Automatyczne wykrywanie przestrzeni stawowej poprawia dokładność segmentacji kości
November 28th, 2025
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.
Najnowsze algorytmy przetwarzania obrazów o wysokiej przepustowości dostarczyły licznych segmentacji kości złożonych stawów z potencjałem do trenowania modeli głębokiego uczenia. Obecnym wyzwaniem jest ograniczona zdolność wykorzystania wcześniejszych strategii segmentacji w przyszłych eksperymentach, biorąc pod uwagę algorytmy specyficzne dla struktury oraz znaczące procesy ręcznej korekty. Odpowiadamy na potrzebę powtarzalnej zautomatyzowanej analizy obrazów, która umożliwia ilościową ocenę zdrowia kości i postępu choroby zwyrodnieniowej stawów, jednocześnie minimalizując pracę fizyczną i zdolność do życia.
Na początek zapoznaj się z zestawem danych z mikrotomografii komputerowej, aby zobaczyć, że kości i tkanki miękkie są wyraźnie rozróżnialne. Sprawdź obszary, gdzie sąsiadujące kości są gęsto upakowane, aby zidentyfikować obszary, gdzie ograniczona rozdzielczość obrazu i minimalne szczeliny utrudniają wykrycie ich granic. Zwróć uwagę na poziom wyjściowy, w którym nadzorowana metoda segmentacji oparta na zlewni zapewnia ogólną dokładność około 80%. Aby poprawić dokładność segmentacji, zastosuj zaktualizowany workflow łączący wcześniej wytrenowany model predykcji przestrzeni joint space z gotowym opracowaniem obrazu i receptą na rozdzielanie kości opartą na dorzeczu w środowisku oprogramowania Amiry.
Załaduj zbiór danych z mikrotomografii komputerowej do Amiry. Połącz moduł predykcji głębokiego uczenia. Wybierz wytrenowany model i naciśnij Apply, aby wygenerować początkową segmentację przestrzeni stawów.
Następnie załaduj przepis w module player z obrazem przepisów. Połącz zestaw danych z mikrotomografii komputerowej i wstępną segmentację stawów i zastosuj przepis, aby uzyskać końcową segmentację z w pełni zindywidualizowanymi kośćmi. Na koniec oceń uzyskany wynik, dostosowując mapę kolorów do etykiet 256 oraz oglądając ortogonalne cięcia i odwzorowania objętościowe, aby potwierdzić skuteczne rozdzielenie poszczególnych kości w całej tylnej łapie.
Aby obejrzeć lub edytować przepis na przetwarzanie obrazów, otwórz pokój roboczy z przepisami obrazów w Amira i załaduj przepis na rozdzielenie kości. Połącz wymagane dane wejściowe i dostosuj parametry w oknie Właściwości, aby dostosować workflow do aktualnego zbioru danych. Aby przeanalizować strukturę przepływu pracy, kolejno wizualizuj wyjścia pośrednie generowane przez przepis, następnie zastosuj matematyczną metodę czarnego cylindra (black top-hat) matematycznie realizowaną poprzez zamykanie, odejmowanie arytmetyczne i progowanie, i użyj tego kroku do podkreślenia wokseli ciemniejszych niż otoczenie i odpowiadających obszarom stawów.
Aby poprawić specyficzność, zastosuj filtr Structure Enhancement, aby wzmocnić ciemne, cienkie struktury płaskie odpowiadające przestrzeniom łączeniowym. Dodatkowo wzmocnij ciągłość stawów, stosując filtr Membrane Enhancement, który zawiera etap głosowania tensorowego. Następnie integruj maskę stawu generowaną przez konwolucyjną sieć neuronową wytrenowaną do identyfikacji przestrzeni ujemnej okołostawkowej z wynikami poprzednich filtrów przetwarzania obrazów, aby wygenerować ostateczną maskę stawu.
Aby zakończyć rozdzielenie kości, należy odejmować ostatnią maskę stawową od maski kostnej i traktować każdy pozostały połączony element jako marker dla pojedynczej kości. Zastosuj algorytm zlewni, aby wyhodować każdy marker w oryginalnej masce kości, rekonstruując pojedyncze kości i umieszczając granice w optymalnych pozycjach w zależności od natężenia obrazu. Aby przygotować dane treningowe dla modelu głębokiego uczenia, wybierz 20 zbiorów danych typu dzikiego reprezentujących 40 tylnych łap o zrównoważonym rozkładzie płci i wieku od 2 do 6 miesięcy.
Wyodrębnij sześć podtomów z każdego zbioru danych, po trzy podtomy na każdą tylną łapę. Użyj podwolumenów o wymiarach 200 x 200 x 200 voxeli, aby pokryć okolice kostek, cyfry i reprezentatywne obszary tła. Konfiguruj trójwymiarową architekturę U-Net z kręgosłupem ResNet-18.
Optymalizuj model za pomocą algorytmu Adama z początkową szybkością uczenia się 0,0001 i losowo inicjalizowanymi wagami. Wytrenuj model za pomocą funkcji straty kości i monitoruj wydajność walidacji za pomocą metryki przecięcia nad sumą. Wykorzystanie głębokiego uczenia do identyfikacji przestrzeni stawów w mikro-CT umożliwiło wyraźne i spójne rozdzielanie poszczególnych kości łapy tylnej.
Skupiając się na przestrzeni ujemnej obwodowej stawów, model precyzyjnie wyznaczył granice kości nawet w gęsto upakowanych obszarach. W porównaniu z półautomatycznym procesem, który osiągał około 80% dokładności, podejście głębokiego uczenia przyniosło wyraźną poprawę u dzikich myszy, osiągając dokładność 98-99% przy minimalnej ręcznej korektie. U myszy transgenicznych z czynnikiem martwicy nowotworów lub TNF metoda głębokiego uczenia utrzymywała wysoką wydajność pomimo postępującej choroby erozyjnej zapalnej, z dokładnością około 98% we wczesnych etapach postępu choroby.
Chociaż model był trenowany wyłącznie na tylnych łapach, można go było stosować bezpośrednio na przednich łapach bez ponownego trenowania, aby uzyskać anatomicznie spójne segmentacje, co świadczy o silnym uogólnieniu na złożone struktury. Stwierdzono, że postęp ciężkiej choroby erozyjnej i niszczenia stawów przyspiesza w transgenicznych przednich łapach kobiet TNF. Nasz protokół poprawia dokładność segmentacji i automatyzację, jednocześnie pozwalając na ręczne korekty i ciągłe ulepszanie wydajności dzięki dodanym eksperckim adnotacjom.
Nasze przyszłe badania mają na celu uwzględnienie wielu unikalnych struktur, modeli chorób oraz zautomatyzowanych algorytmów, aby dalej zwiększać elastyczność i zastosowanie.
Przegląd
Niniejsza praca prezentuje zautomatyzowany proces wykrywania przestrzeni stawowych, który osiąga wysoką wydajność segmentacji kości tylnych łap myszy z dokładnością powyżej 98%. Metoda jest adaptowalna do stosowania w przednich łapach oraz łapach dotkniętych zapalno-erozyjnym zapaleniem stawów, choć optymalizacja wydajności może wymagać dalszych badań.
Kluczowe elementy badania
Dział obszaru nauki
- Neuroscience
- Przetwarzanie obrazów
- Ocena stanu zdrowia kości
Tło
- Algorytmy wysokiej wydajności przetwarzania obrazów poprawiły segmentację kości.
- Poprzednie strategie segmentacji napotykają wyzwania związane z odtwarzalnością i ręczną korektą.
- Automatyczna analiza obrazów jest potrzebna do ilościowej oceny stanu zdrowia kości.
- Zbiory danych mikro tomografii komputerowej mogą skutecznie rozróżniać kość i tkankę miękką.
Cel badania
- Opracowanie odtwarzalnego zautomatyzowanego procesu analizy obrazów.
- Umożliwienie ilościowej oceny stanu zdrowia kości i progresji osteoartrozy.
- Zminimalizowanie nakładu pracy ręcznej w procesach segmentacji obrazów.
Wykorzystane metody
- Wykorzystanie metody segmentacji opartej na nadzornym obszarze zlewni.
- Zastosowanie wstępnie wytrenowanego modelu głębokiego uczenia do przewidywania przestrzeni stawowych.
- Integracja z oprogramowaniem Amira do przetwarzania obrazów.
- Ocena ulepszeń dokładności segmentacji.
Główne wyniki
- Osiągnięto ponad 98% dokładności w segmentacji kości tylnych łap.
- Zidentyfikowano ograniczenia w wydajności segmentacji dla łap z zapaleniem stawów.
- Wykazano skuteczność łączenia głębokiego uczenia z tradycyjnymi metodami.
- Wskazano obszary do przyszłej optymalizacji w procesach segmentacji.
Wnioski
- Zautomatyzowany proces znacząco zwiększa dokładność segmentacji kości.
- Dalsza optymalizacja jest potrzebna do zastosowań w stanach zapalnych.
- To podejście może ułatwić lepszą ocenę progresji osteoartrozy.
Często zadawane pytania
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.
