זיהוי אוטומטי במרחב מפרקים משפר את דיוק חלוקת העצם
November 28th, 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
המחקר הנוכחי מציג זרימת עבודה אוטומטית לזיהוי חלל מפרקי שמשיגה פילוח בעל תפוקה גבוהה של עצמות כף הרגל האחורית של עכברים עם דיוק של מעל 98%. השיטה מותאמת לשימוש בכפות ידיים קדמיות וכפות רגליים הנגועות בדלקת מפרקים שוחקת, אם כי ייתכן שהביצועים דורשים אופטימיזציה נוספת.
מרכיבי מחקר מרכזיים
תחום המדע
- נוירומדע
- עיבוד תמונה
- הערכת בריאות העצמות
רקע
- אלגוריתמים לעיבוד תמונות בתפוקה גבוהה שיפרו את פילוח העצמות.
- אסטרטגיות פילוח קודמות מתמודדות עם אתגרים בשיחזור ותיקון ידני.
- יש צורך בניתוח תמונה אוטומטי להערכת בריאות עצמות כמותית.
- ערכות נתונים של טומוגרפיה ממוחשבת מיקרו יכולות להבחין ביעילות בין עצמות ורקמות רכות.
מטרת המחקר
- לפתח זרימת עבודה לניתוח תמונות אוטומטי שניתן לשחזר.
- לאפשר הערכה כמותית של בריאות העצמות והתקדמות דלקת מפרקים ניוונית.
- למזער עבודה ידנית בתהליכי פילוח תמונות.
שיטות בשימוש
- שימוש בשיטת פילוח מבוססת מפל מים בפיקוח.
- יישום של מודל תחזית חלל מפרק עמוק מוכשר מראש.
- שילוב עם תוכנת Amira לעיבוד תמונה.
- הערכת שיפורים בדיוק הפילוח.
תוצאות עיקריות
- הושג דיוק של מעל 98% בפילוח עצמות כף הרגל האחורית.
- זוהו מגבלות בביצועי הפילוח לכפות רגליים עם דלקת מפרקים.
- הוכחה ליעילות השילוב של למידת עמוק עם שיטות מסורתיות.
- הדגשת אזורים לאופטימיזציה עתידית בזרימות העבודה של הפילוח.
מסקנות
- זרימת העבודה האוטומטית משפרת משמעותית את דיוק הפילוח של העצמות.
- יש צורך באופטימיזציה נוספת ליישומים במצבים דלקתיים.
- גישה זו יכולה להקל על הערכה טובה יותר של התקדמות דלקת מפרקים ניוונית.
שאלות נפוצות
Executive Industry Relevance
Automated joint space detection using deep learning significantly advances quantitative bone segmentation, reducing manual labor and interobserver variability in preclinical imaging studies. This capability enhances predictive confidence in bone health and disease progression models, supporting robust target validation and translational research in musculoskeletal and inflammatory disease pipelines. Improved segmentation accuracy at early discovery and preclinical stages enables more reliable phenotypic screening and risk-adjusted portfolio decisions.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables reproducible, quantitative assessment of bone structure for hypothesis testing in disease models.
- Reduces manual segmentation variability, supporting functional target validation in osteoarthritis and inflammatory arthritis research.
- Improves mechanistic de-risking by providing high-fidelity anatomical delineation in complex joint regions.
Screening & Assay Development
- Prepares validated, high-resolution bone segmentations for downstream phenotypic screening workflows.
- Standardizes segmentation outputs, enhancing reproducibility and scalability across studies and teams.
- Facilitates reliable quantitative readouts for compound evaluation in bone and joint disease models.
Translational & Preclinical Research
- Aligns segmentation accuracy with disease-relevant endpoints, supporting translational biomarker development.
- Maintains continuity from discovery through preclinical validation by enabling consistent anatomical quantification.
- Supports risk-adjusted advancement decisions by quantifying disease progression and therapeutic impact.
Pipeline & Workflow Integration
This automated segmentation workflow integrates into the discovery-to-preclinical continuum, from early hypothesis testing to lead identification and translational research.
- Discovery Biology: Supports robust null hypothesis testing and pathway clarification in bone and joint disease models.
- Screening: Delivers reproducible, quantitative segmentation outputs for assay development and compound screening.
- Analytics: Provides high-accuracy measurements and statistical outputs for cross-condition comparisons.
- Translational Research: Enables alignment with disease-relevant biomarkers and preclinical endpoints.
- Enterprise Reuse: Offers a scalable, adaptable segmentation capability for diverse anatomical and disease contexts.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in bone segmentation.
- Operational Value: Standardizes and automates segmentation, minimizing manual intervention and variability.
- Strategic Value: Improves go/no-go decision quality and capital efficiency by enabling reliable quantitative outputs.
- Portfolio Impact: Supports risk-adjusted prioritization and advancement of musculoskeletal and inflammatory disease programs.
Implementation Considerations
- Requires expertise in deep learning model training and image analysis workflows.
- Depends on access to high-resolution micro-CT imaging and compatible analytical infrastructure.
- Necessitates cross-team standardization of segmentation protocols and validation criteria.
- May require adaptation for novel anatomical structures or advanced disease states with degraded accuracy.
- Performance may decline in severe disease or non-training datasets, necessitating ongoing model refinement.
