Research Article

Automatyczne wykrywanie przestrzeni stawowej poprawia dokładność segmentacji kości

DOI:

10.3791/69252

⸱

November 28th, 2025

 ,  ,  ,  ,  ,  ,  ,  , 
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

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Opracowanie zautomatyzowanego procesu wykrywania przestrzeni stawów umożliwiło segmentację o wysokiej przepustowości różnych kości tylnej łapy myszy z dokładnością >98% u zwierząt typu dzikiego. Osiągnięto elastyczne zastosowanie na przednich łapach i łapach z zapalno-erozyjnym zapaleniem stawów, ale z osłabioną wydajnością, co wymaga dalszej optymalizacji w przyszłych badaniach na podstawie publicznie dostępnych danych.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Ilościowy opis złożonych struktur anatomicznych pozostaje trudny ze względu na wiedzę niezbędną do ręcznej segmentacji, pracy i zmienności między obserwatorami. Aby to przezwyciężyć, automatyczne wykrywanie konkretnych punktów orientacyjnych można osiągnąć za pomocą technik analizy obrazów cyfrowych, w tym modeli głębokiego uczenia (DL). W tym celu przeprowadziliśmy nadzorowaną zautomatyzowaną analizę zbiorów danych mikro-tomografii komputerowej (micro-CT) łap tylnych i przednich myszy. Idąc dalej niż wcześniej opublikowane półautomatyczne (SA) algorytmy oparte na markerach zlewni, dodaliśmy wzmocnienie struktury, głosowanie tensorowe oraz dylatację wyjściową w celu identyfikacji przestrzeni łączeń. Segmentacja została wzmocniona poprzez wykorzystanie modelu przewidywania przestrzeni joint (architektura 3D U-Net, szkielet ResNet-18) z wykorzystaniem etykiet typu dzikich (WT) jako reguły podstawowej. Przewidywanie rozszerzono na tylne i przednie łapy u myszy WT oraz czynnika martwiczego guza transgenicznego (TNF-Tg) z zapalno-erozyjnym zapaleniem stawów obu płci w różnym wieku. Dokładność segmentacji znacznie wzrosła dzięki metodologii DL. Dokładność spadała wraz ze wzrostem nasilenia choroby i wiekiem u myszy TNF-Tg. Kolejne badania na przednich łapach wykazały również stopniowe obniżanie dokładności z rosnącą nasileniem artrety. Ogólnie rzecz biorąc, ten nadzorowany zautomatyzowany model przewyższa najnowsze metody SA w zdrowych stawach, co ułatwia badania złożonej anatomii kości. Chociaż elastyczne zastosowanie do nowych i chorobowo zmodyfikowanych zbiorów danych wykazuje przestarzałe osiągi, wykorzystanie może nadal katalizować rozwój modelu segmentacji specyficznego dla struktury.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Wysokiej jakości analiza obrazów nie tylko wspiera badania naukowe, ale także może pomóc radiologom klinicznym w wykrywaniu i ilościowym zmianach patologicznych, co jest zadaniem kluczowym dla opieki nad pacjentem. Analiza obrazów to szczegółowa sekwencja procedur, w tym ekstrakcja cech, tłumaczenie ogólnego obrazu na znaczące etykiety oraz wyprowadzanie ilościowych metryk1. Duża część tego procesu opiera się na wcześniejszej wiedzy, takiej jak progowanie struktur na podstawie gęstości lub koloru, a następnie stosowanie algorytmów przetwarzania obrazu w kolejnych etapach (np. dylatacja, erozja, wygładzanie, separacja), aby osiągnąć pożądaną segmentację. Po optymalizacji segmentowane obrazy mogą dostarczać danych wejściowych dla nadzorowanego uczenia maszynowego2, w tym głębokiego uczenia (DL), które koduje i dekoduje złożone cechy za pomocą sieci neuronowych,2,3, co skutkuje poprawą dokładności segmentacji obrazu i przepustowości.

W rzeczywistości wdrożenie różnych 3D konwolucyjnych sieci neuronowych (CNN) przyniosło kluczowe postępy w algorytmach automatycznego segmentowania kości do analizy obrazów szkieletowych, gdzie niektóre modele przewyższają segmentację człowieka4. Chociaż segmentacyjne CNN 3D działają w różnych architekturach (np. AlexNet, ResNet, UNet), ich wyjścia są zasadniczo takie same, a maska obrazu oznacza dodatnią objętość kości z tła. Takie modele głębokiego uczenia w analizie obrazów mięśniowo-szkieletowych są szybko rozwijane, a dziedzina szybko przeszła od rozwiązywania prostych problemów detekcji pęknięć 2Dnr 5 do złożonych problemów wielostawowych6 , z możliwością radzenia sobie z szumem sztucznym lub anomaliami w zbiorach danych. Na przykład Woo i in. zauważyli, że anomalie strukturalne (np. zmiany szpiku kostnego, torbiele kostne) na MRI pogarszały prognozy segmentacji chrząstki stawowej w stawach kolana. W związku z tym opracowali model segmentacji uwzględniający anomalie, aby najpierw zidentyfikować niepowiązane anomalie, co znacząco poprawiło segmentację kości i chrząstki7. Wraz z innymi wytrenował 14 oddzielnych modeli, każdy na ROI kluczowych stawów dłoni, aby oszacować wiek szkieletu, a następnie zintegrował ich wyniki, aby poprawić prognozy na podstawie zdjęć rentgenowskich dłoni, zamiast korzystać z całej struktury dłoni8. Podobnie, uwzględnianie kontekstu w modelach, takich jak cechy segmentacji regionalnej czy globalne relacje anatomiczne, wykazano, że poprawia prognozy. Wykorzystanie wieloregionalnych CNN do zapewnienia kontekstu dotyczącym oczekiwanych cech segmentacji poprawia również ocenę dojrzałości szkieletu w zdjęciach rentgenowskich dłoni, ograniczając problem klasyfikacji do anatomicznie odpowiednich lokalizacji9. Dodatkowe osiągnięcia obejmują SVTNet z segmentacją kości opartą na CNN, a następnie dalsze przetwarzanie za pomocą modeli transformatorów wzroku, które pozwalają na zebranie globalnych informacji o relacjach przestrzennych między segmentowanymi obszarami zainteresowania w celu oszacowania wyników ilościowych, takich jak wiek kości10.

Jak pokazano w tych podejściach segmentacji, badania artretyzmu koncentrują się na łączeniu powierzchni między dwiema lub więcej kośćmi, gdzie metody rozdzielania kości są kluczowe dla skutecznej oceny różnicowych procesów patologicznych w złożonych stawach. Postępy w algorytmach przetwarzania obrazów wykazały niezwykłą skuteczność w zwiększaniu przepustowości analitycznej sąsiadujących kości nadgarstka lub stopa11,12. Jednak ograniczone wdrożenie z powodu nieścisłości wymagających interwencji użytkownika oraz trudności w tłumaczeniu na odrębne struktury podkreśla potrzebę wdrożenia zoptymalizowanych procesów pracy. Te wieloetapowe procesy mogą ogromnie skorzystać z dyskretnych narzędzi do ulepszania obrazu (np. detekcja krawędzi kości13). Poza ściśle morfologicznymi operacjami, inne badania wdrożyły techniki oparte na rejestracji, wykorzystując typową niezawodność i spójność anatomii do identyfikacji struktur 14,15,16,17. Alternatywa w postaci ręcznych wejść do generowania etykiet faktów na miejscu jest kosztowna i żmudna, ale może być równie skuteczna, gdzie wykorzystanie może być niezbędne w skomplikowanych, ściśle splecionych kościach o mniej dyskretnych granicach (np. czaszka18). Podobnie alternatywne podejścia obrazowania z wielokolorową/barwną zmiennością nawet w ramach dyskretnej struktury, takie jak obrazowanie rezonansemmagnetycznym (MRI 19,20,21) czy histologia tkanek 22, również wykazują złożoność, która może skorzystać z początkowej ręcznej segmentacji do kierowania zautomatyzowanymi procesami. Razem te metody mogą przynieść dodatkowe korzyści, napędzając dalszą automatyzację, gdzie wyniki służą jako zbiory danych treningowych do wdrażania podejść DL. Korzyści z automatyzacji segmentacji są liczne, ale szczególnie te metody pozwalają na szczegółowe przestrzennie ilościowe metryki, w tym regionalne lub specyficzne dla kości zmiany objętości erozji 23,24,25,26 oraz identyfikację obszarów o wysokiej podatności na uszkodzenia 27.

Tutaj rozwijamy ugruntowane półautomatyczne (SA) metody segmentacji tylnej łapy myszynr 12, z ulepszeniami algorytmów przetwarzania obrazów w połączeniu z segmentacją kości ground truth28, aby trenować modele długiego języka do wykrywania przestrzeni stawów. Ta nowatorska strategia analityczna wykazała znacząco poprawę dokładności segmentacji poszczególnych kości tylnych łap, co zmniejszyło ręczne wysiłki w zakresie korekty błędów segmentacji12, aby przyspieszyć przetwarzanie dalszych ilościowych metryk. Pokazujemy również potencjał do wdrożenia tych postępów technicznych w nowatorskich strukturach, w tym przednich i tylnych łap z ciężkim erozyjnym zapaleniem stawów. Ponieważ segmentacja ręczna jest czasochłonna i wymaga wysokiego poziomu wiedzy7, podobne strategie sekwencyjnego wykorzystania półautomatycznej i zautomatyzowanej segmentacji w celu uzyskania ulepszonych filtrów wejściowych mogą obniżyć barierę w opracowywaniu wysokiej jakości CNN dla konkretnych zastosowań. Powiązane metody opracowane w oprogramowaniu Amira (Plik Uzupełniający 1) oraz odpowiednie zbiory danych są udostępniane publicznie, aby wspierać wdrażanie i współpracę w dalszych badaniach28,29.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Wszystkie eksperymenty na zwierzętach przeprowadzono zgodnie z protokołami IACUC zatwierdzonymi przez Komitet ds. Zasobów Zwierzęcych Uniwersytetu w University of Rochester Medical Center.

Modele zwierzęce
Myszy umieszczono w wiwarium akredytowanym przez AAALAC. W opisanych eksperymentach użyto łącznie 19 myszy, w tym 4 samce typu dzikiego (WT), 4 samice WT, 4 samce TNF transgeniczne (TNF-Tg) oraz 7 samic myszy TNF-Tg, z podłużnymi miesięcznymi ocenami. Myszy TNF-Tg (linia 3647, C57BL/6 tło genetyczne30) zostały początkowo pozyskane od dr. George'a Kolliasa z dalszą konserwacją na Uniwersytecie w Rochester. Myszy TNF-Tg były hodowane jako heterozygoty, a myszy WT służyły jako kontrolne grupy miotu. Genotypizację transgenu TNF wykonano przy użyciu następujących sekwencji początkowych: TNF-Tg Forward: 5-TAC-CCC-CTC-CTT-CAG-ACA-CC-3; TNF-Tg Reverse: 5-GCC-CTT-CAT-AAT-ATC-CCC-CA-3.

Myszy TNF-Tg rozwijają przewlekłe, postępujące i samoistne zapalno-erozyjne zapaleniestawów 31 z szybszym pojawieniem się objawów stawowych i pozastawowych u samic myszy, prowadząc do wczesnej śmiertelności około 5-6 miesiąca32 roku. W związku z tym dodatkowe myszy zostały przypisane do kohorty żeńskiej TNF-Tg. W poprzednich opisach kohorty23 tego badania wskazano, że n=2 kobiet TNF-Tg zmarło przed zakończeniem badania, n=1 przed 4 miesiącami, a n=1 przed 5 miesiącami. Ponieważ myszy TNF-Tg wykazują dobrze ugruntowany asymetryczny przebieg choroby w tylnychłapach 33,34, jednostką miary były pojedyncze kończyny (2 przednie i 2 tylne łapy na zwierzę).

Kolekcja obrazów Micro-CT
Zbiory danych Micro-CT zostały zebrane zgodnie z opisaniem wcześniej:12,23. W skrócie, myszy umieszczono w tubie Derlin z plastiku i przezroczystego akrylu z znieczuleniem izofluranowym o 1%-3% do obrazowania mikro-CT przy użyciu następujących parametrów: 55 kV, 145 μA, czas integracji 300 ms, 2048 x 2048 pikseli, 1000 rzutów na 180°, rozdzielczość 17,5 μm izotropowych wokseli. Dla bezpieczeństwa przy użyciu izofluranu stosowano odpowiedni osobisty sprzęt ochronny (rękawice nitrylowe, fartuch laboratoryjny lub fartuch, okulary ochronne), a parownik izofluranu był przechowywany w okapie oparniowym za pomocą filtra węglowego, który wychwytywał odpady gazowe za pomocą dobrze uszczelnionych rurek zapewniających ciągłość w systemie dostarczania. Odparowany izofluran był wykorzystywany do indukcji znieczulenia w zamkniętej komorze, a następnie utrzymywano znieczulenie poprzez ciągły przepływ izofluranu do mysiego stożka nosa w mikrokomputerze komputerowym. Podczas sesji obrazowania były sklejane taśmą zarówno tylne, jak i przednie łapy dla stabilizacji. Każdy zbiór danych został zebrany w około 30-45 minut (łącznie 60-90 minut), z danymi o tylnej i przedniej łapie pochodzącej od tych samych zwierząt i tych samych punktów czasowych. Myszy były oceniane co miesiąc, zaczynając od 2 miesięcy życia do 5 miesiąca (samice, TNF-Tg z wczesną śmiertelnością32) lub 8 miesięcy (samce). Fragmenty danych o łapie tylnej wykorzystane w tym badaniu zostały wcześniej opublikowane (WT:12,35; WT i TNF-Tg:23) i są publicznie dostępne28. Dane dotyczące przedniej łapy zostały udostępnione publicznie na potrzeby tego badania29.

Wspólny algorytm segmentacji przestrzeni z ułatwieniem uczenia głębokiego
Wcześniejopracowano wysokowydajny algorytm przetwarzania obrazów SA do segmentacji poszczególnych kości złożonej łapy tylnej u myszy (30-31 kości), który dostarczał ram do badania indywidualnych markerów progresji zapalno-erozyjnego zapalnego zapalenia stawów za pomocą oprogramowania Amira23. Ta podstawowa metoda segmentacji SA wykorzystywała algorytm zlewni oparty na markerach36 do rozdzielania na granicach kości. Algorytm zlewni oparty na markerach rozdziela różne obiekty na obrazie, traktując wartości pikseli jako lokalną topografię opartą na znacznikach zdefiniowanych przez użytkownika. Te specyficzne dla kości markery były generowane w sposób SA poprzez różne etapy przetwarzania obrazu, w tym cylinder (BTH), aby podkreślić lokalne obszary o dużych zmianach gęstości, takie jak krawędzie kości i artykulacje. Razem to podejście stworzyło erodowaną wersję każdej pojedynczej kości, która następnie została rozszerzona na brzegi kości poprzez zastosowanie maski granicy binarnej. Chociaż metoda zlewnia zmieniła się w stosunku do wcześniejszego stosowania ręcznego konturowania, dokładność (prawidłowo segmentowane kości / całkowitość kości) wynosiła około 80% na zbiór danych z powodu niskiego kontrastu szumów prowadzących do mostkowania w obszarach stawów (nadmiernie połączonych kości; 2+ kości jako jednego materiału) lub błędnej identyfikacji krawędzi (nadmierne rozszczepienie kości; 1 kość jako 2+ materiał). W związku z tym generowanie markerów SA dla podejścia zlewni wymagało konsekwentnych i częstych procedur ręcznych korekt12, aby stworzyć źródło etykiet złotego standardu23,28.

Opracowanie modelu DL do przewidywania stawów kostnych opierało się na architekturze trójwymiarowego U-Net z kręgosłupem ResNet-18. Funkcja strat treningowych to Dice, metryka walidacyjną to przecięcie nad sumą (IoU), gradient descent wykorzystywał optymalizację Adama z początkowym wskaźnikiem uczenia 0,0001, a wagi były inicjalizowane losowo. Model został wytrenowany na 20 zbiorach danych WT (40 tylnych łap) o równym rozkładzie płciowym i wieku (od 2 do 6 miesięcy), każdy podzielony na 6 podobjętości (po 3 na tylną łapę) po 200 x 200 x 200 wokseli z 25% losowym zestawem walidacyjnych podwolumenów (30 walidacji, 120 łącznie), aby uniknąć nadmiernego dopasowania. Te 3D płytki były równomiernie rozmieszczone na stopach, dalszych paliczkach i obszarach tła. Rozmiar plastra treningowego został ustalony na 96 x 96 x 96 wokseli (Ilustracja uzupełniająca 1). Model był trenowany przez 500 epok, co zajmowało około 6 godzin. Obszary łączenia z podstawową rzeczywistością uzyskano za pomocą automatycznego przepisu z etykiet z podstawowej rzeczywistości, który rozszerzał interfejsy etykiet o rozmiarze 3D dylatacji 5 zarówno dla grubości, jak i zakresu.

Równolegle z przewidywaniem DL w przestrzeni stawów zaimplementowano kilka etapów przetwarzania obrazu, które ułatwiły identyfikację przestrzeni stawowej i segmentację kości. Strategie te obejmowały zastosowanie metody BTH w połączeniu z wzmocnieniem struktury37, wzmocnieniem błony oraz głosowaniem tensorowym38 , aby wzmocnić ciągłość przestrzeni stawów poprzez ograniczenie przerw między błonami. Razem te podejścia wzmacniają przestrzenie stawowe potrzebne do rozdzielania kości, ograniczając przecieki segmentacji między sąsiednimi kośćmi, które następnie generują błędy nadmiernego połączenia podczas propagacji algorytmu zlewni przez wiele kości. Ostateczny wynik rozdziela i segmentuje oryginalne zbiory danych mikro-CT na etykiety specyficzne dla kości.

Poniżej przedstawiono szczegółowy protokół krok po kroku metody segmentacji ułatwianej przez DL.

Krok 1: Otwórz oprogramowanie Amira (wymaga licencji osobistej lub instytucjonalnej). Krok 2: Otwórz zakładkę Python, wybierz Utwórz nowe środowisko Pythona z nazwą środowiska: deep-learning-environment-2022_2. Sprawdź pakiety Install Deep Learning. Krok 3: Restartuj oprogramowanie, otwórz zakładkę Python, wybierz środowisko użytkownika deep-learning-environment-2022_2. Krok 4: Otwarte dane – stosy DICOM można załadować, wybierając wszystkie poszczególne pliki DICOM lub otwierając pliki .am zawierające wbudowane stosy DICOM, jeśli są dostępne. Krok 5: Zastosuj moduł Deep Learning Prediction do importowanego obiektu danych z następującymi szczegółami:
Dane: Importowany obiekt danych
Architektura: plik .json (Plik uzupełniający 2)
Wagi: plik .hdf5 (Plik uzupełniający 3)
Kafelkowanie: ręczne – możliwa optymalizacja poprzez zmniejszenie rozmiaru pikseli kafelkowania i zwiększenie nakładania się kafelków, w zależności od sprzętu obliczeniowego. Moduł nie zaliczy, jeśli wymagania dotyczące przetwarzania będą niewystarczające. Upewnij się, że w Edycja, Preferencje, Duże dane są maksymalnie wykorzystane w oprogramowaniu przydział pamięci.
Szerokość, wysokość, głębokość kafelków: 352 piksele
Nakładanie się kafelków: 0 pikseli
Krok 6: Zastosuj odtwarzacz receptur obrazu, kliknij prawym przyciskiem myszy w obszarze projektu bez celowania w konkretny obiekt danych. Wprowadź i oceniaj następujące kwestie:
Otwórz przepis: plik .hxisp (Plik uzupełniający 4)
Dane: Importowany obiekt danych
Stawy wejściowe: Wynik kroku 5 (Predykcja Deep Learning)
Zakres intensywności kroku 3: 2500 - 20000
Krok 7: Oceń powstały przetworzony obiekt danych, który zawiera końcową segmentację – upewnij się, że dostosowujesz Colormap do Labels256, aby uwzględnić łączną liczbę poszczególnych segmentacji (domyślnie tylko 8 kolorów). W 2D: Zastosuj Ortho Slice, a w 3D: Zastosuj renderowanie objętościowe. Szczegóły dotyczące osadzonego przepisu (BTH+DL+SEF+MEF_D2.hxisp) zastosowanego w kroku Image Recipe Player podano poniżej (Plik Uzupełniający 5). Należy zauważyć, że w Image Recipe Designer poszczególne kroki można wizualizować i eksportować w razie potrzeby, aby ocenić kroki optymalizacji w konkretnych zbiorach danych. W protokole wskazano konkretne kroki, które wymagają korekty dla każdego unikalnego zastosowania, ponieważ zależą od wyników obrazowania (czyli gęstości) i/lub rozmiaru obiektów (np. kości):
Krok 1: Zastosuj filtr mediany z danymi: importowany obiekt danych; Interpretacja: 3D; Dzielnica: 26; Iteracje: 3; Typ: Iteracyjny.
Krok 2: Zastosowanie progów – ten krok będzie wymagał optymalizacji w zależności od zbiorów danych i konkretnego progu celującego w obiekt zainteresowania, w tym przypadku kość z danymi: Wynik kroku 1 (filtr mediany); Zakres intensywności: 2500 - 20000.
Krok 3: Zastosowanie zamknięcia – ten krok będzie wymagał optymalizacji w zależności od wielkości przestrzeni stawów między kośćmi z Danymi: Wynik kroku 1 (filtr mediany); Typ: Sześcian; Interpretacja: 3D; Dzielnica: 26; Rozmiar piksela: 3.
Krok 4: Zastosuj arytmetykę obrazową z wejściem A: Wynik kroku 3 (zamknięcie); Wejście B: Wynik kroku 1 (filtr mediany); Kanały wyników: jak wejście A; Wyraz: A-B.
Krok 5: Zastosuj progowanie na podstawie danych: Wynik kroku 4 (arytmetyka obrazów); Zakres intensywności: 750 - 20000.
Krok 6: Zastosuj arytmetykę obrazową z wejściem A: Wynik kroku 2 (progowanie); Wejście B: Wynik kroku 5: (Thresholding); Kanały wyników: jak wejście A; Wyrażenie: A-(B>0)
Krok 7: Zastosuj filtr ulepszania struktury z obrazem wejściowym: Importowany obiekt danych; Interpretacja: 3D; Typ tensorowy: heski; Odchylenie standardowe min/max: 1 - 3 piksele; Krok odchylenia standardowego: 1 piksel; Kontrast: Ciemny; Typ konstrukcji: Samolot.
Krok 8: Zastosowanie automatycznego progowania z obrazem wejściowym: Wynik kroku 7 (filtr wzmocnienia struktury); Typ: Auto Threshold High; Interpretacja: 3D; Tryb: Min-max; Kryterium: Faktoryzacja.
Krok 9: Zastosuj filtr ulepszania membran z danymi: Importowany obiekt danych; Wybór wyników: Głosowanie tensorem płaskości; Skala głosowania tensorowego: 3 piksele; Skala zagęszczenia: 3 piksele; Typ: Grzbiet
Kontrast: Ciemny; Skala: 1 piksel.
Krok 10: Zastosowanie automatycznego progowania z obrazem wejściowym: Wynik kroku 9 (filtr wzmacniający membranę); Typ: Auto Threshold High; Interpretacja: 3D; Tryb: Min-max; Kryterium: Faktoryzacja.
Krok 11: Zastosuj dylatację – ten krok będzie wymagał optymalizacji w zależności od rozmiaru przestrzeni stawów – z obrazem wejściowym: Wynik kroku 10 (automatyczne progowanie); Typ: Piłka; Interpretacja: 3D; Rozmiar: 1 piksel; Precyzja: Szybciej.
Krok 12: Zastosowanie arytmetyki obrazowej z wejściem A: Wynik kroku 11 (dylatacja); Wejście B: Wynik kroku 8 (automatyczne progowanie); Input C: Wynik predykcji głębokiego uczenia; Kanały wyników: jak wejście A; Wyrażenie: A||B||C.
Krok 13: Zastosowanie Usuń małe plamy z obrazem wejściowym: Wynik kroku 12 (Arytmetyka obrazu); Interpretacja: 3D; Rozmiar: 500 pikseli.
Krok 14: Zastosuj arytmetykę obrazową z wejściem A: Wynik kroku 13 (usunięcie małych plamek); Wejście B: Wynik kroku 6 (arytmetyka obrazu); Kanały wyników: jak wejście A; Wyrażenie: ! A*B.
Krok 15: Zastosowanie Usuń małe plamy z obrazem wejściowym: Wynik kroku 14 (Arytmetyka obrazu); Interpretacja: 3D; Rozmiar: 500 pikseli.
Krok 16: Zastosuj etykietowanie z obrazem wejściowym: Wynik kroku 15 (usunięcie małych plamek); Interpretacja: 3D; Sąsiedztwo: 26.
Krok 17: Zastosuj konwersję typu obrazu z danymi: Wynik kroku 1 (filtr mediany); Typ wyjścia: 16-bitowy bez znaku; Tryb normalizacji: Skalowanie; Skalowanie: skala 3, przesunięcie 2000.
Krok 18: Zastosuj zlewnię oparty na markerach wewnątrz maski z danymi: Wynik kroku 17 (konwersja typu obrazu); Markery: Rezultat kroku 16 (Oznaczanie); Maska binarna: Wynik kroku 6 (arytmetyka obrazu); Typ split: Niskiej intensywności.

Testowanie metodą segmentacji i ilościowość
Metoda segmentacji została przetestowana poprzez wygenerowanie przepisu, który łączył przewidywanie łączności DL z przepisem przetwarzania obrazu w zakresie intensywności od 2500 do 20000 jednostek Hounsfield. Generowanie przepisów umożliwiało przetwarzanie wsadowe (Apply a Recipe on a Batch of Files) oryginalnych zbiorów micro-CT (format pliku .am jako stos obrazów zapisany po imporcie początkowych plików .dcm do Amiry). Sprzęt komputerowy obejmował 16 rdzeni z procesora centralnego Intel Xeon Gold 5218 przy częstotliwości 2,30 GHz, 128 GB podwójnej szybkości transmisji danych czwartej generacji (DDR4) z kodem korekcji błędów (ECC), pamięć RAM o 2666 megatransferach (MT)/s oraz 24 GB wirtualnej jednostki graficznej (vGPU/VRAM) na 64-bitowym systemie operacyjnym z Windows 10 (wersja systemu operacyjnego: 19044.4780). Każdy zestaw danych o łapie tylnej (2 łapy tylnej) był podzielony na około 32,7 ± 8,42 min (średnia ± odchylenie standardowe) bez ingerencji użytkownika. Dla porównania, jest to stosowane w poprzednim modelu SA, gdzie czas segmentacji zależał od doświadczenia użytkownika, gdzie początkujący użytkownicy wynosiły 40,5 ± 9,06 min na zbiór danych, a doświadczeni 19,3 ± 5,34 min na zbiór danych (tylko zbiory WT, w tym korekta błędów segmentacji)12. Zarówno metody DL, jak i SA wykazują znaczące postępy w porównaniu do wcześniejszego standardowego standardu ręcznego konturowania segmentacji na poziomie 190,6 ± 30,4 min na zbiór danych przez doświadczonego użytkownika (wykonywane przy użyciu konwencjonalnej analizy Scanco)12. Zbiory danych o przedniej łapie (2 przednie łapy) zostały podzielone na około 53,4 ± 23,6 minut bez udziału użytkownika, gdzie wydłużony czas segmentacji można przypisać dodatkowym strukturom w oryginalnych zbiorach danych obrazujących (tj. kręgosłup i żebra), które nie występują w bardziej odległych tylnych łapach i wydłużają czas segmentacji w przypadku braku wcześniejszych kroków edycji objętości.

Ilościowa dokładność została przeprowadzona za pomocą inspekcji wzrokowej (HMK) w celu identyfikacji poprawnej segmentacji lub typu błędu na podstawie oczekiwanej anatomii kości (Tylna łapka:12,39; Przednia łapa:40). Dokładność była obliczana procentowo przez:

figure-protocol-1

Gdy prawdziwie pozytywne wyniki były poprawnie segmentowane kości, prawdziwe negatywy równały się 0 (nie ma okoliczności, w których kości powinny brakować, a tło nie było istotne do ilościowego określenia), fałszywie pozytywne były nadmiernie rozszczepione kości, a fałszywie negatywne to kości nadpołączone. Dokładność uznano za odpowiednią ilościową miarę ze względu na problem pojedynczej klasy (czyli identyfikację przestrzeni łączeń), a prawdziwe negatywy (tło) nie miały wpływu na dokładność obliczeń, co zmniejszało ryzyko przeszacowania wydajności. Metoda automatycznego segmentowania nie obejmuje nadawania nazw kościom; Nazwy kości są później ręcznie przypisywane do segmentowanych materiałów przez użytkownika.

Ocena tylnych łap biorących udział w tym badaniu potwierdziła stałe zespolenie w stopach kości nawikularnej i bocznej (NAVLAT) u myszy C57BL/641, a dodatkowo wykazała, że sąsiednie pośrednie pismo klinowe (INT) może być zmiennie zrośnięte ze strukturą NAVLAT (NAVLATINT)12,39. Podobne zmienne zespolenie zaobserwowano w okolicy nadgarstka przednich łap, gdzie kości trapezowe (ZOID; mniejsze wielokątne) i centralne (CENT) mogą występować jako pojedyncza zrośnięta struktura (CENTZOID) lub podzielone na pojedyncze kości, szczególnie w przednich łapach. Dodatkowe kości nadgarstka badane pod kątem dokładności segmentacji to między innymi czworokształt (ZIUM; większy wielokątny), głowaty (CAP), hamian (HAM), trójkątny (TRI; trójkątny), pisiformny (PIS), łódeczkowaty (nawigularny)/księżycowy (SCAFAT; zespolenie stałe) oraz falciformis (FALC). Śródręcze przedniej łapy (MET-F; 1-5), paliczki bliższe (PP-F; 1-5), paliczki dalsze (DP-F; 2-5) oraz sesamoidy (S-F; 1-10) są numerowane od bocznej do przyśrodkowej, w przeciwieństwie do tylnych (śródstopia (MET-H), PP-H, DP-H i S-H), które są numerowane od środka do boku12. Wraz z NAVLATINT oceniono dodatkowe kości stopia dla tylnych łap, jak opisanowcześniej 12,23, w tym kości pięcinowej (CALC), prostołudowej (CUB), przyśrodkowego klinowego (MED), skości piersiowej (TAL) oraz piszczelowej (TIB). Należy zauważyć, że ogólne kwantyfikacje dokładności kohorty różnią się nieznacznie przy porównaniu oceny średniej dokładności na zbiór danych z zmienną liczbą kości wynikających z anatomicznych zespoleń z dokładnością obliczaną na podstawie całkowitej liczby analizowanych kości.

Analiza statystyczna
Analiza statystyczna, w tym trój- lub dwukierunkowa analiza mieszanych efektów z efektami interakcji lub wielokrotne porównania Sidaka oraz dokładny test Fishera, została przeprowadzona zgodnie z potrzebą w GraphPad Prism (wersja 10.2.0; San Diego, CA, USA). Mężczyźni (2-8 miesięcy) i samice (2-5 miesięcy) byli analizowani oddzielnie, biorąc pod uwagę odrębne ramy czasowe oceny oparte na wczesnej śmiertelności kobiet TNF-Tg32. Wielkość próbek tylnych łap WT używanych do treningu/walidacji oraz testów metodologicznych są przedstawione w Tabeli Uzupełniającej 1, wraz z danymi dotyczącymi wielkości próby dla testowanych łap tylnych i przednich WT oraz TNF-Tg w Tabeli Uzupełniającej 2, Tabeli Uzupełniającej 3 oraz Tabeli Uzupełniającej 4. Ponieważ niektóre punkty czasowe testów WT na tylnej łapie obejmowały ocenę dokładności dla <3 tylnych łap, efekty interakcji zgłaszano bez wielokrotnych porównań po pojedynczym okresie w analizach obejmujących WT tylne łapy. Całe lub części tylnej łapy były pomijane z analizy, jeśli wystąpiły błędy obrazowe z niepełnym uchwycieniem łapy, znaczne artefakty ruchu uniemożliwiające odczytanie obrazów i/lub jeśli zwierzę zmarło przed zaplanowaną sesją obrazowania, ponieważ wszystkie dane były zbierane in vivo.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Wdrożenie zautomatyzowanej identyfikacji przestrzeni stawowej poprawia dokładność segmentacji kości
Biorąc pod uwagę heterogeniczność kształtu i architektury kości w złożonych strukturach, takich jak mysia łapa tylna, rozwijamy nasz systematyczny algorytm przetwarzania obrazów12 do DL training predictions (niebieski) wraz z krokami przetwarzania obrazów umożliwiających solidną identyfikację przestrzeni międzykościowych w zbiorach mikro-CT (Rysunek 1A-B; proces opisany poniżej i przedstawiony na Dodatkowym Rysunku 1). Identyfikacja przestrzeni między kośćmi umożliwiała precyzyjne rozdzielanie i segmentację poszczególnych kości tylnej łapy (oddzielne kolory; Rysunek 1C). W przypadku komponentu DL zbiory danych treningowych i walidacyjnych (WT) obejmowały równy wiek (2-6 miesięcy, n=8 tylnych łap na wiek) oraz płeć (n=20 tylnych łap na płeć). Pozostałe tylne łapy WT (n=44, w wieku 2-8 miesięcy, z wyłączeniem 6 miesięcy, ponieważ wszystkie służyły do treningu i walidacji) służyły jako zbiory danych testowych do ilościowego określenia dokładności segmentacji kości (rysunek 1D). W wieku 2 miesięcy odnotowano 2 samce tylnych łap WT i 2 samice tylnych łap WT w wieku 3 miesięcy, które zostały pominięte z powodu błędu obrazowego (Tabela Uzupełniająca 1).

Oprócz zastosowania w tylnych łapach WT, testowaliśmy także automatyczne podejście segmentacji na tylnych łapach myszy TNF-Tg (n=56 samców tylnych łap, n=48 samic tylnych łap) z spontanicznym zapalno-erozyjnym zapaleniem stawów. Było 4 żeńskie tylne łapy TNF-Tg w wieku 4 i 5 miesięcy, które zostały pominięte z powodu błędu obrazowego lub przedwczesnej śmierci przed punktem końcowym w wieku 5 miesięcy (Tabela Uzupełniająca 2). Nowatorski algorytm segmentacji automatycznie wykrywał przestrzenie stawowe (niebieskie, po lewej) dla indywidualnego rozdzielenia kości (kolory, po prawej) między płciami i genotypami (Rysunek 2A-D). Dla dokładności segmentacji poszczególnych kości pokazanych w Tabeli Uzupełniającej 5 i Tabeli Uzupełniającej 6, WT przewyższyło zbiory danych TNF-Tg zarówno dla mężczyzn (WT 98,4% wobec TNF-Tg 93,1%, s<0,0001), jak i żeńek (WT 98,7% wobec TNF-Tg 92,1%, s<0,0001). Źródło błędu zostało wizualnie wykazane jako niepełne zamknięcie przestrzeni stawowych (strzałki w białym, przerywanym ramce), co niezamierzenie przecięło dwie różne kości w jedną segmentację (Rysunek 2C-D). Te nadmiernie powiązane błędy wykazane w tylnych łapach TNF-Tg mogą być następcą przewlekłych uszkodzeń prowadzących do zespolenia stawów, gdzie przestrzeń między kośćmi już nie istnieje. W rzeczywistości różnica w dokładności między zbiorami danych WT i TNF-Tg staje się z czasem bardziej widoczna wraz ze wzrostem nasilenia artretyzmu (rysunek 2E-F), szczególnie w kościach stopia (rysunek 2G-H, żółty = zwiększona dokładność, zielony = zmniejszona dokładność), które zazwyczaj stanowią wiarygodne biomarkery postępu erozji kości23. Jednak w porównaniu z naszym wcześniejszym podejściem segmentacji SA, nastąpiła znacząca poprawa dokładności zbioru danych (Rysunek 2E-F; WT mężczyźni: SA 79,39% ± 5,73% kontra DL 98,16% ± 1,47%, s<0,0001; WT kobiety: SA 79,16% ± 4,84% wobec DL 99,19% ± 1,63%, s<0,0001), co świadczy o solidnym postępie metodologicznym zarówno w zakresie automatyczności, jak i niezawodności. W związku z tym nasz nowatorski strategiczny model segmentacji kości łapy tylnej, wykorzystujący identyfikację przestrzeni stawów ułatwioną przez DL, zapewnia znacząco zwiększoną dokładność segmentacji w zbiorach danych WT (>98%) w porównaniu z wcześniejszymi metodami SA (~79%), ale z nieco obniżoną wydajnością przy stosowaniu tylnych łap z zapalno-erozyjnym zapaleniem stawów (92%-93%).

Elastyczne zastosowanie metody segmentacji do przednich łap podkreśla wyraźne zniszczenie stawów i zespolenie kości u myszy TNF-Tg, co powoduje szybki spadek dokładności segmentacji
Dodatkowo rozszerzyliśmy zastosowanie nowej metody segmentacji na przednie łapy myszy (n=55 WT samców przednich, n=29 WT samic przednich, n=54 TNF-Tg samców oraz n=50 TNF-Tg samic przednich) z unikalnym rozmiarem kości i anatomią. Była 1 przednia łapa w wieku 4 miesięcy u samca WT, 1 przednia łapa w wieku 4 miesięcy i 2 przednie łapy w wieku 5 miesięcy u samicy WT, 2 przednie łapy w wieku 3 miesięcy u samca TNF-Tg oraz 2 przednie łapy w wieku 4 miesięcy i 4 przednie łapy w wieku 5 miesięcy u samicy TNF-Tg, które zostały pominięte z powodu błędu obrazowego lub przedwczesnej śmierci przed osiągnięciem punktu końcowego. Dodatkowo u samicy WT wystąpił częściowy błąd obrazowy u 1 przedniej łapy w wieku 3 miesięcy, z pominięciem DP-F3, PP-F3, DP-F4 i PP-F4 (Tabela Uzupełniająca 3 i Tabela Uzupełniająca 4). Dla orientacji przedstawiamy model WT przedniej łapy, w którym każda pojedyncza kość jest oddzielona kolorem i nomenklaturą specyficzną dla kości z różnych punktów widzenia (Rysunek 3). Wcześniejsze badania u myszy TNF-Tg koncentrowały się głównie na tylnej łapie, a tutaj demonstrujemy architekturę myszich przednich łap zarówno u myszy WT, jak i TNF-Tg. Szczególnie podkreślamy mięśnie nadgarstkowe (żółte przerywane koło) i sesamoidy (niebieskie przerywane koło), które wykazują wizualnie głęboką chorobę erozyjną, zwłaszcza u samic TNF-Tg (rysunek 4A-D). W związku z tym porównanie dokładności segmentacji łapy tylnej i przedniej wykazało wyraźny spadek liczby łap przednich (efekt typu łapy p<0,0001), głównie spowodowany gwałtownym spadkiem integralności kości wraz ze wzrostem wieku i nasileniem choroby w zbiorach danych TNF-Tg (Rysunek 4E-F; efekt genotypu łapy x p=0,0083; łapy przednie u mężczyzn: WT 87,29% ± 2,07% w porównaniu do TNF-Tg 72,65% ± 11,70%, s<0.0001). Podobnie jak w przypadku tylnych łap, spadek dokładności segmentacji TNF-Tg wraz z wiekiem i nasileniem choroby jest bardziej widoczny w mięśniach nadgarstka, podobnie jak w sesamoidach (Rysunek 4G-H, Tabela Uzupełniająca 7 oraz Tabela Uzupełniająca 8). Ta regionalna patologia kości może być napędzana przez zwiększoną aktywność erozyjną w sąsiednim stawie MET-F i PP-F (staw śródkarpalangowy). Ocena typu błędu wykazała, że przednie łapy TNF-Tg wykazują większy odsetek całkowicie erodowanych kości niż tylne (Rysunek uzupełniający 2, czerwony jako brak). Choć z pewnością reprezentuje postępujące nasilenie artrityki, brak kości w przednich łapach TNF-Tg może również wskazywać na ograniczenie rozdzielczości obrazu. Poważne erozje przednich łap TNF-Tg są dodatkowo potwierdzone przez reprezentatywne obrazy na przestrzeni czasu, które podkreślają obszar nadgarstka (białe strzałki) oraz stopniowe całkowite zwichnięcie łapy od przedramienia (żółte strzałki), najbardziej widoczne u samic TNF-Tg (Ilustracja uzupełniająca 3). W związku z tym elastyczne zastosowanie zautomatyzowanej metody segmentacji kości do unikalnych struktur przedniej łapy wykazało niezwykłą wydajność w zbiorach danych WT (~87%) z podobnym spadkiem dokładności u przednich łap TNF-Tg z zapalno-erozyjnym zapaleniem stawów (67%-72%).

Dostępność danych:
Jak opisano w sekcji mikro-CT z kolekcją obrazów, dane o tylnej łapie były wcześniej opublikowanew 12, 23, 35 i są publicznie dostępne pod https://doi.org/10.5281/zenodo.1119178228. Dane do ilościowej dokładności w metodzie segmentacji SA dla zbiorów WT12 i TNF-Tg23 zostały wykorzystane do bezpośredniego porównania z nowatorskim modelem DL opisanym tutaj. Żadne konkretne dane z dodatkowego wcześniejszego badania nie zostały wykorzystanew 35 przypadkach, ale wykorzystano także te same zbiory danych o tylnej łapie, które są publicznie dostępnew 28. Poniżej przedstawiono dodatkowe szczegóły dotyczące licencjonowania i ponownego wykorzystania danych. Na potrzeby opisanego badania odpowiadające dane o przednich łapach zostały również udostępnione publicznie w repozytorium Zenodo (https://doi.org/10.5281/zenodo.14865639)29.

Dane dokładności dla zestawów12 metodą segmentacji SA WT zostały przetworzone na Rysunku 2. Ponowne wykorzystanie tego materiału jest chronione licencją Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License https://creativecommons.org/licenses/by-nc-nd/4.0/legalcode. Jako autorzy cytowanego dzieła zachowujemy prawo do przygotowywania innych dzieł pochodnych na podstawie praw autorskich od Elsevier https://beta.elsevier.com/about/policies-and-standards/copyright. Dane zostały ponownie zilustrowane w celu porównania z dokładnością w czasie z odpowiednikami TNF-Tg oraz bezpośrednio porównane z nowatorską metodą DL opisaną tutaj.

Dane dokładności dla metod segmentacji SA w zbiorach23 WT i TNF-Tg zostały wykorzystane na Rysunku 2, a zbiory WT i TNF-Tg na tylnej łapie zostały dodatkowo ocenione dla pomiarów objętościowychwcześniej 23. Ponowne wykorzystanie materiałów jest chronione licencją Creative Commons Attribution License (https://creativecommons.org/licenses/by/4.0/), która pozwala na nieograniczone użycie, dystrybucję i powielanie w dowolnym medium, pod warunkiem podania autora i źródła oryginalnego autora. Dane zostały ponownie zrewizualizowane w celu oceny dokładności w czasie i bezpośrednio porównane z nowatorską metodą DL opisaną tutaj.

Te same publicznie dostępne zbiory danych WT i TNF-Tg tylnej łapy28 były dodatkowo wykorzystywane do pomiarów objętości kości, wcześniej do nowatorskich porównań z kohortami biegających na kołach35. Ponowne wykorzystanie materiału jest chronione przez międzynarodową licencję Creative Commons Attribution 4.0 (https://creativecommons.org/licenses/by/4.0/), która pozwala na użycie, udostępnianie, adaptację, dystrybucję i reprodukcję w dowolnym medium lub formacie, pod warunkiem podania odpowiedniego autorstwa oryginalnego autora (autorów) i źródła, udostępnienia linku do licencji Creative Commons oraz wskazania, czy wprowadzono zmiany. Te same publicznie dostępne zbiory danych (28 ) zostały wykorzystane w obecnych pracach, ale bez konkretnego wykorzystania lub modyfikacji wcześniej opublikowanych punktów danych.

figure-results-1
Rysunek 1: Automatyczne wykrywanie przestrzeni stawowej poprzez strategiczne przetwarzanie obrazów i głębokie uczenie przewidywania segmentacji kości. Zbiory mikro-CT myszy z wizualizacją z (A) powierzchni grzbietowej (górnej) i podeszwowej (dolnej) zostały przetworzone w celu (B) późniejszej automatycznej identyfikacji przestrzeni stawowych (niebieskiej) za pomocą modelu DL (opisanego na Rysunku Uzupełniającym 1) opracowanego na podstawie segmentacji kości standardowego12,23. (C) Ostateczne, pomyślne rozdzielenie kości (kolory specyficzne dla kości) zostało osiągnięte dzięki dodatkowej kombinacji etapów przetwarzania obrazów, w tym czarnemu cylindrowi12, wzmocnieniu struktury37 oraz wzmocnieniu błony z głosowaniem tensorowym38 dla solidnej identyfikacji przestrzeni stawowej do oznaczania poszczególnych kości. (D) Trening i walidacja (n=40 tylnych łap) komponentu DL przeprowadzono z tylnymi łapami myszymi WT o tym samym wieku (od 2 do 6 miesięcy, n=8 tylnych łap w każdym punkcie czasu) i rozkładzie płciowym (n=20 tylnych łap męskich/żeńskich), przy czym do walidacji użyto losowo 25% podobjętości (3 podobjętości na tylną łapę, łącznie 120 podtomów). Pozostałe tylne łapy WT (n=44) zostały ocenione jako przypadki testowe do dalszej analizy. Połączenie modelu DL i algorytmów przetwarzania obrazu oceniono na podstawie wcześniej opublikowanych i publicznie dostępnych zbiorów danych23,28. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

figure-results-2
Rysunek 2: Implementacja automatycznej identyfikacji przestrzeni stawowej z ułatwieniem głębokiego uczenia poprawia dokładność segmentacji kości. (A-B) Po opracowaniu zautomatyzowanej detekcji przestrzeni stawowej zastosowaliśmy model DL (po lewej: niebieskie przestrzenie stawów; po prawej: kolory segmentacji specyficzne dla kości) do pozostałych przypadków testowych dla samców i kobiet WT. (C-D) Oceniliśmy również wyniki u kohort dopasowanych według wieku (mężczyźni: 2-8 miesięcy; kobiety: 2-5 miesięcy) myszy TNF-Tg z postępującym zapalno-erozyjnym zapaleniem stawów związanym z wczesną śmiertelnością u kobiet w wieku32 lat. Obrazy wstawione pokazują błędy segmentacji przy dużym powiększeniu (przerywane ramki), gdzie rozłączenia w przewidywanych przestrzeniach stawów (białe strzałki) prowadzą do przecieku w rozdzielaniu kości, co skutkuje błędami segmentacji kości nadmiernie połączonymi. (E-F) Należy zauważyć, że 6-miesięczny punkt czasu dla mężczyzn został pominięty, ponieważ wszystkie zbiory danych WT były wykorzystywane do treningu i walidacji, więc nie zostały uwzględnione w kohorcie testowej DL. W porównaniu z naszymi poprzednimi algorytmami segmentacji SA12,23, dokładność segmentacji (prawidłowo segmentowane kości / całkowitość kości) została znacząco poprawiona zarówno dla zbiorów danych WT, jak i TNF-Tg przy użyciu podejścia DL, niezależnie od płci (linie średniej dokładności: jednolita czerń = DL WT, przerywana = DL TNF-Tg, pełna szara = SA WT, przerywana szara = SA TNF-Tg). Jednak dokładność segmentacji TNF-Tg znacznie spadała z czasem i wraz z postępującymi uszkodzeniami stawów w porównaniu do WT, choć nadal przewyższała metodę SA. (G-H) Mapy cieplne o dokładności określonych dla przedziałów kostnych (T = stopy, MT = śródstopia, PP = paliczki bliższe, DP = paliczki dystalne, S = sesamoi) wykazują wzrost wskaźnika błędów u myszy TNF-Tg, głównie zlokalizowanych w okolicy stopia (jasny (żółty) = wysoki (100%), ciemny (fioletowy) = niski (20%) dokładność). Jak wspomniano, obrazy włożone (C-D) podkreślają źródło błędu z niespójnymi przestrzeniami stawów (strzałki, obraz po lewej), prowadzącymi do nadmiernie połączonych kości (kolory, obraz po prawej). W rzeczywistości błędy były głównie nadmiernie powiązane (2+ kości segmentowane jako 1 materiał; odnotowane na Rysunku Uzupełniającym 2), co może odzwierciedlać patologiczny proces zespoleń stawów o rosnącym nasileniu artrety. Statystyka: trójstronna analiza mieszanych efektów (SA vs DL; metoda x genotyp x czas; E-F), dwukierunkowa analiza mieszanych efektów (WT vs TNF; genotyp x czas; E-H); p<0.0001, **p<0.01, *p<0.05 (efekty interakcji); dane przedstawione jako średnia ± odchylenie standardowe. Wielkość próby: n=34 tylne łapy samce (n=2 w wieku 2 miesięcy, n=4 w wieku 3 miesięcy, n=6 w wieku 4-5 miesięcy, n=0 w wieku 6 miesięcy [wszystkie dane do testowania], n=8 w wieku 7-8 miesięcy), n=10 łap tylnych WT samic (n=4 w wieku 2 miesięcy, n=2 w wieku 3-5 miesięcy), n=56 łap tylnych TNF-Tg samca (n=8 w wieku 2-8 miesięcy), oraz n=48 tylnych łap TNF-Tg u samic (n=14 w wieku 2-3 miesięcy i n=10 w wieku 4-5 miesięcy). Dane użyte na tym wykresie zostały zmodyfikowane względem wcześniejszych badań12,23. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

figure-results-3
Rysunek 3: Elastyczne zastosowanie segmentacji głębokiego uczenia w przestrzeni stawów do innych złożonych struktur podkreśla anatomię kości przedniej łapy myszy. Następnie oceniliśmy potencjał modelu segmentacji przestrzeni stawów DL do automatycznego rozdzielania kości w dodatkowych złożonych strukturach poza tylną łapą. Metoda segmentacji została zaimplementowana w odpowiadających im zbiorach mikro-CT przedniej łapy wizualizowanej z powierzchni (A) grzbietowej, (B) podeszowej, (C) bocznej i (D) przyśrodkowej, z kolorami reprezentującymi pojedyncze kości segmentowane. Zidentyfikowaliśmy potencjał do dokładnej segmentacji kości przedniej łapy, w tym wyraźnych kości nadgarstka, kości śródręcznej (#, MET-F), paliczków bliższych (^, PP-F), paliczków dystalnych (~, DP-F), sesamoidów (przerywane kółka, S-F) oraz pazurów (*) z charakterystycznym oznaczeniem kościowym odpowiadającym znanej anatomii przedniej łapy40. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

figure-results-4
Rysunek 4: Myszy TNF-Tg wykazują wyraźne zniszczenie stawów przednich łapy i zespolenia kości z gwałtownym spadkiem dokładności segmentacji. (A-B) Biorąc pod uwagę złożoność i niewielką architekturę przednich łap myszy, podkreśloną przez wizualizację mikro-CT mikro-CT z samców i samic myszy WT, (C-D) anatomia i powiązane zapalenie stawów u myszy TNF-Tg nie były wcześniej oceniane. Zastosowanie naszego nowatorskiego podejścia do przestrzeni stawów (DL) dało początkową okazję do oceny tych złożonych struktur poprzez zmniejszenie wyzwań analitycznych z osiągnięciem >85% dokładności przednich łap WT, choć z niedostatkową dokładnością w porównaniu do tylnych (linie średniej dokładności: jednolity niebieski = WT tylna łapa, przerywany niebieski = TNF-Tg tylna łapa, jednolity czerwony = WT przednia łapa, przerywany czerwony = TNF-Tg przednia łapa). (E-F) Ponadto przednie łapy TNF-Tg wykazywały szybki i dramatyczny spadek dokładności segmentacji z powodu błędów lokalizowanych na nadgarstkach (żółte kółka w kształcie A-D) i sesamoidach (niebieskie kółka w A-D) z czasem. (G-H) Zmniejszone regionalne spadki dokładności segmentacji wykazują mapy cieplne (jasne (żółte) = wysokie (100%), ciemne (fioletowe) = niskie (20%) dokładność) przedziałów kostnych (C = nadgarstka, MC = śródnarok, PP = paliczki bliższe, DP = paliczki dystalne, S = sesamoisty). Należy zauważyć, że 6-miesięczny punkt czasu mężczyzn został pominięty w (E), ponieważ wszystkie zbiory danych WT tylnej łapy były wykorzystywane do treningu i walidacji, więc nie zostały uwzględnione w kohorcie testowej DL. Statystyki: analiza trójstronnych mieszanych efektów (tylna vs przednia, WT vs TNF; typ łapy x genotyp x czas, zgłaszane efekty interakcji; E-F), dwukierunkowa analiza efektów mieszanych z wieloma porównaniami Sidaka (WT vs TNF; genotyp x czas; G-H); s<0.0001, **p<0.01, *p<0.05; dane przedstawione jako średnia ± odchylenie standardowe. Rozmiary próby: n=55 samców WT przednich łap (n=8 w wieku 2-3 i 5-8 miesięcy, n=7 w wieku 4 miesięcy), n=29 samic WT (n=8 w wieku 2-3 miesięcy, n=7 w 4 miesiącach, n=6 w 5 miesiącach), n=54 przednie łapy TNF-Tg samca (n=8 w 2- i 4-8 miesiącach, n=6 w 3 miesiącach), oraz n=50 przednich łap (n=14 w wieku 2-3 miesięcy, n=12 w wieku 4 miesięcy i n=10 w wieku 5 miesięcy). Dane z tylnej łapy DL (E-F) zostały odtworzone z Rysunku 2E-F dla dodatkowego porównania z danymi z przednią łapą DL. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

Rysunek uzupełniający 1: Rozwój i trenowanie modelu głębokiego uczenia wykrywania wspólnego. (A) Obszary stawów z podstawowej rzeczywistości zostały uzyskane z początkowych segmentacji kości rzeczywistości podstawowej za pomocą automatycznego przepisu z użyciem Amiry, który łączy rozszerzanie etykiet, ekstrakcję interfejsów etykiet, maskowanie i dylatację. (B) Dla każdego z 20 treningowych zbiorów danych mikro-CT (40 tylnych łap) ręcznie wyodrębniono 6 podobjętości 200 x 200 wokseli z stopów, dalszych paliczków i obszarów tła, równomiernie podzielonych między lewą i prawą łapę (3 plamy na tylną łapę). Uzyskane 120 podtomów zostało następnie wykorzystanych jako dane wejściowe dla modułu treningowego segmentacji 3D Amira wraz z odpowiadającymi im oznaczonymi obszarami łącznymi jako celem rzeczywistości. Do walidacji użyto losowego podzbioru 25% łatek w celu kontroli nadpasowania modelu podczas treningu. Proszę kliknąć tutaj, aby pobrać ten plik.

Rysunek uzupełniający 2: Wyraźny rozkład typów błędów między tylnymi a przednimi łapami. Podobnie jak wcześniej opracowany algorytm segmentacji SA12,23, model przestrzeni stawowej DL generował największy odsetek błędów poprzez nadmierne łączenie kości (zielonych, 2+ kości segmentowanych jako 1 materiał), najbardziej widoczne w tylnych łapach (A-D) lub przednich łapach (E-F) WT. Jak zauważono na Rysunku 2, błędy nadmiernie połączone występują, jeśli w wykrytej przestrzeni stawowej występuje luka, która może wystąpić z różnych powodów, w tym z powodu większej bliskości kości niż rozdzielczości obrazu, artefaktu ruchu rozmywającego przestrzeń stawu lub remodelacji kości w kontekście artretyzmu, prowadzącej do zespolenia stawów. (G-H) Co ciekawe, przednie łapy TNF-Tg wykazują zaskakująco zwiększony odsetek brakujących kości (czerwonych), co oznacza, że kość była całkowicie nieobecna podczas segmentacji. Błędy te prawdopodobnie przypisuje się połączeniu poważnych erozji i niedoborów rozdzielczości obrazu, biorąc pod uwagę stosunkowo zmniejszony rozmiar kości przedniej łapy, zwłaszcza nadgarstka i sesamoi, jako główne źródło błędów (Rysunek 4), w porównaniu do błędów tylnych łap. Dodatkowe typy błędów to nadmierne rozszczepienie (niebieski, 1 kość podzielona na 2+ materiały) lub zarówno nadmierne połączenie, jak i nadmierne rozszczepienie (pomarańczowy). Wykresy kołowe przedstawiają proporcje całkowitych błędów przypisywanych konkretnym podtypom błędów. Proszę kliknąć tutaj, aby pobrać ten plik.

Rysunek uzupełniający 3: Ocena postępującego zapalenia stawów przedniej łapy TNF-Tg z poważnymi erozjami kości i zwichnięciami stawów. Aby zobrazować zmiany strukturalne w przednich łapach w czasie, udostępniliśmy reprezentatywne obrazy powierzchni grzbietowej od (A) samca WT, (B) samca TNF-Tg, (C) samice WT oraz (D) samic TNF-Tg w okresie od 2 do 5 miesięcy (od lewej do prawej), aby szczególnie podkreślić okolicę nadgarstka (białe strzałki). Zwróć uwagę na poważne erozje i przebudowy kości, które występują około 4 miesiąca u kobiet i 5 miesięcy u mężczyzn. Okresy te poprzedzają typowe wystąpienie ciężkich erozji kości w tylnych łapach około 5 miesięcy u kobiet oraz 7-8 miesięcy u mężczyzn w wieku23 lat. (E) Widok z boku samic przednich łap TNF-Tg również pokazuje stopniowe zwichnięcia całej łapy od przedramienia (żółte strzałki) związane z uszkodzeniem stawu. Proszę kliknąć tutaj, aby pobrać ten plik.

Tabela uzupełniająca 1: Wielkości prób tylnych łap WT do treningu, walidacji i testów metodologicznych DL. Wielkość próby w liczbie tylnych łap jest podawana według wieku (miesiące 2-8) i uporządkowana według zbiorów danych używanych do treningu/walidacji DL, całkowitych testów metodologicznych lub pominiętych z powodu błędu obrazowego, poważnego artefaktu ruchu lub śmierci przed planowanym mikro-tomograficznym. Czarne krwinki z 6-8 miesięcy u kobiet wskazują na planowane zakończenie badań po 5 miesiącach z powodu wczesnej śmiertelności eksperymentalnych odpowiedników TNF-Tg. Proszę kliknąć tutaj, aby pobrać ten plik.

Tabela uzupełniająca 2: Wielkości prób tylnych łap TNF-Tg do testów metodologicznych. Wielkość próby w liczbie tylnych łap jest podawana według wieku (miesiące 2-8) i uporządkowana według zbiorów danych używanych do całkowitych badań metodologicznych lub tych pominiętych z powodu błędu obrazowego, poważnego artefaktu ruchu i/lub śmierci przed planowanym mikro-tomografią. Czarne krwinki z 6-8 miesięcy u kobiet wskazują na planowane zakończenie badań po 5 miesiącach z powodu wczesnej śmiertelności samic myszy TNF-Tg. Proszę kliknąć tutaj, aby pobrać ten plik.

Tabela uzupełniająca 3: Wielkości próbek przednich łap WT do testów metodologicznych. Wielkość próbek w liczbie przednich łap jest podawana według wieku (miesiące 2-8) i uporządkowana według zbiorów danych używanych do całkowitych badań metodologicznych lub pominiętych z powodu błędu obrazowego, poważnych artefaktów ruchu i/lub śmierci przed planowanym mikro-tomografią. Czarne krwinki z 6-8 miesięcy u kobiet wskazują na planowane zakończenie badań po 5 miesiącach z powodu wczesnej śmiertelności eksperymentalnych odpowiedników TNF-Tg. *W wieku 3 miesięcy u samic WT n=1 przednia łapa nie miała DP-F3, PP-F3, DP-F4 i PP-F4 z powodu błędu obrazowania, choć oceniono pozostałą część przedniej łapy. Proszę kliknąć tutaj, aby pobrać ten plik.

Tabela uzupełniająca 4: Wielkości próbek przednich łap TNF-Tg do testów metodologicznych. Wielkość próbek w liczbie przednich łap jest podawana według wieku (miesiące 2-8) i uporządkowana według zbiorów danych używanych do całkowitych badań metodologicznych lub pominiętych z powodu błędu obrazowego, poważnych artefaktów ruchu i/lub śmierci przed planowanym mikro-tomografią. Czarne krwinki z 6-8 miesięcy u kobiet wskazują na planowane zakończenie badań po 5 miesiącach z powodu wczesnej śmiertelności samic myszy TNF-Tg. Proszę kliknąć tutaj, aby pobrać ten plik.

Tabela uzupełniająca 5: Indywidualna dokładność kości samców tylnych łap. Aby zidentyfikować konkretne kości, które zmniejszają dokładność segmentacji w tylnych łapach TNF-Tg w porównaniu do WT, podano szczegóły dotyczące liczby kości segmentowanych poprawnie, nieprawidłowo oraz procentowego poprawności względem całkowitej liczby kości ocenianych u samców myszy. W obrębie regionu stopia, gdzie występują pierwotne deficyty (Rysunek 2), kości piętowe (CALC), pośrednie pismo klinowe (niezespolone, INT) oraz nawigularne/boczne klinowe (niezespolone) wykazały najbardziej wyraźny spadek dokładności dla tylnych łap TNF-Tg. Statystyki: Dokładny test Fishera; *p<0.05, **p<0.01, ***p<0.001, ****p<0.0001. Proszę kliknąć tutaj, aby pobrać ten plik.

Tabela uzupełniająca 6: Indywidualna dokładność kości samic tylnych łap. Aby zidentyfikować konkretne kości, które obniżają dokładność segmentacji w tylnej łapie TNF-Tg w porównaniu do WT, podaje się szczegóły dotyczące liczby kości segmentowanych poprawnie, nieprawidłowo oraz procentowej poprawności względem całkowitej liczby kości ocenionych u samic myszy. Biorąc pod uwagę wykorzystanie zbiorów danych do treningu i walidacji DL, a także skrócony czas do 5 miesięcy w porównaniu z myszami TNF-Tg, które wykazują wczesną śmiertelność32, całkowita liczba przydzielonych tylnych łap testujących DL dla samic WT ogranicza zdolność do porównań poszczególnych kości w celu wyjaśnienia ogólnej obniżonej dokładności w zbiorach danych TNF-Tg. Statystyki: Dokładny test Fishera; s<0.0001. Proszę kliknąć tutaj, aby pobrać ten plik.

Tabela uzupełniająca 7: Indywidualna dokładność kości u samców przednich łap. Aby zidentyfikować konkretne kości, które obniżają dokładność segmentacji w przednich łapach TNF-Tg vs WT, podaje się szczegóły dotyczące liczby kości segmentowanych poprawnie, nieprawidłowo oraz procentowego poprawności względem całkowitej liczby kości ocenianych u samców myszy. W obszarach nadgarstka i sesamoidalnych, gdzie występują pierwotne deficyty (Rysunek 4), głowa (CAP), trójkąt (TRI), centralny (niezespolony, CENT), łódeczkowaty/księżycowy (SCAPHATE), trapezoidalny (ZOID) oraz sesamoidy 2-10 wykazały najbardziej wyraźny spadek dokładności dla przednich łap TNF-Tg. Warto zauważyć, że dokładność sesamoidów 1 i 2 jest niewystarczająca zarówno dla zbiorów danych WT, jak i TNF-Tg. Co ciekawe, śródręcz 1 wykazał poprawę dokładności segmentacji u myszy TNF-Tg, prawdopodobnie dzięki bliskim artykulacjom z sąsiednimi kośćmi, co prowadziło do błędów nadmiernie powiązanych, które są łagodzone przez erozję artretyczną. Statystyki: Dokładny test Fishera; *p<0.05, **p<0.01, ***p<0.001, ****p<0.0001. Proszę kliknąć tutaj, aby pobrać ten plik.

Tabela uzupełniająca 8: Indywidualna dokładność kości samic w przednich łapach. Aby zidentyfikować konkretne kości, które obniżają dokładność segmentacji w przednich łapach TNF-Tg i WT, podaje się szczegóły dotyczące liczby kości segmentowanych poprawnie, nieprawidłowo oraz procentowego poprawności względem całkowitej liczby kości ocenianych u samic myszy. W obszarach nadgarstka i sesamoi, gdzie występują główne deficyty (Rysunek 4), głowa (CAP), hamian (HAM), triquetrum (TRI) oraz sesamoidy 1-10 wykazały najbardziej wyraźny spadek dokładności dla przednich łap TNF-Tg. Warto zauważyć, że dokładność sesamoidów 1 i 2 jest niewystarczająca zarówno dla zbiorów danych WT, jak i TNF-Tg. Statystyki: Dokładny test Fishera; *p<0.05, ***p<0.001, ****p<0.0001. Proszę kliknąć tutaj, aby pobrać ten plik.

Plik uzupełniający 1: Przepis na segmentację wspólną do treningu modelu deep learning. Seria wbudowanych kroków do wydobycia segmentowanych przestrzeni stawów z złotego standardu, presegmentowanych mikro-CT tylnych łap, które służyły do trenowania modelu DL do identyfikacji przestrzeni stawów. Proszę kliknąć tutaj, aby pobrać ten plik.

Plik uzupełniający 2: Przepis na segmentację kości z wykorzystaniem przetwarzania obrazu z ułatwieniem głębokiego uczenia. Seria osadzonych kroków do transformacji oryginalnych danych mikro-CT w segmentacje poszczególnych kości przy użyciu kroków przetwarzania obrazów, połączonych z wynikiem identyfikacji przestrzeni stawów DL w celu prowadzenia rozdzielania kości. Proszę kliknąć tutaj, aby pobrać ten plik.

Plik uzupełniający 3: Wagi predykcyjne w głębokim uczeniu. Plik używany jako wejście do wag podczas głębokiego uczenia przewidywania segmentacji przestrzeni łącznej. Proszę kliknąć tutaj, aby pobrać ten plik.

Plik uzupełniający 4: Architektura predykcji głębokiego uczenia. Plik używany jako wejście do architektury podczas przewidywania segmentacji przestrzeni joint learning przez głębokie uczenie. Proszę kliknąć tutaj, aby pobrać ten plik.

Plik uzupełniający 5: Skrypt Pythona do głębokiego uczenia. Plik używany jako skrypt w Pythonie do głębokiego uczenia przewidywania segmentacji przestrzeni wspólnej. Proszę kliknąć tutaj, aby pobrać ten plik.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Do końca w pełni zautomatyzowanych analiz objętości kości u myszy wprowadziliśmy dalsze ulepszenia w segmentacji danych mikro-CT w złożonych strukturach, szczególnie w tylnych łapach myszych. Strategia polegała na ukierunkowaniu na przestrzenie stawów artykulujących w celu stworzenia granic rozdzielania kości, gdzie skupienie się na ujemnej przestrzeni między kośćmi umożliwiało elastyczne zastosowanie w alternatywnych strukturach, takich jak przednia łapa, ponieważ podejście to nie było specyficzne dla kształtu i anatomii charakterystycznych kości tylnej łapy. Chociaż dokładność segmentacji spadła przy wykonywaniu na przednich łapach, zbiory danych WT nadal wykazywały dokładność kości na poziomie >85%. Dobrze opisane procesy korekcyjne12 można zastosować do tworzenia wcześniej anotowanych zestawów danych modelu przedniej łapy do treningu DL, co znacząco obniża bariery w tworzeniu algorytmów specyficznych dla struktury. To nowatorskie podejście pozwoliło również na zastosowanie u łap TNF-Tg z ciężkim i postępującym zapalno-erozyjnym zapaleniem stawów. W łapach TNF-Tg spadek dokładności segmentacji był uderzający w czasie, co odpowiadało stopniowemu wzrostowi erozji kości oraz ostatecznym patologicznym zespoleniom kości-kości wynikającym z przemodelowania erodowanych powierzchni wraz ze wzrostem wieku. Dlatego niezwykle skuteczne zastosowanie zautomatyzowanego i bardzo dokładnego modelu segmentacji w strukturach WT ma potencjał do przyszłych zastosowań w modelach chorób lub innych złożonych stawach. Dalsze badania skupią się na optymalizacji segmentacji stawów artretycznych, która może ilościowo określić patologiczne skutki erozji i zespoleń kości w celu identyfikacji biomarkerów chorób, jak opisano wcześniejw 23.

Pomimo skutecznego wykorzystania mikro-CT do monitorowania erozji małych kości w przedklinicznych modelach artretyzmu 12,23,25,35,42, stosowanie metod CT w ocenie klinicznej było ograniczone. W szczególności w przypadku reumatoidalnego zapalenia stawów systemy punktacji są stosowane głównie dla MRI43, USG44,45 i/lub konwencjonalnego zdjęciarentgenowskiego 46, aby generować półilościowe i zależne od użytkownika miary nasilenia choroby, często w połączeniu z metrykamiklinicznymi 47. Ponieważ tomografia komputerowa jest uznawana za złoty standard referencyjny do oceny integralności kości48,49, dalsza optymalizacja klinicznie przekładalnych metod analitycznych obiecuje ogromne korzyści w wiarygodnej i podłużnej ilościowej ocenie objętości kości, zarówno w celu oceny nasilenia choroby, jak i oceny odpowiedzi na leczenie. Chociaż metody obrazowania, takie jak MRI, dostarczają szerszego zakresu informacji, w tym obszarów zapalnych, zmian szpiku kostnego oraz patologii tkanek miękkich, nowe metody obrazowania tomograficznego z wieloenergetycznymi wkładami50 dają nadzieję na rozszerzenie wykorzystania tomografii komputerowej poza architekturę kości. Pomimo tych proponowanych korzyści, zdajemy sobie również z ogromnych wyzwań związanych z tłumaczeniem klinicznym wynikającymi z opracowanych przedklinicznych narzędzi analitycznych, biorąc pod uwagę zastosowanie do niskorozdzielczych obrazów komputerowych oraz zastosowanie w odrębnej anatomii ludzkiej. Podobnie jak w naszej niedawnej identyfikacji biomarkerów specyficznych dla kości w przedklinicznych modelach artretyzmu23, szczegółowe badania kliniczne badające czysto ilościowe metryki erozji kości byłyby znaczącym postępem w monitorowaniu chorób.

Chociaż nasze obecne prace stanowią podstawę do wdrożenia klinicznego, biorąc pod uwagę potencjał elastycznego zastosowania do nowych struktur poprzez celowanie w przestrzenie stawowe, głównym ograniczeniem jest poleganie na dobrze udokumentowanym oprogramowaniu przedklinicznym, badawczym w Amirze, które nie jest przeznaczone do diagnostyki klinicznej. Jednak podstawowe algorytmy i strategiczne projektowanie mogą być łatwo wdrażane w alternatywnych środowiskach programowych dzięki szczegółowej metodologii. Niezależnie od używanego oprogramowania badawczego, włączenie do zastosowań klinicznych (a nie do badań) wymaga wysiłków translacyjnych spełniających wymogi regulacyjne dotyczące wprowadzenia do praktyki klinicznej. Dla zastosowania nowej strategii segmentacji ważne jest również uwzględnienie potencjalnych ograniczeń w rozdzielczości różnicowej rozdzielczości obrazu, gdzie wcześniej opisaliśmy, że rozdzielczość obrazu (tj. woksel/rozmiar struktury) jest kluczowym czynnikiem determinującym dokładność segmentacji, stosując wyłącznie algorytmy przetwarzania obrazu12. W rzeczywistości może to być związane z niewielkim spadkiem dokładności segmentacji przednich łap, gdzie zmniejszenie rozmiaru struktur przednich z natury powodowałoby stosunkowo niższą jakość obrazu w porównaniu do tylnych łap. Ważne jest również uznanie rozbieżności w przedziale wiekowym zestawów danych treningowych (2-6 miesięcy) i testowania (w tym 7-8 miesięcy), które mogą wpływać na zastosowanie i dokładność w zależności od zmian związanych z wiekiem, w tym kontynuacji wzrostu kości lub dalszego wystąpienia patologii stawów. Nasze wyniki potwierdzają utrzymaną dokładność dla tylnych łap WT w analizie DL powyżej 6 miesiąca życia (Rysunek 2E), co sugeruje, że spadek wydajności segmentacji u odpowiedników TNF-Tg jest prawdopodobnie bardziej związany z progresją zapalno-erozyjną, niezależnie od samego wieku. Jednak potrzebne są dalsze badania na starszych i starszych myszach typu dzikiego, aby zapewnić spójną dokładność niezależnie od konkretnego przedziału wieku kohorty treningowej DL. Wreszcie, rozszerzenie opisanych metod poza podejście do rozdzielania kości z jedną klasą na bardziej solidne narzędzie analityczne wieloklasowe, które obejmuje przewidywane nazwy kości oparte na architekturze strukturalnej lub położeniu współrzędnych w anatomii stałej (czyli podobne do drzewa atlasowego), z pewnością przyniesie istotne ulepszenia i prawdopodobnie zwiększy wdrażanie metod.

Podsumowując, opracowaliśmy nowatorską strategię segmentacji mikro-CT wspieraną przez przetwarzanie obrazów i DL, aby izolować pojedyncze kości w złożonych strukturach. Ta innowacja pokazuje znaczącą poprawę zarówno w automatyzacji, jak i dokładności segmentacji w porównaniu do naszego niedawno utworzonego workflowSA 12, który stał się podstawą do produkcji licznych segmentacji na poziomie złotego standardu do trenowania modeli DL i optymalizacji obecnych ulepszeń. Chociaż tłumaczenie metod segmentacji w przednich łapach i łapach z zapalno-erozyjnym zapaleniem stawów wykazało słabszą wydajność, wdrożenie tego podejścia segmentacji DL mogłoby ograniczyć ręczny wysiłek potrzebny do generowania w pełni adnotowanych zbiorów danych, umożliwiających stosowanie modeli treningowych DL specyficznych dla patologii lub struktury. Wykorzystanie tej metody DL w przyszłych badaniach może umożliwić optymalizację segmentacji kości w różnych modelach gatunkowych i chorób w badaniach przedklinicznych, umożliwiając szczegółową analizę ilościową w dalszej fazie. Dodatkowo zachęcamy do włączenia takich strategii do badań klinicznych, ponieważ obiecują one ostateczne korzyści dla opieki nad pacjentem.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Daniel Lichau i Rémi Blanc są pracownikami ThermoFisher Scientific zaangażowanymi w rozwój i utrzymanie oprogramowania Amira używanego do tworzenia opisanych w tym manuskrypcie metod. Wszyscy inni autorzy nie mają nic do ujawnienia.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Źródła finansowania: F30AG076326 (HMK), T32GM007356 (HMK), R01AR069000 (CTR), R01AR056702 (EMS) oraz P30AR069655 (LS, EMS i HAA). HMK był stażystą w Programie Szkolenia Naukowców Medycznych finansowanym przez NIH T32GM007356. Treść jest wyłącznie odpowiedzialnością autorów i niekoniecznie odzwierciedla oficjalne stanowisko National Institute of General Medical Science (NIH). Chcielibyśmy podziękować kadrze i pracownikom rdzenia Histologii, Biochemii i Obrazowania Molekularnego, rdzenia Biomechaniki, Biomateriałów i Obrazowania Tkanek wielomodalnego oraz Centrum Badań nad Układem Mięśniowo-Szkieletowym na Uniwersytecie Rochester Medical Center za ich wkład w tę pracę.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
System obliczeniowySzczegóły zawarte w sekcji Protokoł Szczegóły zawarte w sekcji Protokoł 
Oprogramowanie do wizualizacji obrazówThermoFisher Scientificv2022.2 lub późniejsza wersjaAmira
IzofluranVetOne13985-528-60Fluriso, 1-3% na znieczulenie
MyszyCentrum Medyczne Uniwersytetu RochesterNie maC57BL/6, TNF-transgeniczny
Micro-CTScanco MedicalNie maVivaCT 40
Oprogramowanie statystyczneGraphPad Software, Incwersja 10.2.0 lub późniejszaGraphPad Prism
TaśmaNie maNie maAby zabezpieczyć łapy zwierzęce do obrazowania
RurkiNie maNie maPlastik Derlin i przezroczysty akryl do stabilizacji zwierząt

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Bouxsein, M., et al. Guidelines for assessment of bone microstructure in rodents using micro-computed tomography. J Bone Miner Res. 25 (7), 1468-1486 (2010).
  2. Konnaris, M. A., et al. Computational pathology for musculoskeletal conditions using machine learning: advances, trends, and challenges. Arthritis Res Ther. 24 (1), 68(2022).
  3. Najjar, R. Redefining Radiology: A Review of Artificial Intelligence Integration in Medical Imaging. Diagnostics (Basel). 13 (17), 2760(2023).
  4. Alzubaidi, L., et al. Review of deep learning: concepts, CNN architectures, challenges, applications, future directions. J Big Data. 8 (1), 53(2021).
  5. Wu, J., et al. Convolutional neural network for detecting rib fractures on chest radiographs: a feasibility study. BMC Med Imaging. 23 (1), 18(2023).
  6. Liu, X., et al. Fully automated pelvic bone segmentation in multiparameteric MRI using a 3D convolutional neural network. Insights Imaging. 12 (1), 93(2021).
  7. Woo, B., et al. Automated anomaly-aware 3D segmentation of bones and cartilages in knee MR images from the Osteoarthritis Initiative. Med Image Anal. 93, 103089(2024).
  8. He, M., Zhao, X., Lu, Y., Hu, Y. An improved AlexNet model for automated skeletal maturity assessment using hand X-ray images. Future Generat Comp Syst. 121, 106-113 (2021).
  9. Zhang, Y., et al. SMANet: multi-region ensemble of convolutional neural network model for skeletal maturity assessment. Quant Imaging Med Surg. 12 (7), 3556-3568 (2022).
  10. Wu, J., Mi, Q., Zhang, Y., Wu, T. SVTNet: Automatic bone age assessment network based on TW3 method and vision transformer. Int J Imag Syst Technol. 34 (2), e22990(2024).
  11. Sebastian, T. B., Tek, H., Crisco, J. J., Kimia, B. B. Segmentation of carpal bones from CT images using skeletally coupled deformable models. Med Image Anal. 7 (1), 21-45 (2003).
  12. Kenney, H., et al. A High-Throughput Semi-Automated Bone Segmentation Workflow for Murine Hindpaw Micro-CT Datasets. Bone Rep. 16, 101167(2022).
  13. Besler, B. A., et al. Bone and joint enhancement filtering: Application to proximal femur segmentation from uncalibrated computed tomography datasets. Med Image Anal. 67, 101887(2021).
  14. Baiker, M., et al. Atlas-based whole-body segmentation of mice from low-contrast Micro-CT data. Med Image Anal. 14 (6), 723-737 (2010).
  15. Li, X., Yankeelov, T. E., Peterson, T. E., Gore, J. C., Dawant, B. M. Automatic nonrigid registration of whole body CT mice images. Med Phys. 35 (4), 1507-1520 (2008).
  16. Khmelinskii, A., et al. Articulated whole-body atlases for small animal image analysis: construction and applications. Mol Imaging Biol. 13 (5), 898-910 (2011).
  17. Liu, H., Durongbhan, P., Davey, C. E., Stok, K. S. Image Registration in Longitudinal Bone Assessment Using Computed Tomography. Curr Osteoporos Rep. 21 (4), 372-385 (2023).
  18. Wang, J., et al. Fully automated segmentation in temporal bone CT with neural network: a preliminary assessment study. BMC Med Imaging. 21 (1), 166(2021).
  19. Ambellan, F., Tack, A., Ehlke, M., Zachow, S. Automated segmentation of knee bone and cartilage combining statistical shape knowledge and convolutional neural networks: Data from the Osteoarthritis Initiative. Med Image Anal. 52, 109-118 (2019).
  20. Ramos, J. S., et al. Fast and accurate 3-D spine MRI segmentation using FastCleverSeg. Magn Reson Imaging. 109, 134-146 (2024).
  21. Kushwaha, A., et al. Improved Repeatability of Mouse Tibia Volume Segmentation in Murine Myelofibrosis Model Using Deep Learning. Tomography. 9 (2), 589-602 (2023).
  22. Bell, R. D., et al. Automated multi-scale computational pathotyping (AMSCP) of inflamed synovial tissue. Nat Commun. 15 (1), 7503(2024).
  23. Kenney, H. M., et al. High-throughput micro-CT analysis identifies sex-dependent biomarkers of erosive arthritis in TNF-Tg mice and differential response to anti-TNF therapy. PLoS One. 19 (7), e0305623(2024).
  24. Brown, J. M., et al. Detection and characterisation of bone destruction in murine rheumatoid arthritis using statistical shape models. Med Image Anal. 40, 30-43 (2017).
  25. Cambre, I., et al. Mechanical strain determines the site-specific localization of inflammation and tissue damage in arthritis. Nat Commun. 9 (1), 4613(2018).
  26. Mahdi, H., et al. Open-source pipeline for automatic segmentation and microstructural analysis of murine knee subchondral bone. Bone. , 167(2023).
  27. Saillard, E., et al. Finite element models with automatic computed tomography bone segmentation for failure load computation. Sci Rep. 14 (1), 16576(2024).
  28. Kenney, H., et al. Micro-CT of hind paw. Zenodo. , (2024).
  29. Kenney, H., et al. Micro-CT of hind paw. Zenodo. , (2025).
  30. Keffer, J., et al. Transgenic mice expressing human tumour necrosis factor: a predictive genetic model of arthritis. EMBO J. 10 (13), 4025-4031 (1991).
  31. Li, P., Schwarz, E. The TNF-alpha transgenic mouse model of inflammatory arthritis. Springer Semin Immunopathol. 25 (1), 19-33 (2003).
  32. Bell, R., et al. Selective sexual dimorphisms in musculoskeletal and cardiopulmonary pathologic manifestations and mortality incidence in the tumor necrosis factor-transgenic mouse model of rheumatoid arthritis. Arthritis Rheumatol. 71 (9), 1512-1523 (2019).
  33. Li, J., et al. CD23+/CD21hi B cell translocation and ipsilateral lymph node collapse is associated with asymmetric arthritic flare in TNF-Tg mice. Arthritis Res Ther. 13 (4), R138(2011).
  34. Kenney, H., et al. Persistent popliteal lymphatic muscle cell coverage defects despite amelioration of arthritis and recovery of popliteal lymphatic vessel function in TNF-Tg mice following anti-TNF therapy. Sci Rep. 12 (1), 12751(2022).
  35. Kenney, H., et al. Implementation of automated behavior metrics to evaluate voluntary wheel running effects on inflammatory-erosive arthritis and interstitial lung disease in TNF-Tg mice. Arthritis Res Ther. 25 (1), 17(2023).
  36. Meyer Sm Beucher, F. Mathematical Morphology in Image Processing. , CRC Press. (1992).
  37. Frangi, A. F., Niessen, W. J., Vincken, K. L., Viergever, M. A. Medical Image Computing and Computer-Assisted Intervention - MICCAI'98. Wells, W. M., Colchester, A., Scott, D. , Springer. Berlin Heidelberg. 130-137 (1998).
  38. Martinez-Sanchez, A., Garcia, I., Asano, S., Lucic, V., Fernandez, J. J. Robust membrane detection based on tensor voting for electron tomography. J Struct Biol. 186 (1), 49-61 (2014).
  39. Bab, I., Hajbi-Yonissi, C., Gabet, Y., Müller, R. Micro-tomographic atlas of the mouse skeleton. , Springer Science + Business Media. (2007).
  40. Bab, I., Hajbi-Yonissi, C., Gabet, Y., Müller, R. Micro-Tomographic Atlas of the Mouse Skeleton. , Springer. (2007).
  41. Richbourg, H., Martin, M., Schachner, E., McNulty, M. Anatomical Variation of the Tarsus in Common Inbred Mouse Strains. . Anat Rec (Hoboken). 300 (3), 450-459 (2017).
  42. Proulx, S., et al. Longitudinal assessment of synovial, lymph node, and bone volumes in inflammatory arthritis in mice by in vivo magnetic resonance imaging and microfocal computed tomography. Arthritis Rheumatol. 56 (12), 4024-4037 (2007).
  43. Dakkak, Y., Matthijssen, X., van der Heijde, D., Reijnierse, M., van der Helm-van Mil, A. Reliability of Magnetic Resonance Imaging (MRI)-scoring of the Metatarsophalangeal-joints of the Foot According to the Rheumatoid Arthritis-MRI Score (RAMRIS). J Rheumatol. 47 (8), 1165-1173 (2020).
  44. Dimanti, A., et al. Ultrasound detection of subclinical synovitis in rheumatoid arthritis patients in clinical remission: a new reduced-joint assessment in 3 target joints. Clin Exp Rheumatol. 36 (6), 984-989 (2018).
  45. De Miguel, E., et al. A reduced 12-joint ultrasound examination predicts lack of X-ray progression better than clinical remission criteria in patients with rheumatoid arthritis. Rheumatol Int. 37 (8), 1347-1356 (2017).
  46. Ornbjerg, L., Ostergaard, M. Assessment of structural damage progression in established rheumatoid arthritis by conventional radiography, computed tomography, and magnetic resonance imaging. Best Pract Res Clin Rheumatol. 33 (5), 101481(2019).
  47. England, B., et al. Update of the American College of Rheumatology Recommended Rheumatoid Arthritis Disease Activity Measures. Arthritis Care Res (Hoboken). 71 (12), 1540-1555 (2019).
  48. Dohn, U., et al. Are bone erosions detected by magnetic resonance imaging and ultrasonography true erosions? A comparison with computed tomography in rheumatoid arthritis metacarpophalangeal joints. Arthritis Res Ther. 8 (4), R110(2006).
  49. Dohn, U., et al. Detection of bone erosions in rheumatoid arthritis wrist joints with magnetic resonance imaging, computed tomography and radiography. Arthritis Res Ther. 10 (1), R25(2008).
  50. Jans, L., et al. Dual-energy CT: a new imaging modality for bone marrow oedema in rheumatoid arthritis. Ann Rheum Dis. 77 (6), 958-960 (2018).

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Bone SegmentationJoint Space DetectionDeep Learning ModelsMicro Computed TomographyWatershed AlgorithmStructure EnhancementTensor VotingU Net ArchitectureInflammatory ArthritisAutomated Image Analysis

Related Articles