Detecção Automatizada de Espaço Articular Melhora a Precisão da Segmentação Óssea

Algoritmos recentes de processamento de imagem de alta taxa forneceram inúmeras segmentações ósseas padrão ouro de articulações complexas com potencial para treinar modelos de aprendizado profundo. O desafio atual é a capacidade limitada de utilizar estratégias de segmentação anteriores em experimentos futuros, dado algoritmos específicos para estrutura e processos manuais corretivos significativos. Abordamos a necessidade de uma análise automatizada de imagens reprodutível que permita avaliação quantitativa da saúde óssea e da progressão da osteoartrite, minimizando o trabalho manual e a viabilidade.

Para começar, veja o conjunto de dados de microtomografia computacional para observar que osso e tecido mole são claramente distinguíveis. Inspecione regiões onde ossos adjacentes estão compactos para identificar áreas onde resolução limitada da imagem e espaços mínimos dificultam a detecção de seus limites. Note a linha de base onde o método supervisionado de segmentação baseada em bacias hidrográficas produz uma precisão geral de aproximadamente 80%. Para melhorar a precisão da segmentação, aplique um fluxo de trabalho atualizado que combine um modelo pré-treinado de previsão de espaço conjunto de aprendizado profundo com uma receita pré-construída de processamento de imagem e separação óssea baseada em bacia hidrográfica no ambiente de software Amira.

Carregue o conjunto de dados de microtomografia computorizada no Amira. Conecte o módulo de previsão de deep learning. Selecione o modelo treinado e pressione Aplicar para gerar uma segmentação inicial do espaço conjunto.

Depois, carregue a receita no módulo player de receitas de imagem. Conecte o conjunto de dados de microtomografia computorizada e a segmentação preliminar da articulação, e aplique a receita para produzir a segmentação final com ossos totalmente individualizados. Por fim, avalie o resultado ajustando o mapa de cores para os rótulos 256 e inspecionando fatias ortogonais e renderizações de volume para confirmar a separação bem-sucedida dos ossos individuais ao longo da pata traseira.

Para inspecionar ou editar a receita de processamento de imagem, abra a sala de trabalho de receitas de imagem no Amira e carregue a receita de separação óssea. Conecte os dados de entrada necessários e ajuste os parâmetros na janela de Propriedades para personalizar o fluxo de trabalho para o conjunto de dados atual. Para revisar a estrutura do fluxo de trabalho, visualize sequencialmente as saídas intermediárias geradas pela receita, depois aplique um método matemático de morfologia black top-hat implementado por meio de fechamento, subtração aritmética e limiar, e use essa etapa para enfatizar voxels mais escuros que o entorno e correspondem a regiões conjuntas.

Para melhorar a especificidade, aplique o filtro de Aprimoramento de Estruturas para realçar estruturas planas escuras e finas correspondentes a espaços de articulação. Reforçe ainda mais a continuidade da articulação aplicando o filtro de Realce de Membrana, que incorpora uma etapa de votação tensorial. Em seguida, integre a máscara articular gerada por uma rede neural convolucional treinada para identificar o espaço negativo periarticular com os resultados dos filtros anteriores de processamento de imagem para gerar uma máscara articular final.

Para completar a separação óssea, subtraia a máscara articular final da máscara óssea e trate cada componente conectado restante como marcador de um osso individual. Aplique o algoritmo da bacia hidrográfica para aumentar cada marcador dentro da máscara óssea original, reconstruindo ossos individuais e posicionando limites em posições ótimas com base nas intensidades da imagem. Para preparar dados de treinamento para o modelo de deep learning, selecione 20 conjuntos de dados do tipo selvagem representando 40 hindpaws com distribuição equilibrada de sexo e idades variando de 2 a 6 meses.

Extraia seis subvolumes de cada conjunto de dados com três subvolumes por hindpaw. Use subvolumes medindo 200 x 200 x 200 voxels para cobrir regiões do tornozelo, dígitos e áreas representativas de fundo. Configure uma arquitetura U-Net tridimensional com uma espinha dorsal ResNet-18.

Otimize o modelo usando o algoritmo Adam com uma taxa inicial de aprendizado de 0,0001 e pesos inicializados aleatoriamente. Treine o modelo usando a função de perda de dados e monitore o desempenho da validação usando a métrica de interseção sobre união. O uso de deep learning para identificar espaços articulares em conjuntos de dados micro-CT permitiu a separação clara e consistente dos ossos da pata traseira individuais.

Ao focar no espaço negativo periarticular, o modelo delimitou com precisão os limites ósseos mesmo em regiões densamente compactadas. Comparado ao fluxo de trabalho semi-automatizado, que alcançou cerca de 80% de precisão, a abordagem de aprendizado profundo proporcionou uma melhora significativa para camundongos do tipo selvagem, alcançando 98-99% de precisão com correção manual mínima. Em camundongos transgênicos do fator de necrose tumoral ou TNF, o método de aprendizado profundo manteve alto desempenho apesar da doença progressiva inflamatória erosiva, com precisão de cerca de 98% durante os estágios iniciais da progressão da doença.

Embora o modelo tenha sido treinado exclusivamente nas patas traseiras, ele pôde ser aplicado diretamente às patas dianteiras sem retreinamento para obter segmentações anatomicamente coerentes, demonstrando forte generalização para estruturas complexas. Foi constatado que a progressão de doença erosiva severa e destruição articular acelerou nas patas dianteiras transgênicas de TNF. Nosso protocolo melhora a precisão e automação da segmentação, ao mesmo tempo em que permite correções manuais e melhorias contínuas de desempenho por meio de anotações de especialistas adicionais.

Nossa pesquisa futura visa incorporar múltiplas estruturas e modelos únicos de doenças, além de algoritmos automatizados, para continuar aumentando a flexibilidade e a aplicação.