自動関節空間検出が骨分断精度を向上させる

Summary

自動関節空間検出ワークフローの開発により、野生型動物において>98%の精度で異なるマウスの後蹄骨の高スループットセグメンテーションが可能となりました。炎症性侵食性関節炎のある前足や足への柔軟な適用は達成されましたが、性能が低下しており、公開データを用いた今後の研究でさらなる最適化が必要です。

Abstract

複雑な解剖学的構造の定量的記述は、手作業による分割、労働、観察者間変動性の専門知識のため、依然として困難です。これを克服するために、ディープラーニング(DL)モデルを含むデジタル画像解析技術によって特定のランドマークの自動検出が可能です。この目的のために、マウスの後足と前足のマイクロコンピュータ断層撮影(micro-CT)データセットの監督付き自動解析を実施しました。これまで発表されていた半自動(SA)マーカーベースの流域アルゴリズムを超えて、構造強化、テンソル投票、出力拡張を加えて結合空間を特定しました。セグメンテーションは、ワイルドタイプ(WT)のヒンドポーラベルをグラウンドトゥルースとして用いるDLジョイントスペース予測モデル(3D U-Netアーキテクチャ、ResNet-18バックボーン)を活用することで強化されました。予測は、男女とも炎症性侵食性関節炎を患うWTおよび腫瘍壊死因子トランスジェニック(TNF-Tg)マウスの後足および前足にも拡張されました。DL手法を用いることで、セグメンテーションの精度は劇的に向上しました。TNF-Tgマウスでは疾患の重症度と年齢が増加するにつれて精度が低下しました。その後の前足でのテストでも、関節炎の重症度が高まるにつれて精度が徐々に低下していることが示されました。全体として、この監督付き自動モデルは、健康な関節における最近のSAアプローチを上回り、複雑な骨解剖学の研究を強化しています。新規および疾患修飾データセットへの柔軟な適用は性能低下を示しますが、利用は構造特異的なセグメンテーションモデルの開発を促進する可能性があります。

Introduction

高品質な画像解析は研究活動を強化するだけでなく、臨床放射線科医が病理学的変化を検出し定量化しようとする際にも役立つ可能性を秘めており、これは患者ケアにとって極めて重要な課題です。画像解析は、特徴抽出、一般画像を意味のあるラベルに変換すること、^{定量的指標}の導出を含む詳細な手順の連続です。このプロセスの多くは、密度や色に基づくしきい値構造の確立や、下流の画像処理アルゴリズム(すなわち、縮小、侵食、平滑化、分離)を適用して望ましいセグメンテーションを実現するなど、事前知識に基づいています。最適化されると、分割画像は教師あり機械学習²の入力を提供でき、複雑な特徴をニューラルネットワークを用いて符号化・復号する深層学習(DL)も含まれます。^{これにより}画像のセグメンテーション精度とスループットが向上します。

実際、さまざまな3D畳み込みニューラルネットワーク(CNN)の実装は、骨格画像解析のための自動骨分割アルゴリズムに重要な進歩をもたらし、一部のモデルは人間の分割を上回る性能^{を示しています4.}3DセグメンテーションCNNは異なるアーキテクチャ(例:AlexNet、ResNet、UNet)を通じて機能しますが、出力は基本的に同じで、背景から骨の正の体積を示す画像マスクです。筋骨格系画像解析におけるこのような深層学習モデルは急速に開発されており、この分野は単純な2D骨折^{検出問題5} から複雑な多関節問題⁶ へと急速に移行し、データセット内のアーティファクトノイズや異常特徴にも対応できるようになりました。例えば、WooらはMRI上の構造異常(骨髄病変、骨嚢胞)が膝関節の関節軟骨の断片予測を低下させていることに気づきました。そこで彼らは、まず無関係な異常構造を特定する異常認識型の断片モデルを開発し、骨と軟骨の断片を劇的に改善しました^。彼らは、主要な手関節のROIを基に14の別々のモデルを訓練し、骨格年齢を推定し、それらの出力を統合して手のX線からの予測を改善しました。^手の構造全体を使わずに8。同様に、地域セグメンテーションの特徴やグローバルな解剖学的関係などのコンテキストをモデルに組み込むことも予測の向上に寄与することが示されています。多領域CNNを用いて予想されるセグメンテーション特徴の文脈を提供することは、分類問題を解剖学的に適切な位置に制限することで、手元X線における骨格成熟度評価も向上^します。その他の進歩としては、CNNベースの骨分断を用いたSVTNetや、視覚トランスフォーマーモデルによるさらなる処理により、関心のある分節領域間の空間的関係に関するグローバルな情報を捉え、骨年齢¹⁰などの定量的成果を推定する技術があります。

これらのセグメンテーションアプローチで示されているように、関節炎研究の画像診断は2つ以上の骨間の関節面の関節化に焦点を当てており、複雑な関節における異なる病理過程の評価において骨分離の方法が不可欠です。画像処理アルゴリズムの進歩により、隣接する手根骨や足根骨の解析スループット向上に顕著な有用性が示されています(^11,12)。しかし、ユーザーの介入を必要とする不正確さや異なる構造への翻訳の困難さによる採用の制限は、最適化されたワークフローの実装の必要性を浮き彫りにしています。これらの多段階プロセスは、画像強調のための離散的なツール(例:骨エッジ検出¹³)から大きな恩恵を受けます。厳密な形態学的操作を超えて、他の研究では構造識別における典型的な信頼性と一貫性を活用したレジストレーションベースの技術が実装^{されています。}手作業によるグラウンドトゥルースラベルの生成はコストも手間もかかりますが、複雑で密接に組み合い、境界がより明確でない骨(例:頭蓋骨¹⁸)では利用が不可欠となる場合、同様に成功することがあります。同様に、離散的な構造内でも多色・色相の変動を持つ磁気共鳴画像法(MRI 19,20,21)や組織組織学²²のような代替画像手法も複雑さを示し、初期の手動セグメンテーションで自動化プロセスを導くことで有利になる可能性があります。これらの手法を組み合わせることで、さらなる自動化を促進し、成果が学習データセットとしてDLアプローチを実装するための学習データセットとなります。セグメンテーション自動化の利点は多岐にわたりますが、特にこれらの手法は、地域的・骨特異的な侵食体積変化23,24,25,26や、損傷に脆弱な地域の特定など、空間的に関連性の高い詳細な定量的指標を可能にします。

ここでは、確立された半自動(SA)マウスの後足分割法¹²を基に、画像処理アルゴリズムの改良とグラウンドトゥルース骨の断片法²⁸を組み合わせて、関節空間検出用のDLモデルを訓練します。この新しい分析戦略は、後足の個々の骨分断において著しい精度向上を示し、分^節誤差の修正に手作業で手間を減らし、下流の定量指標の処理を迅速化しました。また、重度の侵食性関節炎を持つ前足や後足など、これらの技術的進歩を新しい構造物に応用できる可能性も示しています。手動セグメンテーションは時間がかかり高度な専門知識を必要とする^ため、7 同様の戦略を半自動および自動セグメンテーションを順次利用して入力フィルターの改良を生み出すことで、特定の用途に適した高品質CNNの開発障壁を低くすることができます。Amiraソフトウェア(補足ファイル1)で開発された関連手法および関連データセットは、さらなる研究活動の導入と協力を支援するために公開されています^28,29。

Protocol

すべての動物実験は、ロチェスター大学医療センターの動物資源委員会が承認したIACUCのプロトコルに従って実施されました。

動物モデル
マウスはAAALAC認定のビバリウムに収容されました。報告された実験には合計19匹のマウスが使用され、そのうち野生型(WT)オス4匹、WTメス4匹、TNFトランスジェニック(TNF-Tg)オス4匹、TNF-Tgメス7匹のTNF-Tgメスが含まれ、縦断的な月次評価が行われました。TNF-Tgマウス(3647系統、C57BL/6遺伝的背景³⁰)は、ジョージ・コリアス博士から最初に取得され、ロチェスター大学での継続的な維持管理を受けました。TNF-Tgマウスはヘテロ接合体として交配され、WTマウスは同胞対照群として機能しました。TNFトランスジーンの遺伝子型解析は以下のプライマー配列を用いて実施されました:TNF-Tg フォワード:5-TAC-CCC-CTC-CTT-CAG-ACA-CC-3;TNF-Tg逆方向:5-GCC-CTT-CAT-AT-AT-CCC-CA-3。

TNF-Tgマウスは慢性的かつ進行性かつ自然発生性炎症性侵食性関節炎³¹を発症し、メスマウスでは関節および関節外の症状がより早く発症し、約5〜6か月³²で早期死亡につながります。そのため、追加のマウスがTNF-Tg雌コホートに割り当てられました。本研究コホート²³の以前の記述によれば、n=2名のTNF-Tg女性が研究終了前に死亡し、n=1名が4か月前に、n=1名が5か月前に死亡しました。TNF-Tgマウスは後足で非対称な病変進行がよく確認されているため^(33,34)、個々の四肢を単位として扱いました(1匹あたり前足2本、後足2本)。

マイクロCT画像コレクション
マイクロCTデータセットは、前述の通り^12,23で収集されました。簡単に、マウスはダーリンプラスチック製の透明アクリル管に1%〜3%のイソフルラン麻酔を施し、マイクロCTによる画像撮影を行いました。以下のパラメータで:55 kV、145 μA、300 ms 積分時間、2048×2048ピクセル、180°で1000回の投影、解像度17.5μm等方性ボクセル。イソフルラン使用時の安全性のため、適切な個人用防護具(ニトリル手袋、白衣またはガウン、安全メガネ)が使用され、イソフルラン蒸気器は煙幕フード内に炭フィルターで保管され、ガス廃棄物は密閉チューブで供給システムの連続性を確保していました。蒸発したイソフルランは密閉チャンバー内で麻酔誘導に使用され、その後マイクロCT装置内のマウス鼻錐に連続的にイソフルランを流すことで麻酔を維持しました。後足と前足の両方は、画像検査中に安定化のためにテープで固定されました。各データセットは、同じ動物と時期から得られた後足と前足のデータで、約30〜45分(合計60〜90分)で収集されました。マウスは生後2か月から5ヶ月(メス、TNF-Tg、早期死亡³²)、オス8ヶ月(オス)まで月ごとに評価されました。本研究で使用された後足のデータの一部は以前に公開されています(WT:^12,35;WTおよびTNF-Tg:²³)であり、一般公開^{されています。}前足のデータは本研究の目的のために公開されました²⁹。

ディープラーニング促進を伴うジョイント空間セグメンテーションアルゴリズム
マウスの複雑な後足の個別骨(30〜31本)を分割する高スループットSA画像処理アルゴリズム¹²が以前に開発されており、これはAmiraソフトウェア²³を用いて炎症性侵食性関節炎の進行の個別バイオマーカーを調査する枠組みを提供しました。このベースラインSAセグメンテーション法は、骨境界での分離にマーカーベースの流域アルゴリズム³⁶を用いています。マーカーベースのウォーターシェッドアルゴリズムは、ユーザーが定義したマーカーに基づくピクセル値を局所的な地形として扱うことで、画像内の異なる物体を分離します。これらの骨特異的マーカーは、ブラックトップハット(BTH)を含む様々な画像処理ステップを通じてSA方式で生成され、骨の端や関節など大きな密度変化の局所的な領域を強調することを目的としています。この手法は、各骨の浸食版を作り出し、それを二項境界マスクの適用によって骨の境界まで拡張しました。流域法は従来の手動輪郭描写よりも改善されましたが、コントラストノイズが低く、関節領域の橋渡し(過剰接続、2+骨が1つの素材として)やエッジ誤識別(骨の過剰分割、1骨が2+素材として)のため、正確さ(正しく分割された骨/全体の骨)は約80%でした。したがって、流域アプローチのSAマーカー生成には、ゴールドスタンダードラベルのリソースを作成するために一貫した頻繁な手動修正手順¹²が必要^でした。

骨関節予測のためのDLモデルの開発は、ResNet-18バックボーンを用いた3D U-Netのアーキテクチャに基づいていました。トレーニング損失関数はダイス、検証指標は交差点(IoU)、勾配降下はアダム最適化を用い、初期学習率は0.0001、重みはランダムに初期化されました。モデルは、性別と年齢(2〜6か月)が均等な分布を持つ20のWTデータセット(40人の後足で)を用いて訓練され、それぞれ200×200×200ボクセルの6つのサブボリューム(各3つの後足)に分割され、25%のランダム化された検証サブボリュームセット(30の検証用、合計120)で過学習を回避しました。これらの3Dタイルは、足根骨、遠位指骨、背景領域に均等に配置されました。トレーニングパッチのサイズは96×96×96ボクセルに設定されました(補足図1参照)。このモデルは500エポック以上にわたり訓練され、約6時間かかりました。グラウンドトゥルースのジョイント領域は、グラウンドトゥルースラベルから自動レシピで取得され、厚さと範囲の両方で3次元拡張サイズ5のラベルインターフェースを拡張しました。

関節空間のDL予測と連携して、関節空間の識別や骨の分割を補強するためにいくつかの画像処理ステップが実装されました。これらの戦略には、BTH法を構造強化³⁷、膜強化、テンソル投票³⁸ と組み合わせて膜の隙間を制限することで関節空間の連続性を強化する方法が含まれていました。これらの手法は、骨分離のための関節空間を強化し、隣接する骨間のセグメンテーション漏れを制限し、ウォーターシェッドアルゴリズムが複数の骨に伝播する際に過剰接続エラーが発生することを抑制します。最終結果は、元のマイクロCTデータセットを骨特異的ラベルに分離・分割します。

DL促進型セグメンテーション法の詳細なステップバイステッププロトコルを以下に示します。

ステップ1:Amiraソフトウェアを開く(個人または機関のライセンスが必要)。ステップ2:Pythonタブを開き、選択 新しいPython環境の作成 環境名:deep-learning-environment-2022_2。小切手 ディープラーニングパッケージのインストール.ステップ3:ソフトウェアを再起動し、Pythonタブを開き、ユーザー環境を選択します ディープラーニング環境-2022_2.ステップ4:データを開く - DICOMスタックは、すべてのDICOMファイルを選択するか、埋め込まれたDICOMスタックを含む.amファイルを開くことでロードできます。ステップ5:インポートされたデータオブジェクトにディープラーニング予測モジュールを適用し、以下の手順を記載します。
データ:インポートされたデータオブジェクト
アーキテクチャ:.jsonファイル(補足ファイル2)
重み:.hdf5ファイル(補足ファイル3)
タイル張り:手動 - 計算ハードウェアに応じてタイル張りピクセルサイズを減らし、タイルの重なりを増やすことで最適化が可能です。処理要件が不十分であればモジュールは失敗します。編集、設定、大型データでソフトウェアのメモリ割り当てが可能な限り最大化されていることを確認してください。
タイル幅、高さ、深さ:352ピクセル
タイルの重なり:0ピクセル
ステップ6:画像レシピプレーヤーを適用し、右クリックで入力します プロジェクトエリア 特定のデータオブジェクトをターゲットにせずに。以下の点を入力・評価してください:
オープンレシピ:.hxispファイル(補足ファイル4)
データ:インポートされたデータオブジェクト
入力関節:ステップ5(ディープラーニング予測)の結果
ステップ3の強度範囲:2500 - 20000
ステップ7:最終的なセグメンテーションを含む処理済みデータオブジェクトを評価する - ColormapをLabels256に調整して、個々のセグメンテーションの合計を評価してください(デフォルトは8色のみ)。2Dの場合はOrtho Sliceを適用し、3Dの場合はボリュームレンダリングを適用します。画像レシピプレーヤーのステップに適用された埋め込みレシピ(BTH+DL+SEF+MEF_D2.hxisp)の詳細は以下の通りです(補足ファイル5).なお、画像レシピデザイナーでは、個々のステップを可視化し、必要に応じてエクスポートして特定のデータセットの最適化ステップを評価することができます。プロトコルでは、画像出力(すなわち密度)や物体のサイズ(例:骨)に依存するため、特定の用途に合わせて調整が必要な特定のステップが強調されています。
ステップ1:データ:インポートしたデータオブジェクトに対してメディアンフィルターを適用;解釈:3D;近隣住民:26人;反復回数:3回;タイプ:反復的。
ステップ2:閾値適用 - このステップは、データセットや対象対象(この場合は骨)を対象とした特定の閾値に応じて最適化が必要です。データ:ステップ1の結果(中央値フィルター);強度範囲:2500 - 20000。
ステップ3:クロージングを適用 - このステップはボーン間の関節スペースの大きさに応じて最適化が必要です。データ:ステップ1の結果(中央値フィルター);タイプ:キューブ;解釈:3D;近隣住民:26人;ピクセルサイズ:3。
ステップ4:入力Aで画像演算を適用:ステップ3の結果(クローズ);入力B:ステップ1の結果(中央値フィルター);結果チャネル:入力Aのように;表現:A-B。
ステップ5:データにしきい値を適用する:ステップ4の結果(画像算術);強度範囲:750 - 20000。
ステップ6:入力Aで画像演算を適用:ステップ2の結果(閾値設定);入力B:ステップ5の結果:(閾値設定);結果チャネル:入力Aのように;式:A-(B>0)
ステップ7:入力画像:インポートされたデータオブジェクトに構造強化フィルターを適用;解釈:3D;テンソルタイプ:ヘッセン線;標準偏差の最小/最大:1 - 3ピクセル;標準偏差ステップ:1ピクセル;コントラスト:暗い;構造タイプ:平面。
ステップ8:入力画像で自動閾値を適用:ステップ7の結果(構造強化フィルター);タイプ:オートスレッショルドハイ;解釈:3D;モード:ミニマックス;基準:因数分解。
ステップ9:データ:インポートされたデータオブジェクトに膜強化フィルターを適用;出力選択方法:平面テンソル投票;テンソル投票スケール:3ピクセル;密度スケール:3ピクセル;タイプ:リッジ
コントラスト:暗い;スケール:1ピクセル。
ステップ10:入力画像で自動閾値を適用:ステップ9の結果(膜強化フィルター);タイプ:オートスレッショルドハイ;解釈:3D;モード:ミニマックス;基準:因数分解。
ステップ11:拡張を適用 - このステップはジョイントスペースのサイズに応じて最適化が必要です。入力画像:ステップ10の結果(自動閾値測定);タイプ:ボール;解釈:3D;サイズ:1ピクセル;精度:より速い。
ステップ12:入力Aで画像演算を適用:ステップ11の結果(拡張);入力B:ステップ8の結果(自動閾値設定);入力C:ディープラーニング予測の結果;結果チャネル:入力Aのように;表現:A||B||C.
ステップ13:入力画像で小さなスポットを除去する:ステップ12の結果(画像算術);解釈:3D;サイズ:500ピクセル。
ステップ14:入力Aを使った画像演算を適用:ステップ13の結果(小さな部分を除去);入力B:ステップ6の結果(画像算術);結果チャネル:入力Aのように;表現：！A*B。
ステップ15:入力画像で小さなスポットを除去する:ステップ14(画像算術)の結果;解釈:3D;サイズ:500ピクセル。
ステップ16:入力画像でラベル付けを適用:ステップ15の結果(小さな部分を除去);解釈:3D;近隣住民:26人。
ステップ17:画像タイプ変換を適用:ステップ1の結果(中央値フィルター);出力タイプ:16ビット無符号;正規化モード:スケーリング;スケーリング:スケール3、オフセット2000。
ステップ18:マーカーベースのウォーターシェッドをマスク内に適用する。データ付き:ステップ17の結果(画像タイプ変換);マーカー:ステップ16(ラベリング)の結果;バイナリマスク:ステップ6の結果(画像算術);スプリットタイプ:低強度。

セグメンテーション手法のテストと定量化
このセグメンテーション手法は、DLの結合予測と下流画像処理レシピを組み合わせたレシピを生成し、強度範囲2500〜20000ハウンズフィールド単位で検証されました。レシピ生成により、元のマイクロCTデータセット(初期.dcmファイルをAmiraにインポートした後に画像スタックとして保存する.amファイル形式)のバッチ処理(Apply a Recipe on a Batch of Files)が可能になりました。コンピュータハードウェアは、Intel Xeon Gold 5218中央処理装置(CPU、2.30 GHz)からの16コア、第4世代のダブルデータレート(DDR4)エラー訂正コード(ECC)を搭載した128GBのランダムアクセスメモリ(RAM、2666メガ転送MT/s)、そしてWindows 10(オペレーティングシステムビルド: 19044.4780)。各後足データセット(2つの後足)は、ユーザーの介入なしに約32.7分±8.42分(平均±標準偏差)で分割されました。これは、従来のSAモデルと比較しており、セグメンテーション時間はユーザー体験に依存しており、初心者ユーザーは1データセットあたり40.5分±9.06分、経験者は19.3分±5.34分でした(WTデータセットのみ、セグメンテーションエラーの訂正を含む)¹²。DLおよびSAの両手法は、経験豊富なユーザーによる1データセットあたり190.6分±30.4分の従来のマニュアル輪郭描写に比べて著しい改善を示しています(従来のScanco解析を用いて実施)¹²。前足データセット(前足2本)はユーザーの介入なしに約53.4分±23.6分で分割され、分割時間の増加は元の画像データセット内に脊椎や肋骨などの追加構造が存在し、より遠方に隔離された後足には存在せず、前置のボリューム編集ステップがないため分割時間を膨らませていると考えられます。

精度の定量化は、予想される骨の解剖学に基づいて正しい分断や誤差タイプを特定するために目視検査(HMK)によって行われました(Hindpaw:^12,39;フォレパウ:⁴⁰)。精度はパーセンテージで計算されました:

真陽性は正しく分割された骨、真陰性は0(骨が欠落する状況はなく、背景は定量に重要でない)、偽陽性は骨の分割過、陰性は過剰に連結された骨でした。単一クラス問題(すなわちジョイントスペースの特定)を考慮し、精度は適切な定量的指標と判断され、真負数(すなわち背景)は精度計算に寄与しないため、性能の過大評価リスクを低減しました。自動セグメンテーション法には骨命名は含まれていません。ボーン名は後にユーザーが手動でセグメント化されたマテリアルに関連付けられます。

本研究に関与した後足の評価により、C57BL/6マウス⁴¹の舟状骨および外側楔骨の足根骨の固定融合が確認され、さらに隣接する中間楔形骨(INT)もNAVLAT構造(NAVLATINT)と変動的に融合している可能性があることが判明しました^12,39。同様の可変融合は前足の手根領域でも評価されており、台形骨(ZOID;より小規模な多角形骨)と中央骨(CENT)は、特に前足において単一の融合構造(CENTZOID)として現れるか、個別の骨に細分化されることがあります。切断の精度のために調査された追加の手根骨には、僧帽骨(ZIUM;大多角形)、頭骨(CAP)、鉤骨(HAM)、三骨骨(TRIQUTRUM)、梨骨(PIS)、舟状骨(舟状骨)/月骨骨(SCAPHATE;固定融合)、および髭形骨(FALC)が含まれます。前足中手骨(MET-F;1-5)、近位指骨(PP-F;1-5)、遠位指骨(DP-F;2-5)、および胖骨(S-F;1-10)は、外側から内側に番号が付けられているのに対し、後足の対応物(中足骨(MET-H)、PP-H、DP-H、S-Hは内側から^外側12番に番号付けされているのに対し、NAVLATINTとともに、前述の後足の足根骨(^12,23)も評価され、足骨(CALC)、立方骨(CUB)、内楔骨(MED)、距骨(TAL)、脛骨(TIB)が含まれました。解剖学的融合による骨数の変動による平均精度の評価と、分析された個々の骨に基づいて計算された精度を比較する際、全体のコホート精度の定量は若干異なります。

統計解析
統計解析は、相互作用効果を伴う3方向または2方向混合効果解析、Sidakの多重比較とフィッシャーの正確検定を含む、GraphPad Prism(v10.2.0;アメリカ合衆国カリフォルニア州サンディエゴ)。男性(2〜8か月)と女性(2〜5か月)は、早期TNF-Tg女性死亡率に基づく評価期間の違いを考慮して別々に分析されました³²。トレーニング・検証および方法論的試験に用いられるWT後足のサンプル数は 補足表1に掲載されており、試験済みWTおよびTNF-Tgの後足および前足のサンプルサイズは 補足表2、 補足表3、補 足表4に記載されています。WT後足の検査の特定の時点には<3後足の精度評価が含まれていたため、WT後足を含む分析では事後多重比較なしに相互作用効果が報告されました。後足の全体または一部は、前足の撮影不完全な画像誤り、かなりの動きアーティファクトによるスキャンの解釈困難、または動物が予定された画像診断セッション前に死亡した場合、すべてのデータは 生体内で収集されたため、解析から除外されました。

Results

自動関節空間識別の実装により骨分断精度が向上しました
マウスの後足のような複雑な構造における骨の形状や構造の異質性を考慮し、我々は体系的な画像処理アルゴリズム¹²からDLトレーニング予測(青)を基に、マイクロCTデータセットにおける骨間関節空間の堅牢な同定のための画像処理ステップを組み合わせています(図1A-B;以下に説明され補足図1に示されるプロセス)).骨同士の隙間を特定することで、後足の骨(色が異なる)を正確に分離し、分割することが可能になりました。図1C)。DLコンポーネントでは、トレーニングおよび検証データセット(WT)が等年齢(2〜6か月、n=8隻後足)と性別(n=20隻後足)で構成されていました。残りのWT後足(n=44、生後2〜8か月、6か月はすべてトレーニングと検証に使用されたため除外)は、骨分節の精度を定量化するためのテストデータセットとして機能しました(図1D)。生後2ヶ月の時点で2匹のWTオスの後足球、3か月時に2匹のWTメスの後足球がありましたが、画像誤りにより記載が省かれていました(補足表1)。

WT後足での実装に加え、自発性炎症性侵食性関節炎を持つTNF-Tgマウス(n=56匹の雄後足、n=48匹のメスの後足)の後足でも自動分割法を試験しました。4か月および5か月の時点で4体のTNF-Tg雌後足が、5か月時点の終点前の画像診断誤差や早期死亡により省略されました(補足表2)。この新しい分割アルゴリズムは、性別と遺伝子型をまたいで個々の骨分離(右の色)のために関節空間(青、左)を自動的に検出しました(図2A-D)。補足表5および補足表6に示された個々の骨の分割精度に関しては、WTは男性(WT 98.4%対TNF-Tg 93.1%、p<0.0001)および女性(WT 98.7%対TNF-Tg 92.1%、p<0.0001)の両方でTNF-Tgデータセットを上回りました。誤差の原因は、関節空間の不完全な閉鎖(白い破線のボックス内の矢印)として視覚的に示されており、これにより2つの異なる骨が誤って単一の切断に過剰に接続されてしまったことが示されました(図2C-D)。TNF-Tg後足で見られるこれらの過剰連結の誤差は、骨間の空間が失われた関節融合による慢性損傷の後遺症である可能性があります。実際、関節炎の重症度が高まるにつれてWTとTNF-Tgデータセットの精度差は時間とともにより顕著になります(図2E-F)、特に骨侵食の進行に関する信頼できるバイオマーカーとして機能する足根骨(図2G-H、黄色=精度向上、緑=精度低下)²³.しかし、従来のSAセグメンテーション手法と比較して、データセット全体の精度は著しい向上を示しました(図2E-F;WT男性:SA 79.39%±5.73%に対し、DLは98.16%±1.47%、p<0.0001;女性のWTは79.16%±4.84%に対し、DLは99.19%±1.63%<0.0001)であり、自動化性と信頼性の両面で方法論的確実な進歩を示しています。したがって、DL促進関節空間同定を用いた後足骨の骨分断に関する我々の新しい戦略モデルは、WTデータセットにおいて従来のSA手法(~79%)と比べて分割精度が大幅に向上(>98%)を提供しますが、炎症性侵食性関節炎の後足に適用した場合はやや性能が低下します(92%-93%)。

前足への分割法の柔軟な適用により、TNF-Tgマウスでは関節の損傷や骨融合が顕著になり、分割精度の急速な低下が顕著に現れます
さらに、新しい分節法を独自の骨の大きさと解剖学を持つマウスの前足(n=55 WTのオス前足、n=29 WTのメス前足、n=54 WTのオス前足、n=50 TF-Tgメスの前足)にも適用しました。WTオスは4ヶ月時に前足1本、WTメスは4ヶ月時に前足1本、5ヶ月時には前足2本、TNF-Tgオスは3ヶ月時に前足2本、TNF-Tgメスは5ヶ月時に前足2本、前足4本が残りましたが、これらはエンドポイント前の画像診断ミスや早期死亡により省略されました。さらに、WT雌の3か月時点に前足1本に部分的な画像誤差があり、DP-F3、PP-F3、DP-F4、PP-F4が省略されていました(補足表3および補足表4)。向きについては、各骨を色と異なる視点から骨固有の命名法で区切ったモデルWT前足を提供します(図3)。TNF-Tgマウスでのこれまでの研究は主に後足に焦点を当ててきましたが、ここではWTマウスとTNF-Tgマウスの両方におけるマウスの前足の構造を示しています。特に、目に見て深刻な侵食性疾患を示す手根(黄色の破線円)とセアモイド(青い破線の円)を強調します(図4A-D)。したがって、後足と前足の分割精度の比較では、前足の著しい減少(足のタイプ効果p<0.0001)が示されました。これは主にTNF-Tgデータセットにおける骨の完全性の急激な低下と年齢および疾患重症度の増加によるものです(図4E-F;足と遺伝子型効果p=0.0083;オス前足:WT 87.29% ± 2.07% に対し、TNF-Tgは72.65% ±11.70%) p<0.0001)。後足と同様に、TNF-Tgの切断精度は加齢や疾患の重症度に伴う手根でより顕著であり、種子骨も同様です(図4G-H、補足表7および 補足表8)。この局所的な骨病理は、MET-FおよびPP-F(中手骨指節関節)の隣接関節における侵食活動の強化によって引き起こされる可能性があります。誤差タイプの評価により、TNF-Tgの前足は後足に比べて完全に侵食された骨の割合が高い傾向があることが示されました(補足図2、赤字で欠損)。確かに関節炎の進行性を示すものの、TNF-Tg前足に骨がないことは画像解像度の制限を浮き彫りにしている可能性もあります。TNF-Tg前足の深刻な侵食は、時間を超えた代表的な画像によってさらに示されており、手根部分(白い矢印)や、前腕から前腕から前足が進行的に完全に脱臼する様子(黄色い矢印)が特に見られます(補足図3)。したがって、前足の独特構造に対する自動骨分割法の柔軟な適用は、WTデータセット(~87%)で顕著な性能を示しましたが、炎症性侵食性関節炎を伴うTNF-Tg前足でも同様に精度低下(67%-72%)が見られました。

データの利用可能性:
マイクロCT画像収集のセクションで説明されているように、後蹄のデータは以前に^12、23、35に公開されており、https://doi.org/10.5281/zenodo.11191782²⁸で公開されています。WT¹² およびTNF-Tg²³ データセットのSA分割法における精度定量化用データは、ここで説明する新しいDLモデルとの直接比較のために再利用されました。追加の前回研究からの特定のデータは³⁵回も再利用されましたが、同じHindpawデータセットが²⁸ 回も利用されました。ライセンスおよびデータの再利用に関する追加情報は以下に記載されています。本研究の目的上、対応する前足データもZenodoリポジトリ(https://doi.org/10.5281/zenodo.14865639)²⁹で公開されています。

SAセグメンテーション法WTデータセット¹² の精度データは 図2に再利用されました。この資料の再利用は、クリエイティブ・コモンズ表示-非営利-派生禁止4.0国際ライセンス https://creativecommons.org/licenses/by-nc-nd/4.0/legalcode によって保護されています。参照された作品の著者として、私たちはElsevier https://beta.elsevier.com/about/policies-and-standards/copyright の著者権利を通じて他の派生作品を作成する権利を保持します。データポイントはTNF-Tgの対応物と時間経過による精度の比較のために再可視化され、ここで説明する新しいDL法と直接比較されています。

SAセグメンテーション法のWTおよびTNF-Tgデータセット²³ の精度データは図 2に再利用され、WTおよびTNF-Tgの後方足(hindpaw)データセットは、以前の²³の体積測定のためにさらに評価されました。素材の再利用はクリエイティブ・コモンズ表示ライセンス(https://creativecommons.org/licenses/by/4.0/)によって保護されており、元の著者と出典を明記すれば、いかなる媒体でも制限のない使用、配布、複製が許可されています。データポイントは時間経過による精度評価のために再可視化され、ここで説明した新しいDL手法と直接比較されています。

同じ公開されているWTおよびTNF-Tg後足データセット²⁸ は、以前にホイールランニングコホート³⁵との新規比較のために骨体積測定にも利用されました。素材の再利用はクリエイティブ・コモンズ 表示4.0国際ライセンス(https://creativecommons.org/licenses/by/4.0/)によって保護されており、元の著者と出典に適切なクレジットを記載し、クリエイティブ・コモンズ・ライセンスへのリンクを提供し、変更があったかどうかを明記すれば、あらゆる媒体やフォーマットでの使用、共有、適応、配布、複製が許可されています。同じ公開データセット²⁸ 件が現在の研究で利用されていますが、既に公開されたデータポイントの特定の利用や修正は行っていません。

図1:骨セグメンテーションのための戦略的画像処理と深層学習予測による自動関節空間検出。マウスのマイクロCTデータセットは、(A)背面(上部)および足底面(下部)からの可視化を用いて処理され、(B)骨断片のゴールドスタンダードから開発されたDLモデル(補足図1参照)を用いて関節間隙(青)の自動識別を行^った。(C) 最終的な骨分離(骨特異色)は、ブラックトップハット¹²、構造強化³⁷、テンソル投票³⁸を用いた膜強化などの画像処理工程の組み合わせによって達成され、個々の骨を堅牢な関節空間識別でラベル付けしました。(D) DLコンポーネントのトレーニングおよび検証(n=40本の後足)は、同年齢(2〜6か月間、各時点にn=8本後足)および性別(n=20本の後足)分布を持つWTマウス後足を対象に実施し、検証にはサブボリュームの25%をランダム化して使用しました(後肢あたり3サブボリューム、合計120サブボリューム)。残りのWT後足(n=44)はさらなる分析のためのテストケースとして評価されました。DLモデルと画像処理アルゴリズムの組み合わせは、既に公開されたおよび公開されているデータセット^23,28を用いて評価されました。この図の拡大版はこちらをクリックしてご覧ください。

図2:ディープラーニング促進による自動関節空間識別の実装により、骨分断の精度が向上します。(A-B) 自動関節空間検出の開発に続き、残りのWT男女のテストケースにDLモデル(左:青い関節空間、右:骨特異的な分断色)を適用しました。(C-D) また、進行性炎症性侵食性関節炎を伴い、メス³²では進行性炎症性侵食性関節炎を持つTNF-Tgマウスの年齢相応コホート(雄:2-8ヶ月、雌:2-5ヶ月)の性能も評価しました。挿入画像では、予測された関節空間(白い矢印)の切断が骨分離の漏れを引き起こし、過剰接続による骨分割誤差(破線欄)を示す高倍率の分割エラーを示します。(E-F) なお、6か月の男性タイムポイントは、すべてのWTデータセットが訓練および検証に利用されたため省略されており、DLテストコホートには含まれていません。従来のSAセグメンテーションアルゴリズム^12,23と比較して、DLアプローチではWTおよびTNF-Tgデータセットの両方でセグメンテーション精度(正しく分割された骨数/総骨数)が性別に関係なく著しく向上しました(平均精度線:黒線=DL WT、破線黒=DL TNF-Tg、単線グレー=SA WT、破線グレー=SA TNF-Tg)。しかし、TNF-Tg断片の精度はWTに比べて時間とともに著しく低下し、関節損傷が進行し、SA法を上回る性能は維持されました。(G-H) 骨区画に指定された精度のヒートマップ(T = 足骨、MT = 中足骨、PP = 近位指骨、DP = 遠位指骨、S = 蹺骨)は、TNF-Tgマウスの誤差率が主に足根骨領域に局在していることを示しています(ライト(黄色)=高い(100%)、ダーク(紫)=低い(20%)の精度です)。前述の通り、インセット画像(C-D)は誤りの原因を、関節の断片(矢印、左画像)によって過剰接続の骨(色、右画像)を生じさせています。実際、誤差は主に過剰連結(2+骨が1つの材料として分割され、補足図2に記載)であり、関節癒合の病理的過程を示しつつ関節炎の重症度が高まる可能性があります。統計:3者混合効果分析(SA対DL;方法x遺伝子型x時間;E-F)、2方向混合効果分析(WT対TNF;遺伝子型x時間;E-H);p<0.0001、**p<0.01、*p<0.05(相互作用効果);データは平均±標準偏差として提示されます。サンプル数:n=34隻の後足のWTオス(n=2ヶ月、n=4ヶ月、n=4ヶ月、n=6ヶ月、n=0[検査に使用])、n=88ヶ月の後足、n=10匹のWT メス(n=4ヶ月、n=2〜5ヶ月)、n=56隻の後足(TNF-Tgオス)(n=8、2〜8ヶ月)、n=56匹の後足(n=8、2〜8ヶ月)、 n=48本の後足足(n=14、4〜5ヶ月でn=10)がTNF-Tgメスです。この図で使用されたデータは、以前の研究^12,23から修正されています。この図の拡大版はこちらをクリックしてご覧ください。

図3:関節空間の深層学習セグメンテーションを他の複雑な構造に柔軟に適用することで、マウスの前足骨の解剖学が強調されます。 次に、関節空間分割DLモデルが後足以外の複雑な構造で骨を自動的に分離する可能性を評価しました。分割法は、 (A) 背側、 (B) 足底面、 (C) 外側面、 (D) 内側面から可視化され、各節骨を表す色で示された対応する前足マイクロCTデータセットで実装されました。前足骨の正確な断片化の可能性を特定しました。これには、明確な手根、中手骨(#、MET-F)、近位指骨(^、PP-F)、遠位指骨(~、DP-F)、セソーモイド(破線円、S-F)、爪(*)が含まれ、既知の前足^{解剖学に対応する}骨特異的表示が付けられています。 この図の拡大版はこちらをクリックしてご覧ください。

図4:TNF-Tgマウスは前足関節の損傷と骨融合が顕著で、切断精度が急激に低下しています。(A-B) マウスの前足の複雑さと構造が小さいことから、WTオスおよびメスのマウスのマイクロCT画像の背面(左)および足底(右)が強調されていることから、(C-D)TNF-Tgマウスの解剖学および関連する関節炎についてはこれまで評価されていません。新しい関節空間DLアプローチの応用により、解析上の課題を軽減し、WT前足の>85%の精度を達成し、これらの複雑な構造を評価する最初の機会が生まれました。ただし、後足に比べて精度は劣ります(平均精度線:実線の青=WT後足、破線青=TNF-Tg後足、実線=WT前足、破線=TNF-Tg前足)。(E-F)さらに、TNF-Tg前足は、手根(A-Dの黄色い点の円)やセソーモイド(A-Dの青い点の円)に局在する誤差により、時間とともに切断精度が急激かつ劇的に低下しました。(G-H) 切断精度の地域的減少は、骨区画(C = 手根、MC = 中手骨、PP = 近位指骨、DP = 遠位指骨、S = 胛骨)のヒートマップ(ライト(黄色)=高(100%)、暗(紫)=低(20%)精度)によって示されます。なお、(E)では6か月の男性タイムポイントは省略されており、すべてのWT後足データセットが訓練および検証に使用されたため、DLテストコホートには含まれていません。統計:3方向混合効果分析(後足 vs 前足、WT vs TNF;足の種類 x 遺伝子型 x 時間、報告された相互作用効果;E-F)による2方向混合効果分析(シダックの複数比較(WT対TNF;遺伝子型x時間;G-H);p<0.0001, **p<0.01, *p<0.05;データは平均±標準偏差として提示されます。サンプル数:n=55本の前足が雄(n=2-3ヶ月および5-8か月時に8本、n=4か月時にn=7)、n=29本の前足が女性(n=8本、n=7/4ヶ月、n=6/5ヶ月)、n=54本の前足(TNF-Tgオス)(n=2か月および4-8か月でn=8、n=6か月時に)。 前足はn=50本(2〜3ヶ月でn=14、4ヶ月でn=12、5ヶ月でn=10)。DL後足データ(E-F)は図2E-Fから再現し、DL前足のデータと比較しました。この図の拡大版はこちらをクリックしてご覧ください。

補足図1:ジョイント検出ディープラーニングモデルの開発と訓練。(A) グラウンドトゥルースの関節領域は、ラベル拡張、ラベルインターフェースの抽出、マスキング、拡張を組み合わせたAmiraを用いた自動レシピにより、初期のグラウンドトゥルース骨の断片から取得されました。 (B) 20のトレーニングマイクロCTデータセット(40枚の後足足)それぞれに対し、足根骨、遠位指骨、背景領域から200×200ボクセルの6サブボリュームを手動で抽出し、左右足に均等に分けて抽出しました(後肢にそれぞれ3パッチずつ)。得られた120のサブボリュームは、3DセグメンテーションのAmiraトレーニングモジュールの入力として使用され、対応するラベル付けされた関節領域をグラウンドトゥルースターゲットとして使用しました。トレーニング中のモデル過学習制御の検証には、25%のパッチのランダム化サブセットが用いられました。 このファイルをダウンロードするにはこちらをクリックしてください。

補足図2:後足と前足の誤差タイプの明確な分布。 以前に開発されたSAセグメンテーションアルゴリズム^12,23と同様に、関節空間DLモデルは、過剰接続の骨(緑、2+骨を1つの素材として分割)することで最も多くの誤差を生み出しました。特に(A-D)後足や(E-F)WT前足で顕著です。図2に示されているように、過剰連結誤差は、骨の近接が画像解像度よりも大きい、関節空間の動きによるアーティファクトによるぼやけ、関節炎の文脈での骨の再構築など、さまざまな理由で発生する隙間が生じ、関節融合につながる場合に発生します。(G-H)興味深いことに、TNF-Tgの前足は欠損骨の割合(赤)が非常に多く、骨は切断から完全に欠損していたことを意味します。これらの誤差は、前足の骨、特に手根骨や胛骨が後足に比べて比較的小さくなっていること(図4)を考えると、深刻な侵食と画像解像度の欠如の組み合わせに起因していると考えられます。その他のエラーの種類には、オーバースプリット(青、1つの骨が2+の材料に分割)や、過剰接続とオーバースプリットの両方(オレンジ)があります。円グラフは、特定のエラーサブタイプに帰属する総誤差の割合を表しています。このファイルをダウンロードするにはこちらをクリックしてください。

補足図3:進行性TNF-Tg前足関節炎の評価で重度の骨侵食および関節脱臼。 前足の構造変化を時間経過で可視化するため、( A) WTオス、 (B) TNF-Tgオス、 (C) WTメス、 (D) TNF-Tgメスの前足の背面代表画像を2〜5ヶ月(左から右へ)提供し、特に手根領域(白い矢印)を強調しました。女性は約4か月、男性は5か月ほど遅れて深刻な骨の侵食と再形成が起こることに注目してください。これらの時期は、後足で重度の骨侵食が典型的に始まる約5か月のメス、オスで7〜8か月の²³歳より前のものです。 (E) TNF-Tgメスの前足の側面図も、関節破壊に伴う前腕から前足全体の進行性脱臼(黄色い矢印)を示しています。 このファイルをダウンロードするにはこちらをクリックしてください。

補足表1:DLトレーニング、検証、方法論的検証のためのWT後足のサンプルサイズ。 後足のサンプル数は年齢別(2〜8ヶ月)で提供され、DLトレーニング/検証、総合方法論的検証、または画像診断ミス、重度の動作アーティファクト、または予定されたマイクロCTスキャン前の死亡により省略されたデータセットごとに整理されます。女性の6ヶ月目から8ヶ月目までの黒血球は、TNF-Tg実験の早期死亡率により5か月後にスキャン終了が計画されていることを示しています。 このファイルをダウンロードするにはこちらをクリックしてください。

補足表2:方法論的検査のためのTNF-Tg後足のサンプルサイズ。 後足のサンプル数は年齢別(2ヶ月から8ヶ月)に分類され、総方法論的検査用データセットや、画像ミス、重度の運動アーティファクト、または予定されたマイクロCTスキャン前の死亡により省略されたデータセットごとに整理されます。メスの6ヶ月目から8ヶ月目に黒血球が見られることは、TNF-Tgメスの早期死亡により5か月後にスキャン終了が計画されていることを示しています。 このファイルをダウンロードするにはこちらをクリックしてください。

補足表3:方法論的検査のためのWT前足のサンプルサイズ。 前足の数のサンプルサイズは年齢別(2〜8ヶ月)に分類され、総方法論的検査用データセットや、画像診断ミス、重度の動作アーティファクト、または予定されたマイクロCTスキャン前の死亡により省略されたデータセットごとに整理されます。女性の6ヶ月目から8ヶ月目までの黒血球は、TNF-Tg実験の早期死亡率により5か月後にスキャン終了が計画されていることを示しています。*WT雌の3か月時には、n=1の前足が画像誤差によりDP-F3、PP-F3、DP-F4、PP-F4を省略していましたが、前足の残りの部分は評価されました。 このファイルをダウンロードするにはこちらをクリックしてください。

補足表4:方法論的検査のためのTNF-Tg前足のサンプルサイズ。 前足の数のサンプルサイズは年齢別(2〜8ヶ月)に分類され、総方法論的検査用データセットや、画像診断ミス、重度の動作アーティファクト、または予定されたマイクロCTスキャン前の死亡により省略されたデータセットごとに整理されます。メスの6ヶ月目から8ヶ月目に黒血球が見られることは、TNF-Tgメスの早期死亡により5か月後にスキャン終了が計画されていることを示しています。 このファイルをダウンロードするにはこちらをクリックしてください。

補足表5:オスの後足の個々の骨の精度。 TNF-TgとWT後足で分割精度を低下させる特定の骨を特定するために、正しく切断された骨の数、誤った切断された骨の数、そしてオスマウスで評価された全骨に対する正解率の割合を詳細に示します。原発欠損が起こる足骨領域(図2)では、足骨(CALC)、中間楔形骨(未癒合、INT)、および舟側・外側楔骨(癒合未結合)がTNF-Tg後足の精度低下が最も顕著でした。統計:フィッシャーの厳密検定; *p<0.05, **p<0.01, ***p<0.001, ****p<0.0001. このファイルをダウンロードするにはこちらをクリックしてください。

補足表6:メスの後足の個々の骨の正確さ。 TNF-TgとWT後足で分割精度を低下させる特定の骨を特定するために、正しく分割された骨の数、誤った骨数、そして評価された全骨に対する正解率の割合を詳細に示します。DLトレーニングおよび検証にデータセットが利用されていること、そして早期死亡率を示すTNF-Tgマウスとの比較期間が5か月に短縮されたこと^から、WTメスに割り当てられたDL検査後足の総数は、個々の骨比較によるTNF-Tgデータセット全体の精度低下を説明する能力を制限しています。統計:フィッシャーの厳密検定;p<0.0001。 このファイルをダウンロードするにはこちらをクリックしてください。

補足表7:オスの前足の個々の骨の正確さ。 TNF-TgとWT前足で分割精度を低下させる特定の骨を特定するために、オスマウスで正しく分割された骨数、誤った骨数、そして評価された総骨に対する正解率の割合について詳細が示されています。一次欠損が起こる手根および胛骨領域(図4)では、頭状骨(CAP)、三頭骨(TRI)、中央骨(未融合、CENT)、舟状骨/月骨(SCAPHATE)、台形体(ZOID)、および2-10の胛骨でTNF-Tg前足の精度低下が最も顕著でした。注目すべきは、セサモイド1および2の精度はWTおよびTNF-Tgデータセットの両方で不足していることです。興味深いことに、中手骨1はTNF-Tgマウスでセグメンテーション精度の向上を示しました。これは隣接する骨との密接な関節による過剰連結誤差によるもので、関節炎の侵食によって軽減されている可能性があります。統計:フィッシャーの厳密検定;*p<0.05, **p<0.01, ***p<0.001, ****p<0.0001. このファイルをダウンロードするにはこちらをクリックしてください。

補足表8:メスの前足の個々の骨の正確さ。 TNF-TgとWT前足で分割精度を低下させる特定の骨を特定するために、正しく分割された骨数、誤った骨数、そして評価された全骨に対する正解率の割合を詳細に示します。一次欠損が起きる手根および胛骨領域(図4)では、頭状骨(CAP)、ハメート(HAM)、三毛骨(TRI)、および種子骨1-10がTNF-Tg前足の精度低下が最も顕著を示しました。注目すべきは、セサモイド1および2の精度はWTおよびTNF-Tgデータセットの両方で不足していることです。統計:フィッシャーの厳密検定;*p<0.05, ***p<0.001, ****p<0.0001. このファイルをダウンロードするにはこちらをクリックしてください。

補足ファイル1:ディープラーニングモデルトレーニングのためのジョイントセグメンテーションレシピ。 一連の埋め込みステップで、ゴールドスタンダードの事前セグメント化されたマイクロCT後足から分割された関節空間を抽出し、関節空間識別のためのDLモデルの訓練に用いられました。 このファイルをダウンロードするにはこちらをクリックしてください。

補足ファイル2:画像処理とディープラーニングを組み合わせた骨分割レシピ。画像処理ステップとDL関節空間同定の出力を組み合わせて、元のマイクロCTデータを個々の骨のセグメントに変換する一連の埋め込みステップで骨分離を導きます。 このファイルをダウンロードするにはこちらをクリックしてください。

補足ファイル3:ディープラーニング予測の重み。 ジョイント空間セグメンテーションのディープラーニング予測時に重み入力として使われるファイル。 このファイルをダウンロードするにはこちらをクリックしてください。

補足ファイル4:ディープラーニング予測アーキテクチャ。 結合空間セグメンテーションのディープラーニング予測時にアーキテクチャの入力として使われるファイル。 このファイルをダウンロードするにはこちらをクリックしてください。

補足ファイル5:ディープラーニングのPythonスクリプト。 結合空間セグメンテーションのディープラーニング予測のためのPythonスクリプトとして使用されるファイル。 このファイルをダウンロードするにはこちらをクリックしてください。

Discussion

マウスの骨容積の完全自動化解析の完了に至るまで、特にマウスの後足など複雑な構造におけるマイクロCTデータのセグメンテーションのさらなる改善を実現しました。戦略は関節の関節空間をターゲットにして骨分離の境界を作ることでした。骨間の負の空間に焦点を当てることで、前足のような代替構造への柔軟な実装が可能となりました。なぜなら、このアプローチは後足の異なる骨の形状や解剖学に限定されなかったからです。前足で行うと分割精度は低下しましたが、WTデータセットでは骨の精度が>85%を示しました。よく記述された補正プロセス¹² は、DLトレーニング用の事前注釈付き前足モデルデータセットの作成に適用でき、構造特有のアルゴリズム作成の障壁を大幅に低減します。この新しいアプローチにより、重度かつ進行性の炎症性侵食性関節炎を持つTNF-Tg足への応用も可能となりました。TNF-Tgの足では、分節精度の低下が時間とともに顕著であり、これは骨侵食の増加や、年齢増加による侵食面の再構築による病理的な骨-骨融合の増加に対応していました。したがって、WT構造における自動かつ高精度なセグメンテーションモデルの著しい成功例は、将来の疾患モデルや他の複雑な結合部への応用を指針とする可能性を秘めています。さらなる研究は、関節炎性関節の断片最適化に焦点を当て、骨の侵食や融合の病理的影響を定量化し、^{以前に述べ}たように疾患バイオマーカーを特定することを目指します。

前臨床関節炎モデル^{12,23,25,35,42}における微小CT画像の成功裏な利用にもかかわらず、臨床評価におけるCTモダリティの応用は限定的です。特に関節リウマチの場合、スコアリングシステムは主にMRI⁴³、超音波^44,45、および/または従来のX線⁴⁶で実装され、臨床指標⁴⁷と併用して半定量的かつ利用者依存的な疾患重症度の測定を生成します。CTは骨の完全性評価におけるゴールドスタンダードのリファレンスとみなされているため(^48,49)、臨床的に翻訳可能な分析手法のさらなる最適化は、骨量の信頼性が高く縦断的な定量的評価に大きな恩恵をもたらし、疾患の重症度の測定や治療反応の評価に寄与することが期待されています。MRIのような画像診断は炎症領域、骨髄変化、軟部組織病理などより幅広い情報を提供しますが、多エネルギー入力を用いた新しいCTイメージング手法⁵⁰は、CT利用を骨構造を超えて拡張する可能性を示しています。これらの提案された利点にもかかわらず、低解像度の臨床CT画像への応用や異なる人体解剖学への応用など、開発された前臨床分析ツールからの臨床翻訳における大きな課題も認識しています。前臨床関節炎モデル²³における骨特異的バイオマーカーの最近の同定に似て、骨侵食の純粋な定量的指標を詳細に検証する臨床研究は、疾患モニタリングにおける大きな進歩となるでしょう。

現在の研究は、関節空間を標的とした新規構造への柔軟な応用の可能性から臨床実装の基盤を提供していますが、主な制約は、臨床診断を目的としたものではなく、Amiraのよく記録された前臨床的かつ研究志向のソフトウェアに依存していることです。しかし、基盤となるアルゴリズムや戦略的設計は、提供された詳細な方法論を通じて代替ソフトウェア環境で容易に実装可能です。使用する研究ソフトウェアに関わらず、臨床利用への組み込み(調査ではなく)には、臨床実践への導入に関する規制要件を満たすトランスレーショナルな取り組みが必要です。新しいセグメンテーション戦略を適用するには、以前に画像解像度(すなわちボクセル/構造サイズ)が画像処理アルゴリズムのみを用いて分割精度を決定する重要な要素であることを説明した差分画像解像度の潜在的な限界も考慮する^{ことが重要です。}実際、これは前足の切断精度のわずかな低下と関連している可能性があり、前足の構造が小さくなることで後足に比べて画像品質が相対的に劣ると考えられます。また、トレーニングの年齢範囲(2〜6ヶ月)と検査(7〜8か月を含む)のデータセットの年齢差を認識することも重要です。これは骨の成長が続いたり関節病理のさらなる発症など、年齢に伴う変化に対して適用や正確性に影響を与える可能性があります。我々の発見は、6か月後もホワイトトロンの後足分析における精度の維持を支持しており(図2E)、TNF-Tgの分断性能低下は、年齢自体とは無関係に炎症性侵食進行により関連している可能性が高いことを示唆しています。しかし、DLトレーニングコホートの特定の年齢層に依存せず、一貫した精度を確保するためには、高齢および高齢の野生型マウスを用いたさらなる研究が必要です。最後に、単一クラスの骨分離アプローチから、構造構造や固定解剖学における座標位置に基づく予測骨名を含むより堅牢な多クラス解析ツール(すなわちアトラスツリーのようなもの)へと拡張することは、確実に重要な改善をもたらし、方法の採用を促進する可能性が高いです。

結論として、複雑な構造内の個々の骨を分離するための新しい画像処理およびDL促進マイクロCT分割戦略を設計しました。この革新は、最近作成されたSA^{ワークフロー12}と比較して、自動化性とセグメンテーションの精度の両面で著しい向上を示しています。SAはDLモデルの訓練と現在の改善を最適化するための多数のゴールドスタンダードセグメンテーション作成の基盤となりました。炎症性侵食性関節炎の前足や足でのセグメンテーション手法の翻訳は性能低下を示しましたが、このDLセグメンテーション手法の実装により、病理学や構造特異のDLトレーニングモデルを可能にする完全注釈付きデータセットの作成に必要な手作業を削減できる可能性があります。このDL手法を将来の研究で活用すれば、前臨床研究において異なる種や疾患モデル間での骨分断の最適化が可能となり、詳細な下流定量解析が可能になります。私たちは、患者ケアに最終的に利益をもたらすことが期待されているため、臨床研究にこうした戦略を取り入れることをさらに強く求めます。

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
計算システム	詳細はプロトコルのセクションに記載されています。	詳細はプロトコルのセクションに記載されています。
画像可視化ソフトウェア	サーモフィッシャー・サイエンティフィック	v2022.2以降	アミラ
イソフルラン	VetOne	13985-528-60	フルーリソ、麻酔用1〜3%
ネズミ	ロチェスター大学医療センター	該当なし	C57BL/6、TNFトランスジェニック
マイクロCT	スキャンコ・メディカル	該当なし	ビヴァCT 40
統計ソフトウェア	グラフパッド・ソフトウェア株式会社	v10.2.0以降	GraphPad プリズム
テープ	該当なし	該当なし	動物の肉棒を撮影のために確保するために
チュービング	該当なし	該当なし	ダーリンプラスチックとクリアアクリルは動物の安定化に使います