצם לרקמה רכה.
מטרת המחקר
- פיתוח זרימת עבודה אוטומטית וניתנת לשחזור לניתוח תמונות.
- מתן אפשרות להערכה כמותית של בריאות העצם והתקדמות דלקת מפרקים שחיקתית (osteoarthritis).
- צמצום העבודה הידנית בתהליכי סגמנטציה של תמונות.
שיטות שנעשה בהן שימוש
- שימוש בשיטת סגמנטציה מונחית המבוססת על אגני ניקוв (watershed).
- יישום של מודל חיזוי מרחב מפרקים (joint space) מבוסס למידה עמוקה שאומן מראש.
- שילוב עם תוכנת Amira לעיבוד תמונה.
- הערכה של שיפורים בדיוק הסגמנטציה.
תוצאות עיקריות
- הושגה דיוק של למעלה מ-98% בסגמנטציה של עצמות כף הרגל האחורית.
- זוהו מגבלות בביצועי הסגמנטציה עבור כפות רגליים עם דלקת מפרקים.
- הוכשרה היעילות של שילוב למידה עמוקה עם שיטות מסורתיות.
- הודגשו תחומים לאופטימיזציה עתידית בזרימות העבודה של הסגמנטציה.
מסקנות
- תהליך העבודה האוטומטי משפר באופן משמעותי את דיוק סגמנטציית העצם.
- נדרשת אופטימיזציה נוספת עבור יישומים במצבים דלקתיים.
- גישה זו יכולה לסייע בהערכה טובה יותר של התקדמות אוסטאוארתריטיס.
שאלות נפוצות
רלוונטיות תעשייתית למנהלים
זיהוי אוטומטי של מרווחי מפרקים באמצעות למידה עמוקה מקדם באופן משמעותי את הסגמנטציה הכמותית של עצם, תוך הפחתת העבודה הידנית והשונות בין בוחנים במחקרי דימות פרה-קליניים. יכולת זו מגבירה את הביטחון החזוי במודלים של בריאות העצם והתקדמות מחלות, ותומכת בתיקוף יעדים חזק ובמחקר תרגומי במסלולי פיתוח למחלות דלקתיות ומחלות של השלד והשרירים. דיוק משופר בסגמנטציה בשלבי הגילוי המוקדמים ובשלבים פרה-קליניים מאפשר סריקה פנוטיפית אמינה יותר וקבלת החלטות בתיק השקעות המתואמות לסיכון.
יישומים אסטרטגיים במחקר ופיתוח בביו-פארמה
גילוי מוקדם ותיקוף מטרה
- מאפשר הערכה כמותית וניתנת לשחזור של מבנה העצם לצורך בדיקת השערות במודלים של מחלות.
- מפחית את השונות הנובעת מסגמנטציה ידנית, ובכך תומך בתיקוף של מטרות תפקודיות במחקרים על אוסטאוארתריטיס ודלקות מפרקים.
- משפר את הפחתת הסיכונים המכניסטיים על ידי אספקת תיאור אנטומי ברמת דיוק גבוהה באזורי מפרקים מורכבים.
סריקה ופיתוח בדיקה
- מכין פלחי עצם מאומתים ברזולוציה גבוהה עבור תהליכי סריקה פנוטיפית המשכיים.
- מסטנדרט את פלטי הסגמנטציה, ובכך משפר את ההדירות והיכולת להרחבה (scalability) בין מחקרים וצוותים שונים.
- מאפשר קבלת תוצאות כמותיות אמינות להערכת תרכובות במודלים של מחלות עצם ומפרקים.
מחקר תרגומי ופרה-קליני
- מתאימה את דיוק הסגמנטציה עם נקודות קצוב רלוונטיות למחלה, ובכך תומכת בפיתוח ביומרקרים תרגומיים.
- שומרת על רצף משלב הגילוי ועד לאישור פרה-קליני על ידי מתן אפשרות לכימות אנטומי עקבי.
- תומכת בהחלטות קידום מותאמות סיכון באמצעות כימות התקדמות המחלה וההשפעה הטיפולית.
שילוב תהליכי עבודה וצינור עיבוד
תהליך הפילוח האוטומטי זה משתלב ברצף השלב המקדימה-קליני ועד לגילוי, החל מבדיקת השערות מוקדמת ועד לזיהוי מולקולות מובילה ומחקר תרגומי.
- ביולוגיה של גילוי: תומך בבדיקה חזקה של השערת האפס ובבירור מסלולים במודלים של מחלות עצם ומפרקים.
- סריקה: מספק פלטים של סגמנטציה כמותיים וניתנים לשחזור עבור פיתוח בדיקות וסריקת תרכובות.
- אנליטיקה: מספק מדידות ברמת דיוק גבוהה ופלטים סטטיסטיים להשוואות בין תנאים שונים.
- מחקר תרגומי: מאפשר התאמה לסמנים ביולוגיים רלוונטיים למחלה ולנקודות קצה פרה-קליניות.
- שימוש חוזר ארגוני: מציע יכולת סגמנטציה ניתנת להרחבה ולהתאמה עבור הקשרים אנטומיים והקשרי מחלה מגוונים.
השפעה תפעולית וארגונית
- ערך מדעי: מגביר את הביטחון החזוי ומפחית עמימות מכניסטית בסגמנטציה של העצם.
- ערך תפעולי: מבצע סטנדרטיזציה ואוטומציה של הסגמנטציה, ובכך מצמצם התערבות ידנית ושונות.
- ערך אסטרטגי: משפר את איכות קבלת ההחלטות לגבי המשך התקדמות (go/no-go) ואת היעילות ההונית על ידי מתן פלטים כמותיים מהימנים.
- השפעה על תיק הפיתוח: תומך בתיעדוף מותאם סיכון ובקידום תוכניות למחלות דלקתיות ומחלות של השלד והשרירים.
שיקולי יישום
- דורש מומחיות באימון מודלים של למידה עמוקה (deep learning) ובזרימות עבודה של ניתוח תמונות.
- תלוי בגישה לדימות micro-CT ברזולוציה גבוהה ובתשתית אנליטית תואמת.
- מחייב סטנדרטיזציה בין-צוותית של פרוטוקולי סגמנטציה וקריטריוני תיקוף.
- עשוי לדרוש התאמה למבנים אנטומיים חדשים או למצבים מחלתיים מתקדמים עם דיוק מופחת.
- הביצועים עשויים לרדת במקרים של מחלה חמורה או במערכי נתונים שלא שימשו לאימון, דבר המחייב עידון מתמיד של המודל.
