Research Article

Автоматизированное обнаружение пространства в суставах повышает точность сегментации костей

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

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

Разработка автоматизированного процесса обнаружения суставного пространства позволила высокопроизводительную сегментацию отдельных костей мышиных задних лап с точностью >98% у диких животных. Гибкое применение к передним и лапам при воспалительно-эрозионном артрите было достигнуто, но с устаревшей эффективностью, что требует дальнейшей оптимизации в будущих исследованиях с использованием общедоступных данных.

Abstract

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

Количественное описание сложных анатомических структур остаётся сложным из-за необходимой экспертизы для ручной сегментации, труда и изменчивости между наблюдателями. Для преодоления этой проблемы автоматизированное обнаружение конкретных ориентиров может быть осуществлено с помощью цифровых методов анализа изображений, включая модели глубокого обучения (DL). С этой целью мы провели контролируемый автоматизированный анализ микрокомпьютерной томографии (микро-КТ) наборов данных задних и передних лап мышей. Продвинувшись вне ранее опубликованных полуавтоматических (SA) маркерных алгоритмов водосборного бассейна, мы добавили усиление структуры, тензорное голосование и расширение выхода для выявления суставных пространств. Сегментация была улучшена за счёт использования модели предсказания пространства совместного пространства DL (архитектура 3D U-Net, магистраль ResNet-18) с использованием диких (WT) меток задней лапы в качестве наземной истины. Прогнозирование было расширено на задние и передние лапы у трансгенных мышей WT и фактора некроза опухолей (TNF-Tg) с воспалительно-эрозионным артритом обоих полов по возрасту. Точность сегментации значительно улучшилась благодаря методологии DL. Точность снижалась с увеличением тяжести заболевания и возрастом у мышей TNF-Tg. Последующие исследования на передних лапах также показали постепенное снижение точности с увеличением тяжести артрита. В целом, эта контролируемая автоматизированная модель превосходит современные методы SA в здоровых суставах, улучшая исследование сложной анатомии костей. Хотя гибкое применение к новым и модифицированным заболеваниям наборам данных демонстрирует устаревшую производительность, использование всё же может стимулировать разработку структуроспецифических моделей сегментации.

Introduction

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

Высококачественный анализ изображений не только усиливает исследовательские усилия, но и может помочь клиническим радиологам в их стремлении выявлять и количественно оценивать патологические изменения — задачу, являющуюся крайне важной для ухода за пациентами. Анализ изображений — это детальная последовательность процедур, включая извлечение признаков, преобразование иначе общего изображения в значимые метки и вывод количественныхметрик 1. Большая часть этого процесса обусловлена предварительными знаниями, такими как пороговое определение структур по плотности или цвету, а затем применение последующих алгоритмов обработки изображений (то есть расширение, эрозия, сглаживание, разделение) для достижения желаемой сегментации. После оптимизации сегментированные изображения могут предоставлять входные данные для контролируемого машинногообучения 2, включая глубокое обучение (DL), которое кодирует и декодирует сложные признаки с помощью нейронных сетей,2,3, что повышает точность сегментации и пропускную способность изображений.

Фактически, внедрение различных 3D-сверточных нейронных сетей (CNN) обеспечило критические достижения в автоматизации алгоритмов сегментации костей для анализа скелетных изображений, где некоторые модели превосходят человеческуюсегментацию 4. Хотя 3D-сегментационные CNN функционируют через разные архитектуры (например, AlexNet, ResNet, UNet), их выходы по сути одинаковы: маска изображения, обозначающая костяной положительный объём на фоне. Такие модели глубокого обучения в анализе изображений опорно-двигательного аппарата быстро развиваются, и область быстро перешла от решения простых задач обнаружения двумерныхтрещин 5 к сложным многосуставнымзадачам 6 с возможностью работы с артефактными шумами или аномальными признаками в наборах данных. Например, Ву и соавторы заметили, что структурные аномалии (например, поражения костного мозга, костные кисты) на МРТ ухудшают прогнозы сегментации суставного хряща в коленных суставах. Таким образом, они разработали модель сегментации, учитывающую аномалии, чтобы сначала выявить несвязанные аномальные структуры, что значительно улучшило сегментацию кости ихряща 7. Он и др. обучили 14 отдельных моделей, каждая из которых основана на возврате ключевых суставов кисти для оценки возраста скелета, а затем интегрировали их результаты для улучшения прогнозов по рентгеновским снимкам руки, вместо использования всей структурыкисти 8. Аналогично, включение контекста в модели, такие как региональные сегментационные особенности и глобальные анатомические отношения, показало улучшение прогнозов. Использование многорегиональных CNN для предоставления контекста ожидаемых признаков сегментации также улучшает оценку зрелости скелета на рентгеновских снимках рук, ограничивая задачу классификации анатомическиподходящими точками 9. Дополнительные достижения включают SVTNet с сегментацией костей на основе CNN, а затем дальнейшую обработку моделями трансформеров зрения для сбора глобальной информации о пространственных связях между сегментированными областями для оценки количественных результатов, таких как возрасткости 10 лет.

Как показано в этих подходах сегментации, исследовательская визуализация артрита сосредоточена на сочленении поверхностей между двумя или более костями, где методы разделения костей критически важны для успешной оценки дифференциальных патологических процессов в сложных суставах. Достижения в алгоритмах обработки изображений продемонстрировали выдающуюся полезность в увеличении аналитической пропускной способности близко соседних запястных или тарзальныхкостей 11,12. Однако ограниченное внедрение из-за неточностей, требующих вмешательства пользователя, и трудностей с переводом в отдельные структуры подчёркивает необходимость внедрения оптимизированных рабочих процессов. Эти многоступенчатые процессы могут значительно выиграть благодаря дискретным инструментам для улучшения изображения (например, обнаружение костей13). Помимо строго морфологических операций, другие исследования внедряли методы регистрации, используя типичную надёжность и согласованность анатомии для идентификацииструктуры 14,15,16,17. Альтернатива ручных вводных данных для создания меток истинности на земле дорога и трудоёмка, но может быть столь же успешной, когда использование может быть необходимым в сложных тесно переплетённых костей с менее дискретными границами (например, череп18). Аналогично, альтернативные методы визуализации с вариативностью множества цветов и оттенков даже внутри дискретной структуры, такие как магнитно-резонансная томография (МРТ 19,20,21) или тканевая гистология 22, также демонстрируют сложность, которая может выиграть при начальной ручной сегментации для управления автоматизированными процессами. Вместе эти методы могут предложить дополнительные преимущества, стимулируя дальнейшую автоматизацию, где результаты служат обучающими наборами данных для внедрения подходов DL. Преимуществ автоматизации сегментации многочисленны, но особенно эти методы позволяют получать подробные пространственно-значимые количественные метрики, включая региональные/костно-специфичные изменения эрозивногообъёма 23, 24, 25, 26, а также выявлять участки с высокой восприимчивостьюповреждений 27.

Здесь мы опираемся на устоявшиеся полуавтоматические методы сегментации мышиных заднихлап 12 с усовершенствованиями алгоритмов обработки изображений в сочетании с сегментацией костей на земле28 для обучения моделей DL обнаружению суставных пространств. Эта новая аналитическая стратегия продемонстрировала значительное повышение точности сегментации отдельных костей задних лап, что снизило ручные усилия по исправлению ошибок сегментации12 для ускорения обработки последующих количественных метрик. Мы также демонстрируем потенциал внедрения этих технических достижений в новые структуры, включая передние и задние лапы с тяжёлым эрозивным артритом. Поскольку ручная сегментация требует много времени и требует высокого уровняэкспертизы 7, аналогичные стратегии последовательного использования полуавтоматизированной и автоматизированной сегментации для создания улучшенных входных фильтров могут снизить барьер для разработки высококачественных CNN для конкретных приложений. Связанные методы, разработанные в программном обеспечении Amira (Дополнительный файл 1), и соответствующие наборы данных предоставляются публично для поддержки внедрения и сотрудничества в дальнейших исследовательскихпроектах 28,29.

Protocol

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

Все эксперименты на животных проводились в соответствии с протоколами IACUC, одобренными Университетским комитетом по животным ресурсам Медицинского центра Университета Рочестера.

Модели животных
Мыши содержались в аккредитованном AAALAC виварии. В описанных экспериментах использовалось всего 19 мышей, включая 4 самцов дикого типа (WT), 4 самок WT, 4 трансгенных самцов TNF (TNF-Tg) и 7 самок TNF-Tg, с продольной ежемесячной оценкой. Мыши TNF-Tg (линия 3647, генетический фон C57BL/6 30) изначально были получены у доктора Джорджа Коллиаса с продолжением обслуживания в Университете Рочестера. Мыши TNF-Tg были разведены как гетерозиготы, при этом мыши WT служили контроллерами в помёте. Генотипирование трансгена TNF проводилось с использованием следующих праймерных последовательностей: TNF-Tg вперёд: 5-TAC-CCC-CTC-CTT-CAG-ACA-CC-CC-3; TNF-Tg Задний ход: 5-GCC-CTT-CAT-AAT-ATC-CCC-CA-3.

У мышей TNF-Tg развивается хронический, прогрессирующий и спонтанный воспалительно-эрозионный артрит31 с более быстрым началом суставных и внечленных проявлений у самок мышей, что приводит к ранней смертности примерно в 5–6 месяцев32 года. Таким образом, дополнительные мыши были распределены в когорту самок TNF-Tg. В предыдущих описаниях этой когорты23 было указано, что n=2 женщины с TNF-Tg умерли до завершения исследования, n=1 до 4 месяцев и n=1 до 5 месяцев. Поскольку у мышей TNF-Tg наблюдается хорошо установленная асимметричная прогрессия заболевания у заднихлап 33,34, единицей измерения считались отдельные конечности (2 передние и 2 задние лапы на животное).

Коллекция микро-КТ изображений
Были собраны наборы микро-КТ в соответствии с ранееописанными 12,23. Кратко мышей помещали в пластиковую и прозрачную акриловую трубку Derlin с анестезией 1%-3% изофлурана для съёмки с помощью микро-КТ с использованием следующих параметров: 55 кВ, 145 мкА, время интеграции 300 мс, 2048 x 2048 пикселей, 1000 проекций на 180°, разрешение 17,5 мкм изотропных вокселей. Для безопасности при использовании изофлурана использовались соответствующие средства индивидуальной защиты (нитриловые перчатки, лабораторный халат или халат, защитные очки), а испаритель изофлурана поддерживался в выхлопной коробке с использованием угольного фильтра для уловления газообразных отходов с хорошо герметичной трубкой для обеспечения непрерывности в системе подачи. Испарённый изофлуран использовался для индукции анестезии в герметичной камере, затем анестезия поддерживалась непрерывным потоком изофлурана в мышиной носовой конус в микро-КТ-аппарате. Обе задние и передние лапы были склеены скотчем для стабилизации во время сеансов визуализации. Каждый набор данных собирался примерно за 30–45 минут (всего 60–90 минут) с данными о задних и передних лапах от тех же животных и тех же временных моментов. Мышей оценивали с интервалом в месяц, начиная с 2 месяцев и до 5 месяцев (самки, TNF-Tg с раннейсмертностью 32) или 8 месяцев (самцы). Части данных о задних лапах, использованных в этом исследовании, были ранее опубликованы (WT:12,35; WT и TNF-Tg:23) и доступныв открытом доступе 28. Данные о передних лапах были публично доступны для целей этогоисследования 29.

Алгоритм сегментации совместного пространства с облегчением глубокого обучения
Ранее был разработан высокопроизводительный алгоритм обработки SA-изображений для сегментирования отдельных костей сложной задней лапы у мышей(30-31 кость), который предоставил основу для изучения отдельных биомаркеров прогрессирования воспалительно-эрозионного артрита с помощью программного обеспеченияAmira 23. Этот базовый метод сегментации SA использовал маркерный алгоритмводораздела 36 для разделения на границе костей. Алгоритм водораздела на основе маркеров разделяет различные объекты на изображении, рассматривая значения пикселей как локальный рельеф на основе пользовательских маркеров. Эти маркеры, специфичные для костей, генерировались методом SA с помощью различных этапов обработки изображений, включая black top-hat (BTH), чтобы выделить локальные области с большими изменениями плотности, такие как костей и артикуляция. Вместе этот подход создавал эродированную версию каждой отдельной кости, которая затем расширялась до костей с помощью двойной маски границы. Хотя метод водораздела улучшился по сравнению с предыдущим использованием ручного контурирования, точность (правильно сегментированные кости / всего костей) составляла примерно 80% на общий набор данных из-за низкого контрастного шума, приводящего к мостовым областям суставов (пересоединение костей; 2+ костей как один материал) или неправильной идентификации краёв (чрезмерное расщепление костей; 1 кость как 2+ материалов). Таким образом, генерация маркеров SA для подхода водосборного бассейна требовала последовательных и частых процедур ручнойкоррекции 12 для создания ресурса золотых стандартов23,28.

Разработка модели DL для прогнозирования костных суставов основывалась на архитектуре 3D U-Net с основой ResNet-18. Функция потерь обучения была кубиком, метрика валидации — пересечение по объединению (IoU), градиентный спуск использовал оптимизацию Адама с начальной скоростью обучения 0,0001, а веса инициализировались случайным образом. Модель была обучена с использованием 20 наборов данных WT (40 задних лап) с равным распределением по полу и возрасту (от 2 до 6 месяцев), каждый из которых был разделён на 6 подтомов (по 3 на заднюю лапу) по 200 x 200 x 200 вокселей с 25% рандомизированным набором валидационных субтомов (30 валидации, всего 120) для предотвращения перенасадки. Эти трёхмерные плитки равномерно располагались на тарзале, дистальных фалангах и на фоне. Размер тренировочного нашивки был установлен на уровне 96 x 96 x 96 вокселей (дополнительный рисунок 1). Модель тренировалась более 500 эпох, занимая примерно 6 часов. Области совместного соединения были получены по автоматическому рецепту с помощью ярлыков, которые расширяли интерфейсы меток с размером 3D-дилатации 5 как по толщине, так и по ширине.

В сочетании с прогнозированием DL в суставном пространстве были реализованы несколько этапов обработки изображений для улучшения идентификации пространства в суставах и сегментации костей. Эти стратегии включали использование метода BTH в сочетании с усилениемструктуры 37, усилением мембраны и тензорнымголосованием 38 для укрепления непрерывности пространства между суставами путём ограничения мембранных зазоров. Вместе эти подходы укрепляют суставные пространства для разделения костей, чтобы ограничить утечку сегментации между соседними костями, что затем приводит к ошибкам пересоединения при распространении алгоритма водораздела по нескольким костям. Итоговый результат разделяет и сегментирует оригинальные наборы данных микро-КТ на метки, специфичные для костей.

Ниже приведён подробный пошаговый протокол метода сегментации с облегчённой DL.

Шаг 1: Открыть программное обеспечение Amira (требуется личная или институциональная лицензия). Шаг 2: Откройте вкладку Python, выберите Создание новой среды на Python С названием среды: Deep-learning-environment-2022_2. Проверка Установка пакетов глубокого обучения. Шаг 3: Перезапустить программное обеспечение, открыть вкладку Python, выбрать пользовательскую среду Среда-глубокое обучение-2022_2. Шаг 4: Откройте данные — стеки DICOM можно загрузить, выбрав все отдельные DICOM-файлы или открыв .am-файлы, содержащие встроенные стеки DICOM, если они доступны. Шаг 5: Примените модуль Deep Learning Prediction к импортированному объекту данных со следующими деталями:
Данные: Импортированный объект данных
Архитектура: .json файл (Дополнительный файл 2)
Веса: .hdf5 файл (Дополнительный файл 3)
Тайлинг: ручное — возможно оптимизация за счёт уменьшения размера пикселей тайлинга и увеличения перекрытия по мере возможности, в зависимости от вычислительного оборудования. Модуль провалится, если требования к обработке будут недостаточны. Убедитесь, что в разделах Редактирование, Настройки, Большие данные максимально выделяют память для программного обеспечения.
Ширина, высота, глубина плитки: 352 пикселя
Перекрытие тайлов: 0 пикселей
Шаг 6: Примените Picture Recipe Player, кликните правой кнопкой мыши в Зона проекта без нацеливания на конкретный объект данных. Вводите/оценивайте следующее:
Открыть рецепт: .hxisp файл (Дополнительный файл 4)
Данные: Импортированный объект данных
Входные соединения: результат шага 5 (Прогнозирование глубокого обучения)
Диапазон интенсивности Step3: 2500 - 20000
Шаг 7: Оцените полученный обработанный объект данных, содержащий финальную сегментацию — убедитесь, что Colormap настроен на Labels256, чтобы оценить общее количество отдельных сегментаций (по умолчанию всего 8 цветов). Для 2D: примените Ortho Slice, а для 3D — Volume Rendering. Подробности о встроенном рецепте (BTH+DL+SEF+MEF_D2.hxisp), применённых в шаге Image Recipe Player, приведённые ниже (Дополнительный файл 5). Обратите внимание, что в Image Recipe Designer отдельные шаги можно визуализировать и экспортировать по мере необходимости для оценки шагов оптимизации в конкретных наборах данных. В протоколе выделены конкретные шаги, которые требуют корректировки для любого уникального приложения, так как они зависят от выходов изображения (т.е. плотности) и/или размера объектов (то есть костей):
Шаг 1: Применить медианный фильтр с данными: импортированный объект данных; Интерпретация: 3D; Район: 26; Итерации: 3; Тип: итеративный.
Шаг 2: Применить пороговое определение — этот шаг потребует оптимизации в зависимости от наборов данных и конкретного порога, который нацелен на объект интереса, в данном случае кость с данными: результат шага 1 (медианный фильтр); Диапазон интенсивности: 2500 - 20000.
Шаг 3: Применить закрытие — этот шаг потребует оптимизации в зависимости от размера промежутков между костями с данными: результат Step 1 (Медианный фильтр); Тип: Куб; Интерпретация: 3D; Район: 26; Размер пикселей: 3.
Шаг 4: Применить арифметику изображения с помощью входа A: Результат шага 3 (закрытие); Вход B: результат шага 1 (медианный фильтр); Каналы результатов: например, вход A; Выражение: A-B.
Шаг 5: Применить пороговое значение с данными: результат шага 4 (арифметика изображений); Диапазон интенсивности: 750 - 20000.
Шаг 6: Примените арифметику изображения с входом A: результат шага 2 (порог); Вход B: Результат шага 5: (Порог); Каналы результатов: например, вход A; Выражение: A-(B>0)
Шаг 7: Примените фильтр улучшения структуры с помощью вводного изображения: импортированного объекта данных; Интерпретация: 3D; Тип тензора: гессенский; Стандартное отклонение минимум/максимум: 1–3 пикселя; Стандартный шаг отклонения: 1 пиксель; Контраст: Тёмный; Тип конструкции: Плоскость.
Шаг 8: Применить авто-порог с помощью входного изображения: результат шага 7 (фильтр усиления структуры); Тип: Auto Threshold High; Интерпретация: 3D; Режим: Min-max; Criterion: факторизация.
Шаг 9: Применить фильтр улучшения мембраны с помощью Data: Импортированный объект данных; Выбор выхода: голосование по тензору плоскости; Тензорная шкала голосования: 3 пикселя; Масштаб уплотнения: 3 пикселя; Тип: Гребень
Контраст: Тёмный; Масштаб: 1 пиксель.
Шаг 10: Применить авто-порог с входным изображением: результат шага 9 (фильтр усиления мембраны); Тип: Auto Threshold High; Интерпретация: 3D; Режим: Min-max; Criterion: факторизация.
Шаг 11: Примените дилатацию — этот шаг потребует оптимизации в зависимости от размера суставных промежутков — с изображением входа: результат шага 10 (авто-порог); Тип: Мяч; Интерпретация: 3D; Размер: 1 пиксель; Точность: быстрее.
Шаг 12: Примените арифметику изображения с входом A: Результат шага 11 (Дилатация); Вход B: результат шага 8 (Автоматическое пороговое установление); Вход C: Результат прогнозирования глубокого обучения; Каналы результатов: например, вход A; Выражение: A||B||C.
Шаг 13: Примените удаление мелких пятен с помощью вводного изображения: результат шага 12 (арифметика изображения); Интерпретация: 3D; Размер: 500 пикселей.
Шаг 14: Примените арифметику изображения с помощью входа A: результат шага 13 (удаление мелких пятен); Вход B: результат шага 6 (арифметика изображения); Каналы результатов: например, вход A; Выражение:! A*B.
Шаг 15: Примените удаление мелких пятен с помощью вводного изображения: результат шага 14 (арифметика изображения); Интерпретация: 3D; Размер: 500 пикселей.
Шаг 16: Примените маркировку с помощью вводного изображения: результат шага 15 (удаление мелких пятен); Интерпретация: 3D; Район: 26.
Шаг 17: Применить Конвертировать тип изображения с данными: Результат шага 1 (медианный фильтр); Тип вывода: 16-битный без знаков; Режим нормализации: масштабирование; Масштабирование: Масштаб 3, смещение 2000.
Шаг 18: Примените Watershed Within Mask на основе маркеров с данными: Результат шага 17 (Преобразовать тип изображения); Маркеры: результат шага 16 (маркировка); Бинарная маска: результат шага 6 (арифметика изображения); Тип сплита: Низкая интенсивность.

Тестирование методов сегментации и количественная оценка
Метод сегментации был протестирован с помощью генерации рецепта, включающего предсказание совместного DL с рецептом обработки изображений на диапазоне интенсивности от 2500 до 20000 единиц Хаунсфилда. Генерация рецептов позволяла выполнять пакетную обработку (Apply a Recipe on a batch of Files) исходных наборов данных micro-CT (формат .am файла как стек изображений, сохранённый после импорта начальных .dcm файлов в Amira). Аппаратное обеспечение включало 16 ядер от центрального процессора Intel Xeon Gold 5218 с частотой 2,30 ГГц, 128 ГБ двойной скорости передачи данных четвёртого поколения (DDR4) с кодом коррекции ошибок (ECC), оперативную память (RAM) с частотой 2666 мегатрансферов (MT)/s и 24 ГБ виртуального графического процессора (vGPU/VRAM) на 64-битной операционной системе с Windows 10 (сборка операционной системы: 19044.4780). Каждый набор данных задних лап (2 задние лапы) был сегментирован примерно на 32,7 ± 8,42 минуты (среднее ± стандартное отклонение) без вмешательства пользователя. Это сравнивается с предыдущей моделью SA, где время сегментации зависело от пользовательского опыта: начинающие пользователи — 40,5 ± 9,06 минуты на набор, а опытные пользователи — 19,3 ± 5,34 минуты на набор данных (только наборы WT, включая исправление ошибок сегментации)12. Методы DL и SA демонстрируют значительные улучшения по сравнению с предыдущим золотым стандартом ручного контурирования сегментации при 190,6 ± 30,4 мин на набор данных опытным пользователем (выполненным с использованием традиционного анализа Scanco)12. Наборы данных по передним лапам (2 передниелапы) были сегментированы примерно за 53,4 ± 23,6 минуты без вмешательства пользователя, при этом увеличение времени сегментации можно объяснить дополнительными структурами в исходных наборах изображений (например, позвоночник и рёбра), которые отсутствуют в более изолированных задних лапах и увеличивают время сегментации при отсутствии предыдущих этапов редактирования объёма.

Количественная оценка точности проводилась с помощью визуального осмотра (HMK) для определения правильной сегментации или типа ошибки на основе ожидаемой анатомии костей (Задняя лапа:12,39; Передняя лапа: 40). Точность рассчитывалась в процентах по:

figure-protocol-1

Если истинные положительные результаты были правильно сегментированными костями, истинные отрицательные равны 0 (нет случаев, при которых кости должны быть отсутствующими, и фон не имеет значения для количественной оценки), ложноположительные — это перерасщепленные кости, а ложноотрицательные — чрезмерно связанные кости. Точность была признана правильной количественной метрикой при условии задачи одного класса (то есть выявление межмежугольных промежутков), а истинные отрицательные значения (то есть фон) не влияли на расчеты точности, что снижало риск переоценки производительности. Автоматизированный метод сегментации не включает наименование костей; Позднее имена костей вручную ассоциируются с сегментированными материалами пользователем.

Оценка задних лап, участвующих в этом исследовании, подтвердила фиксированное сраяние в тарзалах навикулярной и латеральной клинописной (NAVLAT) у мышей C57BL/6 41, а также установило, что соседняя промежуточная клинопись (INT) также может быть перестепенно срослась со структурой NAVLAT (NAVLATINT)12,39. Похожее переменное сращение наблюдалось в запястной области передних лап, где трапециевидные (ZOID; меньшие многоугольные) и центральные (CENT) кости могут проявляться как единая сросшаяся структура (CENTZOID) или подразделяться на отдельные кость, особенно у передних лап. Дополнительные костей запястной кости, исследованные для точности сегментации, включали трапецию (ZIUM; большой многоугольный), капитат (CAP), хаматный (HAM), трикветрум (TRI; треугольный), писиформный (PIS), ладьевидную (навикулярную)/лунную (SCAPHATE; фиксированное сращение) и falciformis (FALC). Передние пястные лапы (MET-F; 1-5), проксимальные фаланги (PP-F; 1-5), дистальные фаланги (DP-F; 2-5) и сесамовидные (S-F; 1-10) нумеруются латерально к медиальным, в отличие от задних лап (метатарзальные (MET-H), PP-H, DP-H и S-H), которые нумеруются медиально долатерального 12. Вместе с NAVLATINT были оценены дополнительные тарзальные кости на задние лапы, как описаноранее 12,23, включая пятчатую (CALC), кубическую (CUB), медиальную клинопись (MED), талус (TAL) и большеберцовую (TIB). Обратите внимание, что общие количественные оценки точности когорты немного различаются при сравнении оценки средней точности на набор данных с переменным количеством костей из-за анатомических сращений и точности, рассчитанной на основе общего количества отдельных костей.

Статистический анализ
Статистический анализ, включая трёхсторонний или двухсторонний анализ смешанных эффектов с эффектами взаимодействия или множественными сравнениями Сидака и точным тестом Фишера, был выполнен по мере необходимости в GraphPad Prism (v10.2.0; Сан-Диего, Калифорния, США). Мужчины (2–8 месяцев) и женщины (2–5 месяцев) анализировались отдельно, учитывая разные сроки оценки на основе ранней смертности женщинTNF-Tg 32. Размеры выборки задних лап WT, используемых для дрессировки/валидации и методологического тестирования, приведены в Дополнительной таблице 1, а также данные о размере выборки для тестируемых задних и передних лап WT и TNF-Tg в Дополнительной таблице 2, Дополнительной таблице 3 и Дополнительной таблице 4. Поскольку определённые временные периоды тестирования задних лап WT включали оценку точности для <3 задних лап, эффекты взаимодействия были зафиксированы без пост-хок множественных сравнений в анализах, включавших задние лапы WT. Целые или части задних лап были исключены из анализа, если имели ошибки при неполном захвате лапы, значительный артефакт движения, делающий сканирование неинтерпретируемым, и/или если животное умирало до запланированной сессии съёмки, поскольку все данные собирались in vivo.

Results

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

Внедрение автоматизированной идентификации пространства между суставами повышает точность сегментации костей
Учитывая гетерогенность формы и архитектуры костей в сложных структурах, таких как мышиная задняя лапа, мы опираемся на наш систематический алгоритм обработкиизображений 12 через прогнозы обучения DL (синий) в сочетании с этапами обработки изображений для надёжной идентификации межкостных суставных пространств в микро-КТ-наборах данных (рисунок 1A-B; процесс описан ниже и показан на дополнительном рисунке 1). Идентификация промежутков между костями позволила точно разделить и сегментировать отдельные задние лапы (отдельные цвета; Рисунок 1C). Для компонента DL наборы данных по обучению и валидации (WT) состояли из равного возраста (2-6 месяцев, n=8 задних лап на возраст) и пола (n=20 задних лап на пол). Остальные задние лапы WT (n=44, в возрасте от 2 до 8 месяцев, не считая 6 месяцев, так как все использовались для тренировки и валидации) служили тестовыми наборами данных для количественной оценки точности сегментации костей (рисунок 1D). В 2 месяца было 2 мужских задних лапы WT и 2 женских задних лапы WT в 3 месяца, которые были опущены из-за ошибки визуализации (Дополнительная таблица 1).

Помимо внедрения на задних лапах WT, мы также протестировали автоматизированный подход сегментации на задних лапах у мышей TNF-Tg (n=56 самцов, n=48 женских задних лап) при спонтанном воспалительно-эрозионном артрите. В 4 и 5 месяцах было 4 самок TNF-Tg задних лап, которые были опущены из-за ошибки визуализации или преждевременной смерти до окончания в 5 месяцев (Дополнительная таблица 2). Новый алгоритм сегментации автоматически обнаружил суставные пространства (синий, слева) для разделения отдельных костей (цвета, справа) между полами и генотипами (см. рисунок 2A-D). По точности сегментации отдельных костей, показанных в Дополнительной таблице 5 и Дополнительной таблице 6, WT превзошла наборы данных TNF-Tg как для мужчин (WT 98,4% против TNF-Tg 93,1%, p<0,0001), так и для женщин (WT 98,7% против TNF-Tg 92,1%, p<0,0001). Источник ошибки был визуально продемонстрирован как неполное закрытие промежутков между сочленениями (стрелки в белом пунктирном квадрате), что непреднамеренно привело к чрезмерному соединению двух отдельных костей в одну сегментацию (рисунок 2C-D). Эти чрезмерно связанные ошибки, выявленные у задних лап TNF-Tg, могут быть следствием хронического повреждения, приводящего к сращению суставов, когда пространство между костями больше не существует. Фактически, разница в точности между наборами данных WT и TNF-Tg становится более заметной со временем по мере увеличения тяжести артрита (рисунок 2E-F), особенно в тарзальных костях (рисунок 2G-H, жёлтый = повышенная точность, зелёный = сниженная точность), которые обычно служат надёжными биомаркерами прогрессирования эрозиикостей 23. Однако по сравнению с нашим предыдущим подходом к сегментации SA, в целом наблюдается заметное улучшение точности наборов данных (рисунок 2E-F; WT мужчины: SA 79,39% ± 5,73% против DL 98,16% ± 1,47%, p<0,0001; WT женщины: SA 79,16% ± 4,84% против DL 99,19% ± 1,63%, p<0,0001), демонстрируя надёжные методологические достижения как в автоматизации, так и в надёжности. Таким образом, наша новая стратегическая модель сегментации костей задней лапы с использованием идентификации суставного пространства с помощью DL обеспечивает значительно повышенную точность сегментации в наборах данных WT (>98%) по сравнению с предыдущими методами SA (~79%), но с немного устаревшей эффективностью при применении к задним лапам с воспалительно-эрозионным артритом (92%-93%).

Гибкое применение метода сегментации к передним лапам выявляет выраженное разрушение суставов и сращения костей у мышей TNF-Tg с быстрым снижением точности сегментации
Мы дополнительно расширили применение нового метода сегментации к мышиным передним лапам (n=55 WT мужских передних лап, n=29 WT женских передних лап, n=54 TNF-Tg мужских передних лап и n=50 TNF-Tg женских передних лап) с уникальным размером костей и анатомией. У самца WT была 1 передняя лапа через 4 месяца, 1 передняя лапа в 4 месяца и 2 передние лапы в 5 месяцев у женской женщины WT, 2 передние лапы через 3 месяца у самца TNF-Tg, и 2 передние лапы в 4 месяца и 4 передние лапы в 5 месяцев у самки TNF-Tg, которые были исключены из-за ошибок визуализации или преждевременной смерти до окончания конца. Кроме того, была обнаружена частичная ошибка визуализации для одной передней лапы в 3 месяца у самки WT с отсутствием DP-F3, PP-F3, DP-F4 и PP-F4 (Дополнительная таблица 3 и Дополнительная таблица 4). Для ориентации мы предоставляем модель передней лапы WT, при которой каждая отдельная кость разделена по цвету и номенклатуре, специфичной для кости, обозначена с разных точек зрения (рисунок 3). Предыдущие исследования на мышах TNF-Tg в основном были сосредоточены на задней лапе, а здесь мы демонстрируем архитектуру мышиных передних лап как у мышей WT, так и у TNF-Tg. Особенно мы выделяем запястные мышцы (жёлтый пунктирный круг) и сесамовидные мышцы (синий пунктирный круг), которые демонстрируют визуально выраженные эрозивные заболевания, особенно у самок TNF-Tg (рисунок 4A-D). Таким образом, сравнение точности сегментации задних и передних лап показало заметное снижение числа передних лап (эффект типа лапы p<0,0001), в основном вызванное резким снижением целостности костей с увеличением возраста и тяжести заболевания в наборах данных TNF-Tg (рисунок 4E-F; эффект генотипа лапы x p=0,0083; мужские передние лапы: WT 87,29% ± 2,07% против TNF-Tg 72,65% ± 11,70%, стр<0.0001). Подобно задним лапам, снижение точности сегментации TNF-Tg с возрастом и тяжесть заболевания более заметно у запястных мышц, а также у сесамовидных мышц (рисунок 4G-H, дополнительная таблица 7 и дополнительная таблица 8). Эта региональная патология кости может быть вызвана усиленной эрозионной активностью в соседних сочленениях MET-F и PP-F (метакарпофалангеального сустава). Оценка типа ошибки показала, что передние лапы TNF-Tg обычно имеют более высокий процент полностью эродированных костей по сравнению с задними лапами (дополнительный рисунок 2, красный отсутствует). Хотя это явно свидетельствует о прогрессирующей тяжести артрита, отсутствие костей у передних лап TNF-Tg также может подчеркнуть ограничение разрешения изображения. Серьёзные эрозии передних лап TNF-Tg дополнительно демонстрируются репрезентативными изображениями с течением времени, которые подчёркивают запястную область (белые стрелки) и прогрессирующее полное вывих лапы от предплечья (жёлтые стрелки), наиболее заметное у самок TNF-Tg (дополнительный рисунок 3). Таким образом, гибкое применение автоматизированного метода сегментации костей к уникальным структурам передней лапы показало выдающуюся эффективность в наборах датасетов WT (~87%) с аналогичным снижением точности у передних лап TNF-Tg при воспалительно-эрозионном артрите (67%-72%).

Доступность данных:
Как описано в разделе сбора микро-КТ-изображений, данные о задней лапе ранее были опубликованыв 12, 23, 35 и доступны публично наhttps://doi.org/10.5281/zenodo.11191782 28. Данные для количественной оценки точности в методе сегментации SA для наборов данныхWT 12 и TNF-Tg23 были перепрофилированы для прямого сравнения с новой моделью DL, описанной здесь. Конкретные данные из дополнительного предыдущего исследования не былиперепрофилированы 35, но те же наборы данных по задним лапам, которые доступныпублично 28, также были использованы. Дополнительная информация о лицензировании и перепрофилировании данных приведена ниже. Для целей описанного исследования соответствующие данные о передних лапах также были публично доступны в репозитории Zenodo (https://doi.org/10.5281/zenodo.14865639)29.

Данные точности для метода сегментации SA WT12 были перепрофилированы на рисунке 2. Повторное использование этого материала защищено Международной лицензией Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 Международной лицензией https://creativecommons.org/licenses/by-nc-nd/4.0/legalcode. Как авторы указанной работы, мы сохраняем право готовить другие производные работы с помощью Авторских прав от Elsevier https://beta.elsevier.com/about/policies-and-standards/copyright. Данные были перевизуализованы для сравнения с точностью со временем с аналогами TNF-Tg и напрямую сравнены с новым методом DL, описанным здесь.

Данные точности для методов сегментации SA WT и TNF-Tg наборовданных 23 были перепрофилированы для рисунка 2, а наборы данных WT и TNF-Tg задних лап были дополнительно оценены для объемных измерений, ранее23. Повторное использование материалов защищено лицензией Creative Commons Attribution License (https://creativecommons.org/licenses/by/4.0/), которая позволяет неограниченное использование, распространение и воспроизведение в любом носителе при условии указания автора и источника. Данные были перевизуализованы для оценки точности со временем и напрямую сравниваются с новым методом DL, описанным здесь.

Те же публично доступные наборы данных WT и TNF-Tg28 по задним лапам ранее использовались для объёмных измерений костей, для новых сравнений с когортами35 по колёсным бегу. Повторное использование материалов защищено Международной лицензией Creative Commons Attribution 4.0 (https://creativecommons.org/licenses/by/4.0/), которая разрешает использование, распространение, адаптацию, распространение и воспроизведение в любом носителе или формате, при условии, что вы указали соответствующее указание оригинальному автору и источнику, предоставили ссылку на лицензию Creative Commons и указали, были ли внесены изменения. Те же публично доступные наборыданных 28 были использованы в текущей работе, но без какого-либо конкретного использования или модификации ранее опубликованных точек данных.

figure-results-1
Рисунок 1: Автоматизированное обнаружение пространства в суставах с помощью стратегической обработки изображений и прогнозирования глубокого обучения для сегментации костей. Наборы микро-КТ мышей с визуализацией с (A) дорсальной (верхняй) и подошвенной (нижней) поверхностью были обработаны для (B) последующего автоматизированного определения суставных промежутков (синий) с использованием модели DL (описанной на дополнительном рисунке 1), разработанной на основе сегментаций костей золотогостандарта 12,23. (C) Окончательное успешное разделение костей (цвета, специфические для костей) осуществлялось с помощью дополнительной комбинации этапов обработки изображений, включая чёрныйтоп-хэт 12, улучшениеструктуры 37 и усиление мембраны с тензорнымголосованием 38 для надёжной идентификации пространства в суставах и маркировки отдельных костей. (D) Дрессировка и валидация (n=40 задних лап) компонента DL проводились с мышиными задними лапами WT одинакового возраста (от 2 до 6 месяцев, n=8 задних лап на каждую точку времени) и пола (n=20 задних лап, мужских/женских), при рандомизированном распределении 25% подобъёмов для валидации (3 подтома на заднюю лапу, всего 120 подтомов). Оставшиеся задние лапы WT (n=44) были оценены как тестовые случаи для дальнейшего анализа. Сочетание модели DL и алгоритмов обработки изображений было оценено с использованием ранее опубликованных и общедоступных наборовданных 23,28. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

figure-results-2
Рисунок 2: Реализация автоматизированной идентификации пространства в суставах с помощью глубокого обучения повышает точность сегментации костей. (A-B) После разработки автоматизированного обнаружения суставных пространств мы применили модель DL (слева: синие суставные пространства; справа: цвета сегментации, специфичные для костей) к оставшимся тестовым случаям для мужчин и женщин WT. (C-D) Мы также оценивали результаты на возрастных когортах (мужчины: 2–8 месяцев; женщины: 2–5 месяцев) мышей TNF-Tg с прогрессирующей воспалительно-эрозионной артритом, связанной с ранней смертностью уженщин 32 года. Вставленные изображения демонстрируют ошибки сегментации с высоким увеличением (пунктирные рамки), при которых разрывы в предсказанных суставных пространствах (белые стрелки) приводят к утечке в разделении костей, что приводит к ошибкам перевязанной сегментации костей. (E-F) Обратите внимание, что 6-месячный мужской таймпоинт был опущен, так как все наборы данных WT использовались для обучения и валидации, поэтому они не были включены в когорту тестирования DL. По сравнению с предыдущими алгоритмами сегментации SA12,23, точность сегментации (правильно сегментированные кости / общая сумма костей) значительно улучшилась для наборов данных WT и TNF-Tg с использованием подхода DL, независимо от пола (средние линии точности: сплошный чёрный = DL WT, пунктирный черный = DL TNF-Tg, сплошный серый = SA WT, пунктирный серый = SA TNF-Tg). Однако точность сегментаций TNF-Tg заметно снижалась со временем и с прогрессирующим повреждением суставов по сравнению с WT, хотя метод продолжал превосходить метод SA. (Г-Х) Тепловые карты точности, указанные для костных компартментов (T = тарзалы, MT = плюсневые кости, PP = проксимальные фаланги, DP = дистальные фаланги, S = сесамовидные), демонстрируют повышенный уровень ошибки у мышей TNF-Tg, преимущественно локализованный в области тарзали (светлая (жёлтая) = высокая (100%), тёмная (фиолетовая) = низкая (20%) точность). Как уже упоминалось, вставленные изображения (C-D) выделяют источник ошибки с разъединёнными суставными пространствами (стрелки, левое изображение), что приводит к чрезмерно соединённым костям (цвета, правое изображение). Фактически, ошибки были преимущественно связанными (2+ костей сегментированы как 1 материал; указано на дополнительном рисунке 2), что может отражать патологический процесс сращений суставов с возрастающей степенью артрита. Статистика: трёхсторонний анализ смешанных эффектов (SA против DL; метод x генотипа x время; E-F), двухсторонний смешанный эффектный анализ (WT против TNF; генотип x время; E-H); с<0.0001, **p<0.01, *p<0.05 (эффекты взаимодействия); данные представлены как среднее ± стандартное отклонение. Размеры выборки: n=34 задние лапы WT самца (n=2 в 2 месяца, n=4 в 3 месяца, n=6 в 4-5 месяцев, n=0 в 6 месяцев [все данные использованы для тестирования], n=8 в 7-8 месяцев), n=10 задних лап WT самки (n=4 в 2 месяца, n=2 в 3-5 месяцев), n=56 задних лап TNF-Tg самцов (n=8 в 2-8 месяцев), и n=48 самок TNF-Tg задних лап (n=14 в 2-3 месяца и n=10 в 4-5 месяцев). Данные, использованные в этом рисунке, были изменены по сравнению с предыдущимиисследованиями 12,23. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

figure-results-3
Рисунок 3: Гибкое применение сегментации глубокого обучения в суставном пространстве к другим сложным структурам выделяет анатомию кости передней лапы мыши. Далее мы оценили потенциал модели сегментации суставного пространства DL автоматически разделять кости в дополнительные сложные структуры за пределами задней лапы. Метод сегментации был реализован на соответствующих микро-КТ данных передней лапы, визуализированных с (A) дорсальной, (B) подошвенной, (C) латеральной и (D) медиальной поверхностей с цветами, представляющими отдельные сегментированные кости. Мы выявили потенциал точной сегментации костей передней лапы, включая отдельные запястные мышцы, пястицы (#, MET-F), проксимальные фаланги (^, PP-F), дистальные фаланги (~, DP-F), сесамовидные (пунктирные круги, S-F) и когти (*), с костно-специфической маркировкой, соответствующей известной анатомиипередней лапы 40. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

figure-results-4
Рисунок 4: Мыши TNF-Tg демонстрируют выраженное разрушение суставов передних лап и сращения костей с быстрым снижением точности сегментации. (A-B) Учитывая сложность и малую структуру мышиных передних лап, что подчёркивается дорсальной (левая) и подошвенная (справа) визуализация микро-КТ с ВТ самцов и самок мышей (C-D) анатомия и сопутствующий артрит у мышей TNF-Tg ранее не оценивались. Применение нашего нового подхода суставного пространства DL предоставило первоначальную возможность оценить эти сложные структуры, снизив аналитические сложности с достижением точности >85% для передних лап, хотя и с меньшей точностью по сравнению с задними лапами (средние линии точности: сплошный синий = WT задняя лапа, пунктирный синий = TNF-Tg задняя лапа, сплошно красный = WT передняя лапа, пунктирная красная = TNF-Tg передняя лапа). (E-F) Кроме того, передние лапы TNF-Tg показали быстрое и резкое снижение точности сегментации из-за ошибок, локализованных в запясттях (жёлтые пунктирные круги в A-D) и сесамовидных (синие пунктирные круги в A-D) со временем. (Г-Х) Снижение регионального снижения точности сегментации показано тепловыми картами (светлый (жёлтый) = высокий (100%), тёмный (фиолетовый) = низкая (20%) точность) костных компартментов (C = запятья, MC = пярусные мышцы, PP = проксимальные фаланги, DP = дистальные фаланги, S = сесамовидные). Обратите внимание, что 6-месячный мужской таймлайн был опущен в (E ), так как все наборы данных WT по задним лапам использовались для обучения и валидации, поэтому не были включены в когорту тестирования DL. Статистика: трёхсторонний смешанный анализ эффектов (задняя лапа против передней, WT против TNF; тип X генотипа лапы x время, сообщается о взаимодействиях; E-F), двусторонний смешанный анализ эффектов с множественными сравнениями Сидака (WT против TNF; генотип x время; G-H); стр<0.0001, **с<0.01, *с<0.05; данные представлены как среднее ± стандартное отклонение. Размеры выборки: n=55 передних лап WT самца (n=8 в 2-3 и 5-8 месяцев, n=7 в 4 месяца), n=29 передних лап WT самки (n=8 в 2-3 месяца, n=7 в 4 месяца, n=6 в 5 месяцев), n=54 передних лапы TNF-Tg самца (n=8 в 2 и 4-8 месяцев, n=6 в 3 месяца), и n=50 передних лап (n=14 в 2-3 месяца, n=12 в 4 месяца и n=10 в 5 месяцев). Данные по задним лапам DL (E-F) воспроизведены из рисунка 2E-F для дополнительного сравнения с данными о передних лапах DL. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Дополнительный рисунок 1: Разработка и обучение модели глубокого обучения совместного обнаружения. (A) Области совместного соединения были получены из первоначальных сегментаций костей с основной правдой по автоматическому рецепту с использованием Amira, который сочетает расширение метки, извлечение интерфейсов меток, маскирование и расширение. (B) Для каждого из 20 обучающих наборов микро-КТ (40 задних лап) вручную извлекались 6 подтомов по 200 x 200 вокселей из тарзалов, дистальных фаланг и фоновых областей, равномерно разделённых между левой и правой лапами (по 3 участка на каждую заднюю лапу). Полученные 120 подтомов затем использовались как вход для тренировочного модуля 3D-сегментации Amira вместе с соответствующими маркированными совместными областями в качестве наземной цели истинности. Рандомизированное подмножество 25% патчей использовалось для валидации с целью контроля переподгонки модели во время обучения. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительный рисунок 2: Разное распределение типов ошибок между задними и передними лапами. Аналогично ранее разработанному алгоритму сегментации SA12,23, модель совместного пространства DL производила наибольшую долю ошибок за счёт чрезмерного соединения костей (зелёный, 2+ костей, сегментированных в 1 материал), наиболее заметные в задних лапах (A-D) или (E-F) WT передних лапах. Как отмечено на рисунке 2, ошибки сверхсвязности возникают, если в обнаруженном суставном пространстве есть зазор, который может возникнуть по разным причинам, включая большую близость костей по сравнению с разрешением изображения, артефакт движения, размывающий суставное пространство, или ремоделирование костей в контексте артрита, приводящее к сращению суставов. (Г-Х) Интересно, что передние лапы TNF-Tg демонстрируют заметно большую долю отсутствующих костей (красных), что означает, что кость полностью отсутствует при сегментации. Эти ошибки, вероятно, связаны с сочетанием серьёзных эрозий и недостатков разрешения изображения, учитывая относительно уменьшенный размер костей передних лап, особенно запястных и сесамовидных костей как основного источника ошибок (рисунок 4), по сравнению с задними лапами. Дополнительные типы ошибок включают оверсплит (синий, 1 кость, сегментированный на 2+ материалы) или как пересвязанный, так и оверсплит (оранжевый). Круговые диаграммы отражают пропорции общих ошибок, относящихся к определённым подтипам ошибок. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительный рисунок 3: Оценка прогрессирующего артрита передней лапы TNF-Tg с тяжёлыми эрозиями костей и вывихами суставов. Чтобы визуализировать структурные изменения передних лап с течением времени, мы предоставили репрезентативные изображения дорсальной поверхности: (A) WT самца, (B) TNF-Tg самца, (C) WT женских и (D) TNF-Tg женских предних лап в период от 2 до 5 месяцев (слева направо), чтобы особенно подчеркнуть запястную область (белые стрелки). Обратите внимание на сильные эрозии и ремоделирование костей, которые происходят примерно через 4 месяца у самок и 5 месяцев у самцов. Эти периоды предшествуют типичному началу тяжёлой эрозии костей задних лап примерно в 5 месяцев у самок и 7–8 месяцев у мужчинс 23 годами. (E) Боковой вид женских передних лап TNF-Tg также демонстрирует прогрессирующее вывих всей лапы от предплечья (жёлтые стрелки), связанное с разрушением сустава. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительная таблица 1: Размеры выборок задних лап WT для обучения, валидации и методологического тестирования по DL. Размеры выборок по количеству задних лап приведены по возрасту (2-8 месяцы) и организованы по наборам данных, используемым для обучения/валидации DL, полного методологического тестирования или тех, которые были опущены из-за ошибок изображения, тяжёлого артефакта движения или смерти до запланированного микро-КТ. Черные клетки с 6 по 8 месяцев у самок указывают на планируемое прекращение сканирования через 5 месяцев из-за ранней смертности экспериментальных собратьев TNF-Tg. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительная таблица 2: Размеры выборок задних лап TNF-Tg для методического тестирования. Размеры выборки по количеству задних лап приведены по возрасту (2-8 месяцы) и организованы по наборам данных, используемым для тотального методологического тестирования или по тем, которые были опущены из-за ошибок визуализации, серьёзных артефактов движения и/или смерти до назначенного микро-КТ. Черные клетки с 6 по 8 месяцев у самок указывают на планируемое прекращение сканирования через 5 месяцев из-за ранней смертности самок мышей TNF-Tg. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительная таблица 3: Размеры выборки передних лап WT для методического тестирования. Размеры выборки по количеству передних лап приведены по возрасту (2-8 месяцы) и организованы по наборам данных, используемым для полного методологического тестирования, или по тем, которые были опущены из-за ошибок визуализации, серьёзных артефактов движения и/или смерти до запланированного микро-КТ. Черные клетки с 6 по 8 месяцев у самок указывают на планируемое прекращение сканирования через 5 месяцев из-за ранней смертности экспериментальных собратьев TNF-Tg. *В 3 месяца у самок с WT n=1 передняя лапа была опущена DP-F3, PP-F3, DP-F4 и PP-F4 из-за ошибки визуализации, хотя остальная часть передней лапы была оценена. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительная таблица 4: Размеры выборок передних лап TNF-Tg для методического тестирования. Размеры выборки по количеству передних лап приведены по возрасту (2-8 месяцы) и организованы по наборам данных, используемым для полного методологического тестирования, или по тем, которые были опущены из-за ошибок визуализации, серьёзных артефактов движения и/или смерти до запланированного микро-КТ. Черные клетки с 6 по 8 месяцев у самок указывают на планируемое прекращение сканирования через 5 месяцев из-за ранней смертности самок мышей TNF-Tg. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительная таблица 5: Точность отдельных костей у самцов задних лап .Для выявления конкретных костей, снижающих точность сегментации у TNF-Tg по сравнению с WT задними лапами, приводятся детали о количестве костей правильно или неправильно, а также о проценте правильности относительно общего числа оцененных костей у самцов. В области тарзальной кости, где наблюдаются первичные дефициты (рисунок 2), пятчатая (CALC), промежуточная клинообразная (несросленная, INT) и навикулярная/латеральная клинопись (без сплавления) продемонстрировали наиболее заметное снижение точности для задних лап TNF-Tg. Статистика: точный тест Фишера; *p<0.05, **p<0.01, ***p<0.001, ****p<0.0001. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительная таблица 6: Точность отдельных костей женских задних лап .Для выявления конкретных костей, снижающих точность сегментации у TNF-Tg по сравнению с WT задними лапами, приводятся детали о числе костей правильно или неправильно, а также о проценте правильности относительно общего числа костей у самок мышей. Учитывая использование наборов данных для обучения и валидации DL, а также сокращение до 5 месяцев для сравнения с мышами TNF-Tg с раннейсмертностью 32, общее количество выделенных задних лап для тестирования DL у самок WT ограничивает возможности для индивидуального сравнения костей объяснить общую сниженную точность в наборах данных TNF-Tg. Статистика: точный тест Фишера; стр<0.0001. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительная таблица 7: Индивидуальная точность костей у мужских передних лап .Для выявления конкретных костей, снижающих точность сегментации у передних лап TNF-Tg и WT, приводятся данные о количестве костей правильно или неправильно, а также о проценте правильности относительно общего числа оцененных костей у самцов. В запястной и сесамовидной областях, где наблюдаются первичные дефициты (Рисунок 4), главный (CAP), трикветрум (TRI), центральный (несрослённый, CENT), скафоидный/лунатный (SCAPHATE), трапециевидный (ZOID) и сесамовидные 2-10 продемонстрировали наиболее заметное снижение точности для передних лап TNF-Tg. Стоит отметить, что точность сесамоидов 1 и 2 недостаточна как для наборов данных WT, так и TNF-Tg. Интересно, что пястная часть 1 действительно показала улучшение точности сегментации у мышей TNF-Tg, возможно, благодаря плотным сочленениям с соседними костями, что приводило к чрезмерно связанным ошибкам, которые смягчаются при эрозии артрита. Статистика: точный тест Фишера; *p<0.05, **p<0.01, ***p<0.001, ****p<0.0001. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительная таблица 8: Индивидуальная точность костей женских передних лап .Для выявления конкретных костей, снижающих точность сегментации у передних лап TNF-Tg по сравнению с WT, приводятся детали о количестве костей правильно или неправильно, а также о проценте правильности относительно общего числа оцененных костей у самок мышей. В запястной и сесамовидной областях, где наблюдаются первичные дефициты (рисунок 4), наиболее заметное снижение точности передних лап TNF-Tg показали наиболее заметное снижение точности в области запястной и сесамовидной мышцы (CAP), хамата (HAM), трикветра (TRI) и сесамовидных мышц 1-10. Стоит отметить, что точность сесамоидов 1 и 2 недостаточна как для наборов данных WT, так и TNF-Tg. Статистика: точный тест Фишера; *p<0.05, ***p<0.001, ****p<0.0001. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительный файл 1: Рецепт совместной сегментации для обучения модели глубокого обучения. Серия встроенных шагов для извлечения сегментированных суставных промежутков из золотого стандарта предварительно сегментированных микро-КТ задних лап, которые использовались для обучения модели DL для идентификации пространства суставов. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительный файл 2: Рецепт сегментации костей с использованием обработки изображений с использованием глубокого обучения. Серия встроенных шагов для преобразования оригинальных микро-КТ данных в сегментации отдельных костей с использованием этапов обработки изображений в сочетании с результатом идентификации пространства суставов DL для направления разделения костей. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительный файл 3: Веса прогнозов для глубокого обучения. Файл, используемый в качестве входа для весов при глубоком обучении, прогнозировании сегментации между суставами. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительный файл 4: Архитектура прогнозирования глубокого обучения. Файл, используемый в качестве входа для архитектуры при глубоком обучении, прогнозировании сегментации между состыками. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительный файл 5: Скрипт для глубокого изучения Python. Файл, используемый в качестве скрипта на Python для глубокого обучения прогнозирования сегментации пространства суставов. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Discussion

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

Завершая полностью автоматизированные анализы объёмов костей у мышей, мы добились дальнейших улучшений в сегментации микро-КТ данных в сложных структурах, особенно задних лапах мышей. Стратегия заключалась в том, чтобы нацелиться на сочленяющиеся суставные пространства для создания границ для разделения костей, где акцент на отрицательном пространстве между костями позволял гибко реализовать в альтернативных структурах, таких как передняя лапа, поскольку подход не был специфичен для формы и анатомии отдельных костей задних лап. Хотя точность сегментации снизилась при выполнении на передних лапах, наборы данных WT всё равно показывали точность костей >85%. Хорошо описанные корректирующиепроцессы 12 могут быть применены для создания предварительно аннотированных наборов данных по моделям передней лапы для обучения DL, что значительно снижает барьеры при создании алгоритмов, специфичных для структуры. Этот новый подход также позволял применять его к ФНО-Тг лапам с тяжёлым и прогрессирующим воспалительно-эрозионным артритом. У лап TNF-Tg снижение точности сегментации было заметным со временем, что соответствовало постепенному увеличению эрозии костей и последующим патологическим слияниям костей из-за ремоделирования эродированных поверхностей с возрастом. Таким образом, удивительно успешное применение автоматизированной и высокоточной модели сегментации в структурах WT имеет потенциал для будущих применений в моделях заболеваний или других сложных суставах. Дальнейшие исследования будут сосредоточены на оптимизации сегментации артритных суставов, что может количественно оценивать патологические эффекты эрозий и слияний костей для выявления биомаркеров заболевания, как было описаноранее 23.

Несмотря на успешное использование микро-КТ визуализации для мониторинга эрозии мелких костей в доклинических моделяхартрита 12,23,25,35,42, применение методов КТ в клинической оценке было ограничено. В частности, для ревматоидного артрита системы оценки в первую очередь реализуются дляМРТ 43,УЗИ 44,45 и/или обычногорентгена 46 для получения полуколичественных и зависимых от пользователя измерений тяжести заболевания, часто в сочетании с клиническимипоказателями 47. Поскольку КТ считается золотым стандартом для оценки целостностикостей 48,49, дальнейшая оптимизация клинически переводимых аналитических подходов обещает принести огромную пользу для надёжной и продольной количественной оценки объёмов костей, как для измерения тяжести заболевания, так и для оценки ответа на лечение. Хотя методы визуализации, такие как МРТ, предоставляют более широкий спектр информации, включая области воспаления, изменения костного мозга и патологию мягких тканей, новые методы КТ с многоэнергетическими входами дают потенциал для расширения использования КТ за пределы костной архитектуры. Несмотря на эти предложенные преимущества, мы также признаём огромные сложности клинической трансляции с помощью разработанных доклинических аналитических инструментов, учитывая применение к клиническим КТ-изображениям низкого разрешения и внедрению в определённую анатомию человека. Подобно нашему недавнему выявлению костно-специфических биомаркеров в доклинических моделях23 при артрите, детальная клиническая работа, изучающая чисто количественные показатели эрозии костей, стала бы значительным прорывом в мониторинге заболеваний.

Хотя наша текущая работа закладывает основу для клинической реализации, учитывая потенциал гибкого применения новых структур с целью нацеливания на суставные пространства, основным ограничением является использование хорошо задокументированного доклинического исследовательского программного обеспечения в Amira, не предназначенного для клинической диагностики. Однако базовые алгоритмы и стратегический дизайн легко реализуются в альтернативных программных средах с помощью подробной методологии. Независимо от используемого исследовательского программного обеспечения, внедрение в клиническое применение (а не для исследований) требует трансляционных усилий, соответствующих нормативным требованиям для внедрения в клиническую практику. Для применения новой стратегии сегментации также важно учитывать потенциальные ограничения в дифференциальном разрешении изображения, где мы ранее описывали, что разрешение изображения (то есть размер вокселя/структуры) является ключевым фактором точности сегментации с использованием исключительно алгоритмов обработкиизображений 12. На самом деле, это, возможно, связано с небольшим снижением точности сегментации передних лап, когда уменьшение размера структур передних лап по своей природе приводило к относительно более низкому качеству изображения по сравнению с задними. Также важно учитывать разницу в возрастном диапазоне обучения (2-6 месяцев) и наборов данных по тестированию (включая 7-8 месяцев), что может влиять на применение и точность при возрастных изменениях, включая продолжение роста костной кости или дальнейшее начало патологии суставов. Наши результаты подтверждают сохранение точности для задних лап WT в анализе DL после 6 месяцев (рисунок 2E), что указывает на снижение сегментационных показателей у TNF-Tg, вероятно, больше связано с воспалительно-эрозионным прогрессированием независимо от самого возраста. Однако для обеспечения стабильной точности независимо от возрастного возраста когорты обучения с дикой дикой типом необходимы дополнительные исследования с пожилыми и пожилыми мышами. Наконец, расширение описанных методов за пределы одноклассного подхода к разделению костей к более надёжному многоклассовому аналитическому инструменту, включающему предсказанные названия костей на основе структурной архитектуры или координатного расположения в фиксированной анатомии (например, как атласное дерево), безусловно, обеспечит существенные улучшения и, вероятно, повысит внедрение методов.

В заключение, мы разработали новую стратегию микро-КТ с участием обработки изображений и DL для изоляции отдельных костей в сложных структурах. Эта инновация демонстрирует значительное улучшение как в автоматизированности, так и в точности сегментации по сравнению с недавно созданным SAworkflow 12, который здесь стал основой для создания многочисленных сегментаций золотого стандарта для обучения моделей DL и оптимизации текущих улучшений. Хотя трансляция методов сегментации у передних и лап с воспалительно-эрозионным артритом показала устаревшую эффективность, внедрение этого подхода к сегментации DL может сократить ручные усилия, необходимые для создания полностью аннотированных наборов данных для создания моделей обучения DL, специфичных для патологии или структуры. Использование этого метода DL в будущих исследованиях может позволить оптимизировать сегментацию костей между различными видами и моделями заболеваний в доклинических исследованиях, чтобы провести детальный количественный анализ в дальнейшем направлении. Мы также призываем внедрять такие стратегии в клинические исследования, так как они обещают в будущем пользу для ухода за пациентами.

Disclosures

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

Даниэль Личо и Реми Блан — сотрудники ThermoFisher Scientific, участвующие в разработке и обслуживании программного обеспечения Amira, используемого для создания методов, описанных в этой рукописи. Всем остальным авторам нечего раскрывать.

Acknowledgements

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

Источники финансирования: F30AG076326 (HMK), T32GM007356 (HMK), R01AR069000 (CTR), R01AR056702 (EMS) и P30AR069655 (LS, EMS и HAA). HMK проходил стажировку в программе подготовки медицинских ученых, финансируемой NIH T32GM007356. Содержание полностью лежит на авторах и не обязательно отражает официальную точку зрения Национального института общей медицинской науки (NIH). Мы хотели бы поблагодарить преподавателей и сотрудников ядра гистологии, биохимии и молекулярной визуализации, центра биомеханики, биоматериалов и мультимодальной тканевой визуализации, а также Центра исследований опорно-двигательного аппарата при Медицинском центре Университета Рочестера за их вклад в эту работу.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Вычислительная системаПодробности приведены в разделе «Протокол» Подробности приведены в разделе «Протокол» 
Программное обеспечение для визуализации изображенийThermoFisher Scientificv2022.2 или более поздниеАмира
ИзофлуранVetOne13985-528-60Флуризо, 1-3% для анестезии
МышиМедицинский центр Университета РочестераН/ДC57BL/6, TNF-трансгенный
Микро-КТScanco MedicalН/ДVivaCT 40
Статистическое программное обеспечениеGraphPad Software, Incv10.2.0 или более поздние версииGraphPad Prism
ЗаписьН/ДН/ДЧтобы закрепить лапы животных для визуализации
ТрубкиН/ДН/ДПластик Derlin и прозрачный акрил для стабилизации животных

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Guidelines for assessment of bone microstructure in rodents using micro-computed tomography. J Bone Miner Res. 25 (7), 1468-1486 (2010).">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. Computational pathology for musculoskeletal conditions using machine learning: advances, trends, and challenges. Arthritis Res Ther. 24 (1), 68(2022).">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. Redefining Radiology: A Review of Artificial Intelligence Integration in Medical Imaging. Diagnostics (Basel). 13 (17), 2760(2023).">Najjar, R. Redefining Radiology: A Review of Artificial Intelligence Integration in Medical Imaging. Diagnostics (Basel). 13 (17), 2760(2023).
  4. Review of deep learning: concepts, CNN architectures, challenges, applications, future directions. J Big Data. 8 (1), 53(2021).">Alzubaidi, L., et al. Review of deep learning: concepts, CNN architectures, challenges, applications, future directions. J Big Data. 8 (1), 53(2021).
  5. Convolutional neural network for detecting rib fractures on chest radiographs: a feasibility study. BMC Med Imaging. 23 (1), 18(2023).">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. Fully automated pelvic bone segmentation in multiparameteric MRI using a 3D convolutional neural network. Insights Imaging. 12 (1), 93(2021).">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. Automated anomaly-aware 3D segmentation of bones and cartilages in knee MR images from the Osteoarthritis Initiative. Med Image Anal. 93, 103089(2024).">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. An improved AlexNet model for automated skeletal maturity assessment using hand X-ray images. Future Generat Comp Syst. 121, 106-113 (2021).">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. SMANet: multi-region ensemble of convolutional neural network model for skeletal maturity assessment. Quant Imaging Med Surg. 12 (7), 3556-3568 (2022).">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. SVTNet: Automatic bone age assessment network based on TW3 method and vision transformer. Int J Imag Syst Technol. 34 (2), e22990(2024).">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. Segmentation of carpal bones from CT images using skeletally coupled deformable models. Med Image Anal. 7 (1), 21-45 (2003).">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. A High-Throughput Semi-Automated Bone Segmentation Workflow for Murine Hindpaw Micro-CT Datasets. Bone Rep. 16, 101167(2022).">Kenney, H., et al. A High-Throughput Semi-Automated Bone Segmentation Workflow for Murine Hindpaw Micro-CT Datasets. Bone Rep. 16, 101167(2022).
  13. Bone and joint enhancement filtering: Application to proximal femur segmentation from uncalibrated computed tomography datasets. Med Image Anal. 67, 101887(2021).">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. Atlas-based whole-body segmentation of mice from low-contrast Micro-CT data. Med Image Anal. 14 (6), 723-737 (2010).">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. Automatic nonrigid registration of whole body CT mice images. Med Phys. 35 (4), 1507-1520 (2008).">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. Articulated whole-body atlases for small animal image analysis: construction and applications. Mol Imaging Biol. 13 (5), 898-910 (2011).">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. Image Registration in Longitudinal Bone Assessment Using Computed Tomography. Curr Osteoporos Rep. 21 (4), 372-385 (2023).">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. Fully automated segmentation in temporal bone CT with neural network: a preliminary assessment study. BMC Med Imaging. 21 (1), 166(2021).">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. 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).">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. Fast and accurate 3-D spine MRI segmentation using FastCleverSeg. Magn Reson Imaging. 109, 134-146 (2024).">Ramos, J. S., et al. Fast and accurate 3-D spine MRI segmentation using FastCleverSeg. Magn Reson Imaging. 109, 134-146 (2024).
  21. Improved Repeatability of Mouse Tibia Volume Segmentation in Murine Myelofibrosis Model Using Deep Learning. Tomography. 9 (2), 589-602 (2023).">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. Automated multi-scale computational pathotyping (AMSCP) of inflamed synovial tissue. Nat Commun. 15 (1), 7503(2024).">Bell, R. D., et al. Automated multi-scale computational pathotyping (AMSCP) of inflamed synovial tissue. Nat Commun. 15 (1), 7503(2024).
  23. 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).">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. Detection and characterisation of bone destruction in murine rheumatoid arthritis using statistical shape models. Med Image Anal. 40, 30-43 (2017).">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. Mechanical strain determines the site-specific localization of inflammation and tissue damage in arthritis. Nat Commun. 9 (1), 4613(2018).">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. Open-source pipeline for automatic segmentation and microstructural analysis of murine knee subchondral bone. Bone. , 167(2023).">Mahdi, H., et al. Open-source pipeline for automatic segmentation and microstructural analysis of murine knee subchondral bone. Bone. , 167(2023).
  27. Finite element models with automatic computed tomography bone segmentation for failure load computation. Sci Rep. 14 (1), 16576(2024).">Saillard, E., et al. Finite element models with automatic computed tomography bone segmentation for failure load computation. Sci Rep. 14 (1), 16576(2024).
  28. Zenodo. , (2024).">Kenney, H., et al. Micro-CT of hind paw. Zenodo. , (2024).
  29. Zenodo. , (2025).">Kenney, H., et al. Micro-CT of hind paw. Zenodo. , (2025).
  30. Transgenic mice expressing human tumour necrosis factor: a predictive genetic model of arthritis. EMBO J. 10 (13), 4025-4031 (1991).">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. The TNF-alpha transgenic mouse model of inflammatory arthritis. Springer Semin Immunopathol. 25 (1), 19-33 (2003).">Li, P., Schwarz, E. The TNF-alpha transgenic mouse model of inflammatory arthritis. Springer Semin Immunopathol. 25 (1), 19-33 (2003).
  32. 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).">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. 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).">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. 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).">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. 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).">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. Mathematical Morphology in Image Processing. , CRC Press. (1992).">Meyer Sm Beucher, F. Mathematical Morphology in Image Processing. , CRC Press. (1992).
  37. Medical Image Computing and Computer-Assisted Intervention - MICCAI'98. Wells, W. M., Colchester, A., Scott, D. , Springer. Berlin Heidelberg. 130-137 (1998).">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. Robust membrane detection based on tensor voting for electron tomography. J Struct Biol. 186 (1), 49-61 (2014).">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. Micro-tomographic atlas of the mouse skeleton. , Springer Science + Business Media. (2007).">Bab, I., Hajbi-Yonissi, C., Gabet, Y., Müller, R. Micro-tomographic atlas of the mouse skeleton. , Springer Science + Business Media. (2007).
  40. Micro-Tomographic Atlas of the Mouse Skeleton. , Springer. (2007).">Bab, I., Hajbi-Yonissi, C., Gabet, Y., Müller, R. Micro-Tomographic Atlas of the Mouse Skeleton. , Springer. (2007).
  41. Anatomical Variation of the Tarsus in Common Inbred Mouse Strains. . Anat Rec (Hoboken). 300 (3), 450-459 (2017).">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. 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).">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. 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).">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. 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).">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. 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).">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. 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).">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. Update of the American College of Rheumatology Recommended Rheumatoid Arthritis Disease Activity Measures. Arthritis Care Res (Hoboken). 71 (12), 1540-1555 (2019).">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. 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).">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. Detection of bone erosions in rheumatoid arthritis wrist joints with magnetic resonance imaging, computed tomography and radiography. Arthritis Res Ther. 10 (1), R25(2008).">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. Dual-energy CT: a new imaging modality for bone marrow oedema in rheumatoid arthritis. Ann Rheum Dis. 77 (6), 958-960 (2018).">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