Автоматизированное обнаружение пространства в суставах повышает точность сегментации костей

Недавние высокопроизводительные алгоритмы обработки изображений предоставили множество стандартных сегментаций костей сложных суставов с потенциалом для обучения моделей глубокого обучения. Текущая проблема — ограниченная возможность использовать предыдущие стратегии сегментации в будущих экспериментах с учётом структуроспецифических алгоритмов и значимых ручных корректирующих процессов. Мы решаем необходимость воспроизводимого автоматизированного анализа изображений, который позволяет количественно оценивать здоровье костей и прогрессирование остеоартрита, минимизируя ручной труд и жизнеспособность.

Для начала просмотрите набор данных микрокомпьютерной томографии, чтобы заметить, что кость и мягкие ткани чётко различаются. Осмотреть области, где соседние кости плотно расположены, чтобы выявить области, где ограниченное разрешение изображения и минимальные зазоры затрудняют обнаружение их границ. Обратите внимание на исходный уровень, где метод сегментации на основе контролируемого водосборного бассейна обеспечивает общую точность примерно 80%. Для повышения точности сегментации примените обновлённый рабочий процесс, который сочетает заранее обученную модель предсказания пространства суставов с готовой обработкой изображений и рецептом разделения костей на основе водосборного бассейна в программной среде Amira.

Загрузите набор данных микрокомпьютерной томографии в Amira. Подключите модуль для прогнозирования глубокого обучения. Выберите обучаемую модель и нажмите Применить, чтобы сгенерировать начальную сегментацию пространства между суставами.

Затем загрузите рецепт в модуль Image Recipe Player. Соедините набор данных микрокомпьютерной томографии и предварительную сегментацию суставов и примените рецепт для получения окончательной сегментации с полностью индивидуализированными костями. Наконец, оцените полученный результат, скорректируя цветовую карту на метки 256 и проверяя ортогональные срезы и рендеры объёма, чтобы подтвердить успешное разделение отдельных костей по всей задней лапе.

Чтобы осмотреть или отредактировать рецепт обработки изображений, откройте рабочую комнату с рецептами изображений в Amira и загрузите рецепт разделения костей. Подключите необходимые входные данные и настройте параметры в окне «Свойства», чтобы настроить рабочий процесс под текущий набор данных. Для обзора структуры рабочего процесса последовательно визуализируйте промежуточные выходы, генерируемые рецептом, затем примените математический морфологический метод чёрного топ-хэта, реализуемый через закрытие, арифметическое вычитание и пороговое определение, и используйте этот шаг для выделения воксели, которые темнее окружающей среды и соответствуют областям суставов.

Для повышения специфичности примените фильтр Structure Enhancement для усиления тёмных, тонких плоских структур, соответствующих суставным пространствам. Дополнительно укрепите непрерывность суставов с помощью фильтра Membrane Enhancement, который включает этап тензорного голосования. Затем интегрировать сверточную нейронную сеть, обученную идентифицировать периартикулярное отрицательное пространство, с результатами предыдущих фильтров обработки изображений, чтобы создать окончательную суставную маску.

Для завершения разделения костей вычтите последнюю маску сустава из костной маски и рассматривайте каждый оставшийся связанный компонент как маркер для отдельной кости. Примените алгоритм водосбора, чтобы вырастить каждый маркер внутри исходной костной маски, восстановить отдельные кости и разместить границы в оптимальных позициях на основе интенсивности изображения. Для подготовки обучающих данных для модели глубокого обучения выберите 20 наборов данных дикого типа, представляющих 40 задних лап с сбалансированным распределением пола и возрастом от 2 до 6 месяцев.

Извлекать шесть подтомов из каждого набора данных с тремя подтомами на задней лапе. Используйте субобъёмы размером 200 x 200 x 200 вокселей, чтобы покрыть область голеностопа, цифры и представительные фоновые области. Настройте трёхмерную архитектуру U-Net с магистралью ResNet-18.

Оптимизировать модель с помощью алгоритма Адама с начальной скоростью обучения 0,0001 и случайно инициализированными весами. Обучить модель с помощью функции потерь кубиков и отслеживать эффективность валидации, используя метрику пересечения по объединению. Использование глубокого обучения для идентификации суставных промежутков в микро-КТ-наборах данных позволило чётко и последовательно разделять отдельные задние лапы.

Сосредоточившись на периартикулярном отрицательном пространстве, модель точно определила границы костей даже в плотно уплотнённых областях. По сравнению с полуавтоматизированным рабочим процессом, который достигал около 80% точности, подход глубокого обучения показал заметное улучшение для диких мышей, достигнув точности 98-99% при минимальной ручной коррекции. У трансгенных мышей с фактором некроза опухолей (TNF) метод глубокого обучения сохранял высокую эффективность, несмотря на прогрессирующую воспалительную эрозию, с точностью около 98% на ранних стадиях прогрессирования заболевания.

Хотя модель тренировалась исключительно на задних лапах, её можно было применять непосредственно к передним лапам без переобучения для получения анатомически согласованных сегментаций, что демонстрирует сильную обобщение на сложные структуры. Было установлено, что прогрессирование тяжёлого эрозивного заболевания и разрушения суставов ускоряется у трансгенных женских передних лап с ФНО. Наш протокол повышает точность сегментации и автоматизацию, при этом позволяя вручную корректировать и непрерывно повышать производительность благодаря добавлению экспертных аннотаций.

Наши будущие исследования направлены на включение множества уникальных структур и моделей заболеваний, а также автоматизированных алгоритмов для дальнейшего повышения гибкости и применения.