高分解能末梢定量的コンピュータ断層撮影法を用いた関節リウマチにおける中手指節関節の侵食同定

骨びらんは、炎症が皮質骨表面で局所的な骨量減少を引き起こすときに発生します。これらのびらんは、下にある海綿骨領域にまで及びます。これらは、関節リウマチ(RA)¹を含むいくつかの形態の炎症性関節炎の病理学的特徴です。びらんの存在と大きさは、転帰不良、患者の機能、および疾患の進行と関連しています^2,3,4,5。プレーンX線撮影は依然として侵食評価の臨床標準ですが、高解像度末梢定量的コンピュータ断層撮影法(HR-pQCT)は、3D画像と侵食検出のための優れた感度と特異性を提供します^6,7。関節リウマチなどの炎症性関節炎の場合、HR-pQCTは通常^{、手の最も}影響を受ける関節である第^{2および第}3中手指節関節で行われます8。HR-pQCT画像は空間分解能が高いため、^RA9のない健康な人でも皮質表面の生理学的中断が観察されます。これらの皮質の中断は、しばしば血管チャネルまたは栄養孔が骨を通過することと関連している¹⁰。したがって、課題は、疾患プロセスに関連する皮質の中断(すなわち、病理学的びらん)を非病理学的特徴と区別することです。

病理学的骨びらんのコンセンサス定義は、関節リウマチにおけるxtrEmeコンピューター断層撮影法(SPECTRA)の研究grouPによって、少なくとも2つの連続したスライスにまたがって伸び、2つ以上の垂直面で検出可能な骨の皮質層の明確な中断の存在として発表されました¹¹。さらに、中断は形状が非線形でなければならず、小柱領域の損失を伴います。侵食の基準を満たす皮質中断と満たさない皮質中断の視覚的な例は、Klose-Jensen et ^al.12に示されています。

ただし、上記の基準を満たすすべての皮質中断がびらんとして分類されるわけではありません。中断は、血管チャネルなどの生理学的プロセスによって引き起こされることがあります(図1)。これらは、予測可能な解剖学的位置、平行および直線のマージン、およびサブミリメートルサイズ¹³により、侵食と識別および区別できます。嚢胞は、びらんとは見なされない皮質中断の別の形態です。それらはしばしば、明確な嚢胞壁 ¹³を有する丸みを帯びた小柱構造を有する。侵食によって表示される鋭いエッジと開いた小柱構造とは対照的です。ただし、びらんが嚢胞性部位内に形成される可能性があり、嚢胞ではなくびらんによって引き起こされる骨量を描写することがあいまいになります。この曖昧さをさらに基準で解決することはこの研究の目的ではありませんが、病理学的びらんと生理学的皮質中断の包括的な例を提供する必要があります。

図1:びらんのみによって引き起こされたのではない皮質の中断の例。 (a)中手骨頭の基部における血管チャネルの共通位置を示す図面。(B)冠状面、(C)矢状面、(D)および(E)軸面における血管チャネルの例。(F)嚢胞による皮質中断の例。(g)嚢胞とびらんの両方を含む骨の小柱領域内の空隙体積の例。 この図の拡大版をご覧になるには、ここをクリックしてください。

侵食の同定には課題があるにもかかわらず、現在のところ、経験の浅いユーザーに侵食分析のためのHR-pQCT画像の解釈に関するガイダンスを提供するためのトレーニングツールはありません。最近、骨解析モジュール(BAM)と呼ばれる侵食解析用のオープンソースモジュールが開発され、侵食の可視化と体積解析を可能にするオープンソースの画像処理ソフトウェアの拡張として実装されました¹⁴。ここで紹介するプロトコルでは、BAMに追加されたトレーニングモジュール(BAM - Training)の使用について説明しており、侵食の識別と専門のリウマチ専門医によって注釈された侵食を比較することにより、ユーザーのびらん識別の試みを比較します。このトレーニングツールは、侵食解析の改善を導くために、侵食の識別に関するフィードバックをユーザーに提供します。ソフトウェアのインストール手順は、手順 1 で説明します。新しいデータ取得については、手順 3 - 5.3 を参照してください。トレーニングモジュールのみを使用する場合は、ステップ2を参照してください。

このプロトコルのすべての方法は、カルガリー大学の Conjoint Health Research Ethics Board (REB19-0387) によって設定されたガイドラインに従います。

1. 3D Slicer ¹⁵ とボーン解析モジュールのインストール

1. https://download.slicer.org/ から使用されているオペレーティング システムに関連する 3D Slicer の安定版リリースのインストール ファイルをダウンロードします。
2. ダウンロードしたインストールファイルを実行し、ウィザードの指示に従います。
3. インストールが完了したら、ボーン解析モジュールのインストールに進みます。
   1. https://doi.org/10.5281/zenodo.7943007 からボーン解析モジュールを圧縮されたzipファイルとしてダウンロードし、圧縮フォルダーを解凍します。抽出したフォルダが置かれているディレクトリに注意してください。
   2. 3D スライサーを起動します。[3D スライサー] ウィンドウの左上隅にある [ 編集 ] をクリックして、モジュールを 3D スライサーに読み込みます。[ アプリケーション設定>編集 ]をクリックして、新しいウィンドウを開きます。
   3. 最近開いた[設定]ウィンドウの左側にあるタブである[ モジュール ]をクリックします。[Additional module paths:(追加のモジュールパス)]で、ボーン解析モジュールへのパスを追加します(図2)。
      1. これを行うには、次のフォルダーのリストを [追加のモジュール パス] の下にあるボックスにドラッグ アンド ドロップします。これらのフォルダーは、手順 1.3.1 でダウンロードしたフォルダー内にあります: AutoMask、CorticalBreakDetection、ErosionComparison、ErosionVolume、FileConverter、ImageRegistration、Training。[設定] ウィンドウは 図 2 のようになります。
      2. [設定]ウィンドウの右下にある[ OK ]を押します。モジュールのインストールを確認するには、再起動が必要です。これを行うには、3D スライサーを閉じて再起動します。
         注: モジュールの読み込みは、3D スライサーのインストールごとに 1 回だけ行われます。ボーン解析 GitHub リポジトリをさらに更新すると、以前の BAM ダウンロードを含むディレクトリで単純なターミナル (またはコマンド ライン) の git pull コマンドを実行すると、すべてのモジュールが自動的に更新されます。繰り返しになりますが、リポジトリをダウンロードして、古いモジュールを新しいモジュールと手動で交換することもできます。

図2:3Dスライサーのインストールにボーン解析モジュールを追加した後の設定ウィンドウの例。 この画像は、赤いボックスでモジュールが強調表示された設定ウィンドウのスクリーンショットを示しています。 この図の拡大版をご覧になるには、ここをクリックしてください。

2. トレーニングモジュール

1. BAM-Training モジュールを起動します。
   1. 3D スライサーのツールバーにある ドロップダウン メニュー をクリックします。骨解析モジュールを見つけて、その上にマウスを置きます(図3)。[ トレーニング] をクリックします。
2. モジュールにファイルをロードします。
   1. BAM トレーニング モジュールを起動すると、上記のように BAM github リポジトリがダウンロードされていると仮定して、[ 続行] をクリックすると、必要なすべてのファイル (グレースケール画像、マスク、参照侵食セグメンテーション) が自動的に読み込まれます。
3. ファイルのスキャンの種類を選択します。
   1. [ Input Volume: Select a Volume]というラベルの付いたドロップダウンメニューにカーソルを合わせると、マスターグレースケール画像が表示されます。
   2. マスク(骨膜表面内のボリュームを識別するファイル)を、 Input Mask: Select a Volume(入力マスク:ボリュームを選択)というラベルの付いたドロップダウンメニューで選択します。測定IDとMCPジョイントが両方の選択で同じであることを確認して、このマスクが上記の入力ボリュームに対応していることを確認します。
   3. この 3D スライサーの起動で、この画像でトレーニング モジュールを初めて実行する場合は、[ Output Erosions: Select a Segmentation] (出力侵食: セグメンテーションの選択) というラベルの付いたドロップダウン メニューで新しい出力セグメンテーションを作成します。これを行うには、ドロップダウン メニューをクリックして [新しいセグメンテーションの作成] を選択します。これにより、定型入力ラベル + _ER の後にラベル付けされた新しい出力セグメンテーション ノードが作成されます。出力に別のラベルを付けるには、代わりに [ 新しいセグメンテーションの作成] を選択し、目的のラベルを入力します。
      注: 3D スライサーとこのドキュメントでは、マスクとセグメンテーションによって骨膜表面内のボリュームが識別されます。マスクはバイナリ画像として可視化され、セグメンテーションはグレースケール画像と重ね合わせたバイナリ画像の可視化を指します。これらの区別は、3D スライサーによって行われます。図 4 に例を示します。
4. 以下の説明に従ってシードポイントを配置します。
   1. まず、新しいシード ポイント リストを作成してシード ポイントを追加します。これを行うには、[ シード ポイント: なし ] というラベルの付いたドロップダウン メニューをクリックし、[ 新しいポイント リストの作成] を選択して新しいリストを作成します。繰り返しになりますが、デフォルトのラベリング標準は入力画像ラベル + _SEEDSです。独自のラベルを指定するには、[ 新しいポイント リストを作成]を選択します。
   2. スライスをスクロールし、対象領域にシード ポイントを配置して侵食部位を特定します。図5Aに示す赤い点と青のドロップボタンを押して、新しいシードポイントを追加します。
      1. シードポイントをできるだけ深く(海綿骨の内側に)侵食ボリュームに配置します。シードポイントがボリュームの最も暗い領域に配置されていることを確認します。
      2. シード ポイントのサイズを変更するには、[ シード ポイント サイズ:] というラベルの付いたテキスト ボックスのパーセンテージ サイズを変更します。シード ポイント テーブル内の他のフィールド (骨や皮質の中断など) は、ユーザーの記録用であり、侵食計算アルゴリズムには影響しません。
5. 以下で説明するようにフィードバックを取得します。
   1. シードポイントが配置されたら。図5Bで強調表示されているGet Erosionsというラベルの付いたボタンを押して、指定された入力に対して侵食測定アルゴリズムを実行します。侵食測定が完了すると、モジュールはシードポイントの配置に関するフィードバックを提供します。各シード ポイントの位置は、基準侵食の位置と比較され、シード ポイントを計測しようとしている侵食と照合されます。
   2. リウマチ専門医がトレーニングを受け、豊富な論文発表記録を持ち、HR-pQCTイメージングと侵食分析(SFおよびCF)を使用して10年以上の経験を持つシードポイントを使用して、びらん量を計算することにより、基準侵食を取得します。

図 3: 3D スライサーのドロップダウン メニュー。 ドロップダウンメニューでボーン分析モジュールを検索し、トレーニングモジュールを選択します。 この図の拡大版をご覧になるには、ここをクリックしてください。

図4:骨骨膜表面内の体積の同定。 (A)マスクの例。マスクはバイナリ イメージとして視覚化されます。(B) セグメンテーションの例。セグメンテーションとは、グレースケール画像と重ね合わせたバイナリ画像の視覚化を指します。これらの区別は、3D スライサーによって行われます。 この図の拡大版をご覧になるには、ここをクリックしてください。

図5:3Dスライサー内のトレーニングモジュールのスクリーンショットの例。 (A)クリックすると、新しいシードポイントが追加されます。(B)クリックすると、侵食体積が計算されます。(C)クリックすると画像がインポートされます。(D)クリックすると、専門家が配置したシードポイントが表示されます。 この図の拡大版をご覧になるには、ここをクリックしてください。

3.侵食解析ツールで使用するための画像取得とエクスポート

1. 第1世代または第2世代のHR-pQCTスキャナーを使用してHR-pQCT画像を取得します。この研究の画像を取得するために、市販のスキャナーを使用しました( 材料表を参照)。
   注:この研究で使用された画像は、第^{2および第} 3^中 手指節関節の^{ものであり、}Barnabeら8に記載されているプロトコルを使用して取得されましたが、びらんのある関節の画像はBAMと互換性があります。
2. モーションアーチファクト^16,17の画像を調べます。モーション スコアが 3 >の画像は、侵食解析には使用しないでください。
3. ファイル転送プロトコル(FTP)を使用して、各関節のAIM(独自の画像形式)またはDICOM(Digital Imaging and Communications in Medicine)ファイルをローカルディスクにエクスポートします。個々の関節のファイルは、製造業者¹⁸によって提供される関節空間幅(JSW)解析パイプラインを用いて生成され得る。使いやすいように、ファイルの名前をデフォルトの数値形式から変更します。

4. ファイル変換とボーンマスク生成

注:画像形式に応じて、AIM(HR-pQCT独自の画像形式)、MHA(ITK MetaImage形式)、nii(NIfTI - Neuroimaging Informatics Technology Initiative)、NRRD(Nearly Raw Raster Data)画像の場合は手順4.1、DICOM画像の場合は手順4.2に従います。

1. MHA、NII、AIM、NRRDのいずれかの画像ファイル形式で画像をインポートするには、以下の手順に従います。
   1. 3D スライサー ウィンドウの左上隅にある [DATA ] ボタンをクリックします (図 5C)。
   2. 画像ファイルを追加するには、[ 追加するファイルの選択]をクリックし、画像を見つけて追加します。
   3. 画像のディレクトリ全体を追加するには、[ 追加するディレクトリの選択]をクリックし、ディレクトリを見つけて追加します。これにより、そのディレクトリ内のすべての画像が読み込まれます。
   4. なんらかの理由で画像マスクを 3D スライサー セグメンテーションとして読み込む必要がある場合は、まず NRRD または nii ファイルに変換します。この変換は自動的に行うことができますので、詳細はステップ 4.4.1 を参照してください。
2. 以下で説明するように、3DスライサーにDICOMファイルをインポートします。
   1. [3D スライサー] ウィンドウの左上隅にある [DCM ] というラベルの付いたボタンをクリックします。
   2. [DICOMファイルのインポート]をクリックし、DICOMファイルを含むディレクトリを見つけて追加します(拡張子は.dcmです)。
   3. ウィンドウの右側にある [ロード ]というラベルの付いたボタンをクリックします。
3. BAM - 自動マスク モジュールの 手順 2 - 自動マスク を使用して、イメージ マスクを取得します。
   1. 3D スライサーのツールバーにあるドロップダウン メニューをクリックします。 Bone Analysis Modules を見つけて、その上にマウスカーソルを置きます。 [自動マスク]をクリックします。
   2. Step 2 - Automatic Mask(ステップ2 - 自動マスク)タブで、 Input Volume:(入力ボリューム:)というラベルの付いたドロップダウンメニューを使用して入力ボリュームを選択します。これが入力スキャンです。
   3. [出力セグメンテーション] というラベルの付いたドロップダウン メニューで新しい出力を作成し、[ Create New LabelMapVolume] を選択します。これにより、定型入力ラベル + _MASK の後にラベル付けされた新しい出力ノードが作成されます。出力に別のラベルを付けるには、代わりに [Create New LabelMapVolume as...] を選択し、目的のラベルを入力します。
   4. マスクするボーンの数を、そのラベルの付いたテキストボックスに入力します。[ アルゴリズム ]というラベルの付いたドロップダウンメニューで[Ormir]を選択して、この分析に最適なセグメンテーションを行います¹⁹。
      注: これらのマスクを生成するための他のオプションが利用可能であり、将来追加される可能性があります。
   5. [ マスクの取得]をクリックします。これにより、アルゴリズムが実行され(2~3分)、入力画像と同じディレクトリに結果が出力されます。また、画像に複数のボーンがある場合は、ボーンごとに個別のマスクが保存されます。
4. BAM モジュールの [Step 3 - Manual Correction ] を使用して、ボーン マスクの手動補正を実行します。多くの場合、生成されるマスクは正確ではありません。手動で修正を実行して、セグメンテーションの特定のコンポーネントを追加、削除、または編集します。
   1. 他の方法で生成されたマスク、または以前の 3D スライサーの実行で生成されたマスクを編集するには、このモジュールを使用して、これらのマスクをファイルから 3D スライサーに読み込みます。ファイル拡張子は、MHA、nii、NRRD、AIMのいずれかです。
      1. 手順 1.3 でダウンロードした BAM フォルダにある LOAD_MASKS ディレクトリにイメージをコピーします。
      2. 3D スライサーに戻り、手動修正ステージで [読み込み ] というラベルの付いたボタンを押します。
   2. 「Mask To Be Corrected:」というラベルの付いたドロップダウンメニューで、修正するセグメンテーションを選択します。
   3. この侵食セグメンテーションに属する元のグレースケール画像を、 Master Volume:というラベルの付いたドロップダウンメニューで選択します。 [初期化(Initialize)] を押します。
   4. 各セグメンテーションには、以下の表に独自のエントリが必要です。セグメンテーションの色に基づいて修正するセグメンテーションを選択します。
   5. セグメンテーションに追加するには、1行目の2番目のボタンをクリックします。これはpaint関数を使用します。画像に描画してボリュームを追加します(マウスの左ボタンを押したままマウスを動かします)。
   6. セグメンテーションの一部を削除するには、テーブルの下にある 「スライス間で消去」というラベルの付いたボタンをクリックします。これは消去関数であり、ペイント関数と同様に機能しますが、代わりに消去します。
   7. 約10〜25スライスごとに必要に応じて追加を描画しますが、追加が必要な最初のスライスと最後のスライスを必ず含めてください。
   8. ペイント関数が使用された場合、5行目の「 スライス間を埋める 機能」というラベルの付いた最初のボタンをクリックすることで、変更を補間できます。[ 初期化]>[適用]ボタンをクリックします。
   9. 消去機能を使用した場合は、表の下にある「 消去の適用」というラベルの付いたボタンをクリックするだけです。ペイント機能と消去機能の両方を同時に使用しないでください。最初に 1 つの関数を適用し、次にもう 1 つの関数を適用します。
   10. 編集が完了したら、[ 適用]を押します。

5.侵食の識別

1. 侵食の識別には、BAM - 侵食ボリューム モジュールの 手順 4 - 侵食 を使用します。侵食体積モジュールは、スキャン内の侵食を識別して測定するツールです。
   注:このモジュールは、上記で詳述したトレーニングツールに焦点を当てており、ワークフローはほぼ同じです。違いは、計算された侵食が専門的に注釈された侵食と比較されないこと、侵食統計のエクスポート、および識別後の体積の手動修正がここで可能であることです。
2. シードポイントを配置し、手順2.4で行ったように侵食します。結局、フィードバックは提供されません。
3. 手動補正
   1. 自動的に検出された侵食体積のサイズと形状が不十分な場合は、[ ステップ 5 - 手動補正とセグメンテーションのエクスポート] というラベルの付いたタブで編集します。手順 4.4 で概説されている手順に従います。ただし、外部侵食ボリュームをロードするオプションはありません。修正が終わったら、変更がすでに保存されているため、[ 適用 ]を押さないでください。

6. 侵食統計

1. [ ステップ 6 - 統計] というラベルの付いたタブを使用して、計算データをスプレッドシート ファイル (CSV 形式) にエクスポートします。
2. ステップ 4 で計算し、必要に応じてステップ 5 で補正した侵食量を [入力侵食] というラベルの付いたドロップダウン メニューに入力します。
3. [Master Volume]というラベルの付いたドロップダウンメニューの下にグレースケール画像を入力します。テキスト ボックスに画像のボクセル幅 (mm) を入力します。[ Get Statistics] を押します。
4. スプレッドシート ファイルは、手順 1.3 でダウンロードした BAM フォルダーにある EROSIONS_OUTPUT_DATA というディレクトリに生成されています。出力テーブルの例については、 表 1 を参照してください。

トレーニングツールを使用すると、ユーザーは結果に関するフィードバックを受け取りながら、侵食部位の特定を練習できます。このフィードバック ループにより、侵食を識別するユーザーの能力が向上し、BAM モジュールを使用して独自の画像の侵食を特定できる可能性があります。シードポイント配置後のフィードバックは、次の基準に基づいています。1)配置されたシードポイントの数が参照侵食の数と一致しない場合、ユーザーは適切な数のシードポイントを削除または追加するように求められます。2) シード ポイントの位置が参照侵食と一致しない場合、そのシード ポイントの位置に侵食が存在しないことを示すフィードバックが表示されます。3)シードポイントが嚢胞や血管チャネルなどの参照病理学的/生理学的皮質中断と一致する場合、ユーザーは、侵食として特定しようとした皮質中断のタイプについて通知され、シードポイントを削除するように求められます。4)シードポイントの位置が参照侵食と重なっている場合でも、アルゴリズムは侵食を検出しない可能性があります。これは、シード ポイントが侵食の中心になっていない場合に発生することがあります。このような場合、ユーザーはシード ポイントの位置を調整するように求められます。5)シードポイントが侵食から離れすぎている場合、ユーザーは誤った配置を通知され、再試行するように促されます。6) シード ポイントの位置が参照侵食と一致すると、その特定のシード ポイントでの侵食の識別に成功したことをユーザーに通知するプロンプトが表示されます。

次のセクションでは、さまざまな入力に基づいてモジュールがどのように機能するかの例を示しています。正しい入力と正しくない入力は、次の例で示されます。 図6A は、侵食内に位置するシードポイントの位置を示しています。この画像内には侵食が 1 つしか存在しないため、シード ポイントで侵食を計算すると、期待どおりの結果が得られます。 図6B は、侵食を識別しようとする試みが、専門的に注釈された画像と一致した場合にユーザーに表示されるプロンプトを示しています。また、このモジュールでは、グレースケール画像に結果をセグメンテーションとして表示します(図6C)。 図7Aのように、侵食のない場所にシードポイントを配置すると、モジュールは、この場所に侵食が存在しないことを示すエラープロンプト(図7B)を表示し、シードポイントを再配置/削除するようにユーザーに提案します。

図6:侵食の正しい識別の例。 (A)侵食部位内にシードポイントを正しく配置するユーザーの例。(B)すべての侵食が正しく特定されたときのフィードバックプロンプトの例。(C) 侵食が正しく計算された場合に表示される侵食セグメンテーションの例。 この図の拡大版をご覧になるには、ここをクリックしてください。

図7:侵食の誤った識別の例。 (A)侵食が存在しない場所に配置されたシードポイントの例。(B) 侵食のない場所にシード ポイントを配置した場合のエラー プロンプトの例。 この図の拡大版をご覧になるには、ここをクリックしてください。

提供されたトレーニング画像上のすべての嚢胞と血管チャネルの位置は、専門家によって特定されています。したがって、ユーザが嚢胞または血管チャネルを誤って識別しようとしたときに検出することが可能です。 図8A は、嚢胞上にシードポイントを置くことによって嚢胞を同定する試みを示す。 図8B は、その後に表示されるエラープロンプトです。

図8:嚢胞の同定例。 (A)嚢胞上にシードポイントを配置した例。(B)シードポイントが嚢胞上に配置されたときのエラープロンプトの例。 この図の拡大版をご覧になるには、ここをクリックしてください。

また、このモジュールは、シードポイントが適切な量にあるかどうかをユーザーに通知します。ユーザーが誤った数のシード ポイントを配置した場合、モジュールは、画像上のすべての侵食を識別するために、欠落しているシード ポイントまたは余分なシード ポイントの正確な量をユーザーに通知します。また、このモジュールは、配置された各シードポイントのフィードバックも提供します。したがって、ユーザーは個々のシードポイントごとにどのようなアクションを実行するかを認識します。 図 9 は、シード ポイントが 2 つあるのに、ユーザーが 1 つのシード ポイントしか配置しなかった例を示しています。

図9:1つのシードポイントが欠落している間に計算された侵食の例。 この例では、シード ポイントが 2 つあるのに、ユーザーが 1 つのシード ポイントのみを配置した例を示しています。 この図の拡大版をご覧になるには、ここをクリックしてください。

侵食の一部または全部を見つけるのが難しい場合は、[Reveal Correct Seed Points](正しいシードポイントを表示)というラベルの付いたボタンを押すことで、専門的に注釈された位置を表示するオプションがあります(図5D)。このボタンを押すと、現在の 3D スライサー ウィンドウに正しいシード ポイントが読み込まれます。

要約すると、これは、ソフトウェアモジュールが、計算された侵食と専門的に注釈された侵食とを比較することによって、選択された画像における侵食を識別しようとするユーザの試みの正しさを評価できることを示している。さらに、このモジュールは、ユーザーが配置した各シードポイントに基づいてフィードバックを提供し、予想されるシードポイントの位置と入力パラメーターに誘導します。

表1:計算された侵食とその統計を記述した生成された出力ファイル(csv形式)の例。

すべての著者には、報告すべき利益相反はありません。