Geautomatiseerde gewrichtsruimtedetectie verbetert de nauwkeurigheid van botsegmentatie

787 weergaven

06:45 min.

28 november 2025

10.3791/69252-v

28 november 2025

787 weergaven

H. Mark Kenney¹^,²^,³ , Daniel Lichau⁴ , Rémi Blanc⁴ , Lindsay Schnur¹ , Richard D. Bell⁵ , Christopher T. Ritchlin¹^,³ , Edward M. Schwarz¹^,²^,³^,⁶^,⁷^,⁸ , Hani A. Awad¹^,⁷^,⁸ , Ronald W. Wood¹^,⁶^,⁹^,¹⁰

¹Center for Musculoskeletal Research, University of Rochester Medical Center, ²Department of Pathology & Laboratory Medicine, University of Rochester Medical Center, ³Department of Medicine, University of Rochester Medical Center, ⁴Thermo Fisher Scientific, ⁵Arthritis and Tissue Degeneration Program, Department of Research, Hospital for Special Surgery, ⁶Department of Urology, University of Rochester Medical Center, ⁷Department of Biomedical Engineering, University of Rochester Medical Center, ⁸Department of Orthopaedics, University of Rochester Medical Center, ⁹Department of Obstetrics and Gynecology, University of Rochester Medical Center, ¹⁰Department of Neuroscience, University of Rochester Medical Center

De ontwikkeling van een geautomatiseerde workflow voor het detecteren van gewrichtsruimte maakte een high-throughput segmentatie van verschillende muisachterpootbotten mogelijk met >98% nauwkeurigheid bij wilde dieren. Flexibele toepassing op voorpoten en poten met inflammatoir-erosieve artritis werd bereikt, maar met verouderde prestaties die verdere optimalisatie in toekomstige studies met publiek beschikbare gegevens rechtvaardigen.

Meer video's verkennen

Deep Learning-modellen

micro-computertomografie

watershed-algoritme

structuurverbetering

U-Net-architectuur

inflammatoire artritis

geautomatiseerde beeldanalyse

Chapters in this video

0:00

Introduction

0:37

Applying the Deep Learning-Assisted Bone Segmentation Workflow

2:14

Detailed Workflow Construction and Model Development

3:58

Training the Deep Learning Model

4:58

Results

6:20

Conclusion