Il rilevamento automatico dello spazio articolare migliora la precisione della segmentazione ossea

Recenti algoritmi di elaborazione immagini ad alta produttività hanno fornito numerose segmentazioni ossee di complesse standard con il potenziale di addestrare modelli di deep learning. La sfida attuale è la limitata capacità di utilizzare strategie di segmentazione precedenti in esperimenti futuri, dato algoritmi specifici per struttura e processi manuali correttivi significativi. Affrontiamo la necessità di un'analisi automatica delle immagini riproducibili che consenta una valutazione quantitativa della salute ossea e della progressione dell'osteoartrite, minimizzando al contempo il lavoro manuale e la fattibilità.

Per cominciare, consulta il dataset di microtomografia computerizzata per osservare che osso e tessuto molle sono chiaramente distinguibili. Ispezionare le aree dove le ossa adiacenti sono molto compatte per identificare aree dove la risoluzione dell'immagine limitata e le lacune minime rendono difficile rilevare i loro confini. Nota la base in cui il metodo di segmentazione supervisionato basato su bacini idrografici produce un'accuratezza complessiva di circa l'80%. Per migliorare l'accuratezza della segmentazione, applica un flusso di lavoro aggiornato che combina un modello pre-addestrato di pre-apprendimento di deep learning per lo spazio congiunto con una ricetta predefinita per l'elaborazione delle immagini e la separazione ossea basata sul bacino idrografico nell'ambiente software Amira.

Carica il dataset di tomografia microcomputerizzata in Amira. Collegati al modulo di previsione del deep learning. Seleziona il modello addestrato e premi Applica per generare una segmentazione iniziale nello spazio giunto.

Poi carica la ricetta nel modulo player di ricette immagine. Collega il dataset della microtomografia computerizzata e la segmentazione articolare preliminare, e applica la ricetta per produrre la segmentazione finale con ossa completamente individualizzate. Infine, valuta l'output risultante regolando la mappa colori alle etichette 256 e ispezionando le tazioni ortogonali e i volumi per confermare la separazione riuscita delle singole ossa in tutto il retropaw.

Per ispezionare o modificare la ricetta di elaborazione immagini, apri la workroom della ricetta dell'immagine in Amira e carica la ricetta per la separazione ossea. Collega i dati di input richiesti e regola i parametri nella finestra Proprietà per personalizzare il flusso di lavoro per il dataset corrente. Per rivedere la struttura del workflow, visualizza sequenzialmente gli output intermedi generati dalla ricetta, poi applica un metodo matematico morfologico black top-hat implementato tramite chiusura, sottrazione aritmetica e soglia, e usa questo passaggio per enfatizzare voxel più scuri dell'ambiente circostante e corrispondenti a regioni congiunte.

Per migliorare la specificità, applica il filtro di Enhancement Strutturale per esaltare strutture planari scure e sottili corrispondenti agli spazi articolari. Rafforzare ulteriormente la continuità articolare applicando il filtro Membrane Enhancement, che incorpora una fase di voto tensoriale. Successivamente, integra la maschera articolare generata da una rete neurale convoluzionale addestrata per identificare lo spazio negativo periarticolare con i risultati dei precedenti filtri di elaborazione dell'immagine per generare una maschera articolare finale.

Per completare la separazione ossea, si sottrae la maschera articolare finale dalla maschera ossea e si tratta ogni componente connesso rimanente come un indicatore per un singolo osso. Applica l'algoritmo del bacino idrografico per far crescere ogni marcatore all'interno della maschera ossea originale, ricostruendo le singole ossa e posizionando i confini nelle posizioni ottimali in base all'intensità dell'immagine. Per preparare i dati di addestramento per il modello di deep learning, seleziona 20 dataset wild-type che rappresentano 40 posteriori con distribuzione equilibrata del sesso ed età che variano da 2 a 6 mesi.

Estrarre sei sottovolumi da ogni dataset con tre sottovolumi per ogni posteriore. Usa sottovolumi di 200 x 200 x 200 voxel per coprire le regioni della caviglia, le dita e le aree di fondo rappresentative. Configura un'architettura U-Net tridimensionale con una backbone ResNet-18.

Ottimizza il modello usando l'algoritmo di Adam con un tasso di apprendimento iniziale di 0,0001 e pesi inizializzati casualmente. Addestra il modello usando la funzione di perdita di dadi e monitora le prestazioni di validazione usando la metrica di intersezione su unione. L'utilizzo del deep learning per identificare gli spazi articolari nei dataset micro-CT ha permesso una separazione chiara e coerente delle singole parti posteriori.

Concentrandosi sullo spazio negativo periarticolare, il modello ha delineato con precisione i confini ossei anche in regioni densamente compatte. Rispetto al flusso di lavoro semi-automatizzato, che ha raggiunto circa l'80% di accuratezza, l'approccio di deep learning ha portato un netto miglioramento per i mouse wild-type, raggiungendo il 98-99% di accuratezza con una correzione manuale minima. Nei topi transgenici del fattore di necrosi tumorale o TNF, il metodo di deep learning ha mantenuto alte prestazioni nonostante la progressiva malattia infiammatoria erosiva, con una precisione di circa il 98% durante le prime fasi di progressione della malattia.

Sebbene il modello sia stato addestrato esclusivamente sulle zampe posteriori, poteva essere applicato direttamente alle zampe anteriori senza rieducazione per ottenere segmentazioni anatomicamente coerenti, dimostrando una forte generalizzazione a strutture complesse. È stato riscontrato che la progressione di gravi malattie erosive e distruzione articolare è stata accelerata nelle zampe anteriori transgeniche femminili con TNF. Il nostro protocollo migliora la precisione e l'automazione della segmentazione, consentendo comunque correzioni manuali e miglioramenti continui delle prestazioni grazie ad annotazioni esperte aggiuntive.

Le nostre ricerche future mirano a incorporare molteplici strutture e modelli di malattie unici e algoritmi automatizzati per continuare a migliorare flessibilità e applicazione.