Geautomatiseerde gewrichtsruimtedetectie verbetert de nauwkeurigheid van botsegmentatie
28 november 2025
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.
Recente high-throughput beeldverwerkingsalgoritmen hebben talloze goudstandaard botsegmentaties van complexe gewrichten geleverd met het potentieel om deep learning-modellen te trainen. De huidige uitdaging is het beperkte vermogen om eerdere segmentatiestrategieën in toekomstige experimenten te gebruiken, gegeven structuurspecifieke algoritmen en belangrijke handmatige correctieprocessen. We pakken de behoefte aan reproduceerbare geautomatiseerde beeldanalyse in die kwantitatieve beoordeling van botgezondheid en artroseprogressie mogelijk maakt, terwijl handarbeid en levensvatbaarheid worden geminimaliseerd.
Om te beginnen bekijk de micro-computertomografie-dataset om te zien dat bot en zacht weefsel duidelijk van elkaar te onderscheiden zijn. Inspecteer gebieden waar aangrenzende botten dicht op elkaar zijn gepakt om gebieden te identificeren waar de beeldresolutie beperkt is en minimale openingen hun grenzen moeilijk te detecteren maken. Let op de basislijn waar de begeleide segmentatiemethode op basis van stroomgebieden een algehele nauwkeurigheid van ongeveer 80% oplevert. Om de segmentatienauwkeurigheid te verbeteren, pas een bijgewerkte workflow toe die een vooraf getraind deep learning joint space voorspellingsmodel combineert met een vooraf gebouwd beeldverwerkings- en watershed-gebaseerd botafscheidingsrecept in de Amira-softwareomgeving.
Laad de micro-computertomografiedataset in Amira. Verbind de deep learning voorspellingsmodule. Selecteer het getrainde model en druk op Apply om een initiële joint-ruimtesegmentatie te genereren.
Laad daarna het recept in de image recipe player-module. Verbind de micro-computertomografiedataset met de voorlopige gewrichtsegmentatie en pas het recept toe om de uiteindelijke segmentatie te produceren met volledig geïndividualiseerde botten. Tot slot evalueer je de resulterende output door de kleurkaart aan te passen aan labels 256 en orthogonale sneden en volumeweergaven te inspecteren om de succesvolle scheiding van individuele botten over de achterpoot te bevestigen.
Om het beeldverwerkingsrecept te inspecteren of te bewerken, open je de werkruimte voor het afbeeldingsrecept in Amira en laad je het botscheidingsrecept. Verbind de benodigde invoergegevens en pas parameters aan in het Eigenschappen-venster om de workflow voor de huidige dataset aan te passen. Om de workflowstructuur te herzien, visualiseer je sequentieel de tussentijdse output die door het recept worden gegenereerd, pas je vervolgens een mathematische morfologie zwarte top-hat-methode toe die wordt geïmplementeerd via sluiting, rekenkundige aftrekking en drempel, en gebruik deze stap om voxels te benadrukken die donkerder zijn dan hun omgeving en overeenkomen met gewrichtsgebieden.
Om de specificiteit te verbeteren, pas je het Structure Enhancement-filter toe om donkere, dunne vlakke structuren die overeenkomen met gewrichtsruimtes te versterken. Versterk de continuïteit van de gewrichten verder door het Membrane Enhancement-filter toe te passen, dat een tensorstemfase bevat. Vervolgens integreer je het gewrichtsmasker dat wordt gegenereerd door een convolutioneel neuraal netwerk dat is getraind om periarticulaire negatieve ruimte te identificeren met de resultaten van de vorige beeldverwerkingsfilters om een uiteindelijk gewrichtsmasker te genereren.
Om de botscheiding te voltooien, trek je het laatste gewrichtsmasker af van het botmasker en behandel je elk overgebleven verbonden onderdeel als een marker voor een individueel bot. Pas het waterscheidingsalgoritme toe om elke marker binnen het oorspronkelijke botmasker te laten groeien, individuele botten te reconstrueren en grenzen op optimale posities te plaatsen op basis van beeldintensiteiten. Om trainingsgegevens voor het deep learning-model voor te bereiden, selecteer je 20 wildtype-datasets die 40 achterpoten vertegenwoordigen met een gebalanceerde geslachtsverdeling en leeftijden variërend van 2 tot 6 maanden.
Haal zes subvolumes uit elke dataset met drie subvolumes per achterpoot. Gebruik subvolumes van 200 x 200 x 200 voxels om enkelgebieden, vingers en representatieve achtergrondgebieden te bedekken. Configureer een driedimensionale U-Net-architectuur met een ResNet-18 backbone.
Optimaliseer het model met het Adam-algoritme met een initiële leersnelheid van 0,0001 en willekeurig geïnitialiseerde gewichten. Train het model met de dobbelsteenverliesfunctie en monitor validatieprestaties met behulp van de intersection over union-metriek. Door deep learning te gebruiken om gewrichtsruimtes in micro-CT-datasets te identificeren, was het mogelijk om individuele achterpootbeenderen duidelijk en consistent te scheiden.
Door zich te richten op de periarticulaire negatieve ruimte, bepaalde het model botgrenzen nauwkeurig, zelfs in dicht bevolkte gebieden. Vergeleken met de semi-geautomatiseerde workflow, die ongeveer 80% nauwkeurigheid behaalde, leverde de deep learning-aanpak een duidelijke verbetering op voor wildtype-muizen, met een nauwkeurigheid van 98-99% met minimale handmatige correctie. Bij tumornecrosefactor- of TNF-transgene muizen behield de deep learning-methode hoge prestaties ondanks progressieve inflammatoire erosieziekte, met een nauwkeurigheid van ongeveer 98% tijdens de vroege ziekteprogressiestadia.
Hoewel het model uitsluitend op achterpoten werd getraind, kon het direct op voorpoten worden toegepast zonder opnieuw te trainen om anatomisch coherente segmentaties te verkrijgen, wat een sterke generalisatie naar complexe structuren aantoont. Er werd vastgesteld dat de progressie van ernstige erosieve ziekte en gewrichtsbeschadiging versneld was bij TNF-transgene vrouwelijke voorpoten. Ons protocol verbetert de segmentatienauwkeurigheid en automatisering, terwijl het nog steeds handmatige correcties en continue prestatieverbeteringen mogelijk maakt door extra deskundige annotaties.
Ons toekomstig onderzoek is gericht op het integreren van meerdere unieke structuren, ziektemodellen en geautomatiseerde algoritmen om de flexibiliteit en toepassing te blijven vergroten.
Overzicht
Deze studie presenteert een geautomatiseerde workflow voor de detectie van gewrichtsruimtes die hoogwaardige high-throughput segmentatie van botten in de achterpoot van muizen bereikt met een nauwkeurigheid van meer dan 98%. De methode is aanpasbaar voor gebruik bij voorpoten en poten die zijn aangetast door inflammatoire erosieve artritis, hoewel de prestaties mogelijk verdere optimalisatie vereisen.
Belangrijkste onderdelen van het onderzoek
Wetenschappelijk gebied
- Neurowetenschappen
- Beeldverwerking
- Beoordeling van de Botgezondheid
Achtergrond
- Algoritmen voor beeldverwerking met een hoge doorvoersnelheid hebben de botsegmentatie verbeterd.
- Eerdere segmentatiestrategieën kampen met uitdagingen op het gebied van reproduceerbaarheid en handmatige correctie.
- Geautomatiseerde beeldanalyse is noodzakelijk voor een kwantitatieve beoordeling van de botgezondheid.
- Datasets van micro-computertomografie kunnen bot en zacht weefsel effectief onderscheiden.
Doel van de studie
- Om een reproduceerbare geautomatiseerde workflow voor beeldanalyse te ontwikkelen.
- Om kwantitatieve beoordeling van botgezondheid en de progressie van artrose mogelijk te maken.
- Om handmatige arbeid bij beeldsegmentatieprocessen te minimaliseren.
Gebruikte methoden
- Gebruik van een gesuperviseerde watershed-gebaseerde segmentatiemethode.
- Toepassing van een vooraf getraind deep learning-model voor joint space-voorspelling.
- Integratie met Amira-software voor beeldbewerking.
- Evaluatie van verbeteringen in de segmentatienauwkeurigheid.
Belangrijkste resultaten
- Een nauwkeurigheid van meer dan 98% behaald bij de segmentatie van het achterpootbot.
- Beperkingen vastgesteld in de segmentatieprestaties voor poten met artritis.
- De effectiviteit aangetoond van het combineren van deep learning met traditionele methoden.
- Gebieden aangewezen voor toekomstige optimalisatie in segmentatieworkflows.
Conclusies
- De geautomatiseerde workflow verbetert de nauwkeurigheid van de botsegmentatie aanzienlijk.
- Verdere optimalisatie is nodig voor toepassingen bij inflammatoire aandoeningen.
- Deze aanpak kan een betere beoordeling van de progressie van artrose faciliteren.
Veelgestelde vragen
Relevantie voor de industrie
Geautomatiseerde detectie van de gewrichtsruimte met behulp van deep learning brengt kwantitatieve botsegmentatie aanzienlijk vooruit, waardoor de handmatige werklast en de interobservervariabiliteit in preklinische beeldvormende studies worden verminderd. Deze functionaliteit vergroot het voorspellende vertrouwen in modellen voor botgezondheid en ziekteprogressie, wat bijdraagt aan een robuuste targetvalidatie en translationeel onderzoek binnen pipelines voor musculoskeletale en inflammatoire ziekten. Een verbeterde segmentatienauwkeurigheid in de vroege ontdekkingsfase en preklinische stadia maakt een betrouwbaardere fenotypische screening en risicogebaseerde portfoliobeslissingen mogelijk.
Strategische toepassingen in biofarmaceutische R&D
Vroege ontdekking & targetvalidatie
- Maakt reproduceerbare, kwantitatieve beoordeling van de botstructuur mogelijk voor hypothesetesting in ziektestudies.
- Vermindert variabiliteit bij handmatige segmentatie, wat bijdraagt aan functionele target-validatie in onderzoek naar artrose en inflammatoire artritis.
- Verbetert mechanistische risicoreductie door hoogwaardige anatomische afbakening te bieden in complexe gewrichtsregio's.
Screening & Assayontwikkeling
- Biedt gevalideerde, hoge-resolutie segmentaties van botten voor downstream fenotypische screening-workflows.
- Standaardiseert segmentatie-outputs, waardoor de reproduceerbaarheid en schaalbaarheid tussen studies en teams wordt verbeterd.
- Faciliteert betrouwbare kwantitatieve read-outs voor de evaluatie van verbindingen in modellen voor bot- en gewrichtsziekten.
Translationeel & Preklinisch Onderzoek
- Rijgt de nauwkeurigheid van de segmentatie uit met ziekte-relevante eindpunten, ter ondersteuning van de ontwikkeling van translationele biomarkers.
- Handhaaft continuïteit van ontdekking tot preklinische validatie door consistente anatomische kwantificering mogelijk te maken.
- Ondersteunt risico-gecorrigeerde beslissingen over verdere ontwikkeling door ziekteprogressie en therapeutische impact te kwantificeren.
Integratie van Pipeline & Workflow
Deze geautomatiseerde segmentatieworkflow is geïntegreerd in het continuüm van discovery tot preklinisch onderzoek, van vroege hypothesetesten tot lead-identificatie en translationeel onderzoek.
- Discovery Biology: Ondersteunt robuuste toetsing van nulhypothesen en het verduidelijken van signaalpaden in modellen voor bot- en gewrichtsziekten.
- Screening: Levert reproduceerbare, kwantitatieve segmentatie-outputs voor assayontwikkeling en compoundscreening.
- Analytics: Biedt nauwkeurige metingen en statistische outputs voor vergelijkingen tussen verschillende condities.
- Translationeel Onderzoek: Maakt afstemming mogelijk met ziekte-relevante biomarkers en preklinische eindpunten.
- Bedrijfsmatige Hergebruik: Biedt een schaalbare, aanpasbare segmentatiecapaciteit voor diverse anatomische en ziektecontexten.
Operationele & Bedrijfsimpact
- Wetenschappelijke waarde: Verhoogt het voorspellende vertrouwen en vermindert mechanistische ambiguïteit bij botsegmentatie.
- Operationele waarde: Standaardiseert en automatiseert segmentatie, waardoor handmatige interventie en variabiliteit worden geminimaliseerd.
- Strategische waarde: Verbetert de kwaliteit van go/no-go-beslissingen en de kapitaalefficiëntie door betrouwbare kwantitatieve output mogelijk te maken.
- Impact op portfolio: Ondersteunt risicogecorrigeerde prioritering en het vorderen van programma's voor musculoskeletale en inflammatoire ziekten.
Overwegingen bij de implementatie
- Vereist expertise in het trainen van deep learning-modellen en workflows voor beeldanalyse.
- Afhankelijk van toegang tot micro-CT-beelden met een hoge resolutie en een compatibele analytische infrastructuur.
- Maakt cross-team standaardisatie van segmentatieprotocollen en validatiecriteria noodzakelijk.
- Kan aanpassing vereisen voor nieuwe anatomische structuren of gevorderde ziektestadia met een verminderde nauwkeurigheid.
- De prestaties kunnen afnemen bij ernstige ziekten of datasets die niet zijn gebruikt voor training, waardoor voortdurende verfijning van het model noodzakelijk is.
