Micro-CT analyse van trabecular botten is de standaardbenadering voor het bijhouden van de morfologische veranderingen van de botten in kleine dieren onder verschillende bot verlies voorwaarden1,2,3, waar meerdere variabelen met betrekking tot de structuren van de botten zijn gerapporteerde4. Echter, dergelijke parameters niet gelijkelijk zijn verdeeld in de metaphysis van lange beenderen5, en alleen een samengevatte of een gemiddelde waarde voor elke structurele variabele van elk monster wordt gerapporteerd door de huidige commerciële micro-CT machines6,7 , hoewel een enkele waarde kan niet geheel representatief is de kenmerken van de gemeten parameter analyseren regio. Laag-voor-laag kwantificering van trabecular botten niet alleen meer informatie voor elke variabele behoudt, maar maakt het ook mogelijk de profilering van de verdelingen van dergelijke variabelen analyseren regio, vergemakkelijking van latere statistische analyse van structurele veranderingen onder verschillende omstandigheden5. Daarom is het doel van deze methode trabecular beenderen van micro-CT-scans op het niveau van elk segment, dat momenteel niet beschikbaar in alle verkrijgbare micro-CT analyse pakket is kwantificeren.
Automatische segmentatie methoden zijn efficiënt segment trabecular botten segment-door-slice, wenselijk. Echter de huidige standaard techniek voor micro-CT analyse is gebaseerd op de handleiding interactieve contouren, gevolgd door semi-automatische interpolatie te scheiden trabecular beenderen van de corticale compartimenten, die arbeidsintensief, foutgevoelige is, en in verband met de aanzienlijke exploitant bias8,9,10. Automatische segmentatie methoden11,12 werden gemeld, maar dergelijke methoden zijn alleen optimaal in regio's met een goede scheiding tussen trabecular bones en corticale botten, maar niet in regio's zonder duidelijke scheidingen. Bovendien, de segmentering van de verschillende parameters zijn vereist voor verschillende monsters12, en is het handmatig selecteren van bevredigende segmentatie parameters voor groepen van bot monsters door te proberen verschillende parameter combinaties12, vervelend Hoewel de segmentatie-proces wordt automatisch genoemd als alle bijbehorende parameters zijn ingesteld. Als het bot buitenrand heeft het grootste contrast met het scannen van de achtergrond en de metafyse corticale schelpen van lange beenderen paar veranderingen in de gekozen regio, analyseren segmentatie methoden volgens de buitenrand contour van lange beenderen kan weergeven betrouwbaar en nauwkeurig scheiden trabecular botten van corticale schelpen. Het voordeel van deze segmentatie methode is dat de segmentatie is gebaseerd op het verschil tussen de achtergrond en de buitenste rand van het bot, maar niet over de verschillen tussen trabecular en corticale botten6,12, 13, daarom is het over het algemeen gemakkelijk te vinden van een combinatie van segmentatie parameters die bevredigend is voor een groep van bot monsters, meer betrouwbare analyse van trabecular veranderingen tussen verschillende groepen te vergemakkelijken.
Op elk segment worden niveau, omgeving, omtrek en tweedimensionale (2D) dikte gerapporteerd voor 2D analyse, terwijl volume, oppervlak en driedimensionale (3D) dikte worden gerapporteerd in 3D ondermeer. Dergelijke informatie is in het algemeen niet gemeld door de huidige afbeelding analysetools, die aangeeft dat de gerapporteerde procedures kunnen worden toegepast op algemene afbeeldingen waar dergelijke informatie gewenst is.