Geautomatiseerde gewrichtsruimtedetectie verbetert de nauwkeurigheid van botsegmentatie
November 28th, 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 gezamenlijke ruimtedetectie die een hoge doorvoersnelheid bereikt bij de segmentatie van achterste muispootbotten met een nauwkeurigheid van meer dan 98%. De methode is aanpasbaar voor gebruik bij voorpoten en poten aangetast door inflammatoire-erosieve artritis, hoewel de prestaties mogelijk verdere optimalisatie vereisen.
Belangrijkste onderdelen van het onderzoek
Wetenschapsgebied
- Neurowetenschappen
- Beeldverwerking
- Beoordeling van botgezondheid
Achtergrond
- Algoritmen voor beeldverwerking met hoge doorvoer hebben de botsegmentatie verbeterd.
- Eerdere segmentatiestrategieën staan voor uitdagingen in reproduceerbaarheid en handmatige correctie.
- Geautomatiseerde beeldanalyse is nodig voor kwantitatieve beoordeling van botgezondheid.
- Micro-computed tomografie datasets kunnen bot en zacht weefsel effectief onderscheiden.
Doel van het onderzoek
- Om een reproduceerbare geautomatiseerde beeldanalyse workflow te ontwikkelen.
- Om kwantitatieve beoordeling van botgezondheid en osteoartritisprogressie mogelijk te maken.
- Om handmatige arbeid in beeldsegmentatieprocessen te minimaliseren.
Gebruikte methoden
- Gebruik van een begeleide watershed-gebaseerde segmentatiemethode.
- Toepassing van een vooraf getraind deep learning model voor gewrichtsruimtevoorspelling.
- Integratie met Amira software voor beeldverwerking.
- Evaluatie van verbeteringen in segmentatienauwkeurigheid.
Belangrijkste resultaten
- Meer dan 98% nauwkeurigheid bereikt in segmentatie van achterpootbotten.
- Beperkingen in segmentatieprestaties geïdentificeerd voor poten met artritis.
- De effectiviteit van het combineren van deep learning met traditionele methoden aangetoond.
- Gebieden geïdentificeerd voor toekomstige optimalisatie in segmentatie workflows.
Conclusies
- De geautomatiseerde workflow verbetert de botsegmentatienauwkeurigheid aanzienlijk.
- Verdere optimalisatie is nodig voor toepassingen bij inflammatoire aandoeningen.
- Deze aanpak kan een betere beoordeling van osteoartritisprogressie mogelijk maken.
Veelgestelde vragen
Executive Industry Relevance
Automated joint space detection using deep learning significantly advances quantitative bone segmentation, reducing manual labor and interobserver variability in preclinical imaging studies. This capability enhances predictive confidence in bone health and disease progression models, supporting robust target validation and translational research in musculoskeletal and inflammatory disease pipelines. Improved segmentation accuracy at early discovery and preclinical stages enables more reliable phenotypic screening and risk-adjusted portfolio decisions.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables reproducible, quantitative assessment of bone structure for hypothesis testing in disease models.
- Reduces manual segmentation variability, supporting functional target validation in osteoarthritis and inflammatory arthritis research.
- Improves mechanistic de-risking by providing high-fidelity anatomical delineation in complex joint regions.
Screening & Assay Development
- Prepares validated, high-resolution bone segmentations for downstream phenotypic screening workflows.
- Standardizes segmentation outputs, enhancing reproducibility and scalability across studies and teams.
- Facilitates reliable quantitative readouts for compound evaluation in bone and joint disease models.
Translational & Preclinical Research
- Aligns segmentation accuracy with disease-relevant endpoints, supporting translational biomarker development.
- Maintains continuity from discovery through preclinical validation by enabling consistent anatomical quantification.
- Supports risk-adjusted advancement decisions by quantifying disease progression and therapeutic impact.
Pipeline & Workflow Integration
This automated segmentation workflow integrates into the discovery-to-preclinical continuum, from early hypothesis testing to lead identification and translational research.
- Discovery Biology: Supports robust null hypothesis testing and pathway clarification in bone and joint disease models.
- Screening: Delivers reproducible, quantitative segmentation outputs for assay development and compound screening.
- Analytics: Provides high-accuracy measurements and statistical outputs for cross-condition comparisons.
- Translational Research: Enables alignment with disease-relevant biomarkers and preclinical endpoints.
- Enterprise Reuse: Offers a scalable, adaptable segmentation capability for diverse anatomical and disease contexts.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in bone segmentation.
- Operational Value: Standardizes and automates segmentation, minimizing manual intervention and variability.
- Strategic Value: Improves go/no-go decision quality and capital efficiency by enabling reliable quantitative outputs.
- Portfolio Impact: Supports risk-adjusted prioritization and advancement of musculoskeletal and inflammatory disease programs.
Implementation Considerations
- Requires expertise in deep learning model training and image analysis workflows.
- Depends on access to high-resolution micro-CT imaging and compatible analytical infrastructure.
- Necessitates cross-team standardization of segmentation protocols and validation criteria.
- May require adaptation for novel anatomical structures or advanced disease states with degraded accuracy.
- Performance may decline in severe disease or non-training datasets, necessitating ongoing model refinement.
