Automatically Generated

Summary

Benerosioner är ett viktigt patologiskt kännetecken för reumatoid artrit. Syftet med detta arbete är att introducera ett träningsverktyg för att ge användare vägledning i att identifiera patologiska kortikala brott på högupplösta perifera kvantitativa datortomografibilder för erosionsanalys.

Abstract

Benerosioner är ett patologiskt inslag i flera former av inflammatorisk artrit, inklusive reumatoid artrit (RA). Den ökade förekomsten och storleken av erosioner är förknippade med dåliga resultat, ledfunktion och sjukdomsprogression. Högupplöst perifer kvantitativ datortomografi (HR-pQCT) ger oöverträffad in vivo-visualisering av benerosioner. Men vid denna upplösning är även diskontinuiteter i det kortikala skalet (kortikala brott) som är förknippade med normala fysiologiska processer och patologi synliga. Studien grouP for xtrEme Computed Tomography in Rheumatoid Arthritis använde tidigare en konsensusprocess för att utveckla en definition av patologisk erosion i HR-pQCT: ett kortikalt brott som detekteras i minst två på varandra följande skivor, i minst två vinkelräta plan, icke-linjära till formen, med underliggande trabekulär benförlust. Men trots att det finns en konsensusdefinition är erosionsidentifiering en krävande uppgift med utmaningar när det gäller interbedömarvariabilitet. Syftet med detta arbete är att introducera ett träningsverktyg för att ge användare vägledning i att identifiera patologiska kortikala brott på HR-pQCT-bilder för erosionsanalys. Protokollet som presenteras här använder en specialbyggd modul (Bone Analysis Module (BAM) – Training), implementerad som ett tillägg till en bildbehandlingsprogramvara med öppen källkod (3D Slicer). Med hjälp av den här modulen kan användarna öva på att identifiera erosioner och jämföra sina resultat med erosioner som kommenterats av expertreumatologer.

Introduction

Benerosioner uppstår när inflammation orsakar lokal benförlust vid den kortikala benytan. Dessa erosioner sträcker sig in i den underliggande trabekulära benregionen. De är ett patologiskt inslag i flera former av inflammatorisk artrit, inklusive reumatoid artrit (RA)¹. Erosionsförekomst och storlek är associerade med dåliga resultat, patientfunktion och sjukdomsprogression 2,3,4,5. Medan vanlig röntgen fortfarande är den kliniska standarden för erosionsbedömning, ger högupplöst perifer kvantitativ datortomografi (HR-pQCT) 3D-bilder och överlägsen känslighet och specificitet för erosionsdetektion ^6,7. För inflammatorisk artrit, såsom RA, utförs HR-pQCT vanligtvis på 2:^a och 3^:e metakarpofalangeala leder – de mest drabbade lederna i handen⁸. Eftersom HR-pQCT-bilder har hög rumslig upplösning observeras fysiologiska avbrott i den kortikala ytan även hos friska individer utan RA⁹. Dessa kortikala avbrott är ofta förknippade med kärlkanaler eller näringsforamen som passerar genom benet¹⁰. Utmaningen är därför att skilja kortikala avbrott i samband med en sjukdomsprocess (dvs. patologiska erosioner) från icke-patologiska egenskaper.

Konsensusdefinitionen av en patologisk benerosion publicerades av Study grouP for xtrEme Computed Tomography in Rheumatoid Arthritis (SPECTRA) som närvaron av ett bestämt avbrott i det kortikala lagret av benet som sträcker sig över minst två på varandra följande skivor och kan detekteras i två eller flera vinkelräta plan¹¹. Vidare måste avbrottet vara icke-linjärt till formen och åtföljas av en förlust i trabekulärregionen. Visuella exempel på kortikala avbrott som uppfyller och inte uppfyller kriterierna för erosion visas i Klose-Jensen et ^al.12.

Det är dock inte alla kortikala avbrott som uppfyller ovanstående kriterier som klassificeras som erosioner. Avbrott orsakas ibland av fysiologiska processer som kärlkanaler (Figur 1). Dessa kan identifieras och särskiljas från erosioner på grund av deras förutsägbara anatomiska läge, parallella och raka marginaler och submillimeterstorlek¹³. Cystor är en annan form av kortikalt avbrott som inte anses vara en erosion. De har ofta en rundad trabekulär struktur med en tydlig cystisk vägg ¹³. I kontrast till de skarpa kanterna och den öppna trabekulära strukturen som uppvisas av erosioner. Det är dock möjligt att erosioner bildas inom cystiska platser, vilket gör det tvetydigt att avgränsa volymen av benförlust som orsakas av erosionerna och inte cystorna. Även om syftet med denna studie inte är att lösa denna tvetydighet med ytterligare kriterier, finns det ett behov av att ge omfattande exempel på patologisk erosion och fysiologiska kortikala avbrott.

Figur 1: Exempel på kortikala avbrott som inte enbart orsakades av erosioner. (A) En ritning som illustrerar den gemensamma placeringen av kärlkanalerna vid basen av metakarpalhuvudet. Exempel på kärlkanaler i (B) koronal, (C) sagittal, (D) och (E) axiella plan. (F) Exempel på ett kortikalt avbrott orsakat av en cysta. (G) Exempel på en hålrumsvolym inom trabekulär region av benet som involverar både cystor och erosioner. Klicka här för att se en större version av denna figur.

Trots utmaningarna med erosionsidentifiering finns det för närvarande inga utbildningsverktyg på plats för att ge mindre erfarna användare vägledning om hur man tolkar HR-pQCT-bilder för erosionsanalys. Nyligen utvecklades en öppen källkodsmodul för erosionsanalys som kallas bone analysis module (BAM) – Erosion Volume, implementerad som en förlängning av en bildbehandlingsprogramvara med öppen källkod för att möjliggöra erosionsvisualisering och volymetriska analyser¹⁴. Protokollet som presenteras här beskriver användningen av en träningsmodul som lagts till BAM (BAM – Training), som jämför en användares erosionsidentifieringsförsök genom att jämföra erosionsidentifieringen med erosioner som kommenterats av expertreumatologer. Detta utbildningsverktyg ger användarna feedback om erosionsidentifiering för att vägleda förbättringar i erosionsanalysen. Instruktioner för installation av programvara finns i steg 1. För ny datainhämtning, se steg 3–5.3. Endast för användning av träningsmodulen, se steg 2.

Protocol

Alla metoder i detta protokoll följer de riktlinjer som fastställts av Conjoint Health Research Ethics Board vid University of Calgary (REB19-0387). 1. Installera 3D Slicer 15 och benanalysmoduler Ladda ned installationsfilen för en stabil version av 3D Slicer som är relevant för operativsystemet som används från https://download.slicer.org/. Kör den nedladdade installationsfilen och följ instruktionerna i guiden. När installationen är klar, fortsätt med att installera benanalysmodulerna.Ladda ned benanalysmodulerna från https://doi.org/10.5281/zenodo.7943007 som en komprimerad zip-fil och extrahera den komprimerade mappen. Observera katalogen där den extraherade mappen finns. Starta 3D-utsnittet. Läs in modulerna på 3D Slicer genom att klicka på Redigera i det övre vänstra hörnet av 3D Slicer-fönstret. Klicka på Redigera > programinställningar för att öppna ett nytt fönster. Klicka på Moduler som är en flik till vänster i det nyligen öppnade fönstret Inställningar. Lägg till sökvägarna i benanalysmodulerna under Ytterligare modulsökvägar: (Figur 2).Det gör du genom att dra och släppa följande lista med mappar i rutan under Ytterligare modulsökvägar:. Dessa mappar finns i den nedladdade mappen i steg 1.3.1: AutoMask, CorticalBreakDetection, ErosionComparison, ErosionVolume, FileConverter, ImageRegistration, Training. Inställningsfönstret bör likna figur 2. Tryck på OK längst ned till höger i fönstret Inställningar. En omstart krävs för att bekräfta installationen av modulerna. Gör detta genom att stänga 3D-utsnittet och starta om det.OBS: Inläsning av modulerna görs endast en gång per installation av 3D Slicer. Vid ytterligare uppdateringar av GitHub-lagringsplatsen för benanalys uppdaterar ett enkelt git pull-kommando för terminalen (eller kommandoraden) i katalogen som innehåller den tidigare BAM-nedladdningen automatiskt alla moduler. Återigen, alternativt kan förvaret laddas ner och gamla moduler bytas ut mot de nya manuellt. Bild 2: Exempel på inställningsfönster efter att du har lagt till benanalysmoduler i en installation av 3D Slicer. Bilden visar en skärmdump av inställningsfönstret med modulerna markerade i den röda rutan. Klicka här för att se en större version av denna figur. 2. Utbildningsmodul Starta BAM-Training-modulen.Klicka på rullgardinsmenyn i verktygsfältet i 3D Slicer. Hitta benanalysmoduler och håll muspekaren över den (bild 3). Klicka på Träning. Ladda filer i modulen.När du startar BAM-träningsmodulen laddas alla nödvändiga filer (gråskalebilder, masker, referenserosionssegmenteringar) automatiskt genom att klicka på Fortsätt, förutsatt att BAM github-lagringsplatsen laddades ned enligt ovan. Välj en genomsökningstyp för filerna.Välj en genom att hålla muspekaren över rullgardinsmenyn märkt Ingångsvolym: Välj en volym, detta representerar huvudgråskalebilden. Välj masken (d.v.s. filen som identifierar volymen inom periosteal-ytan) i rullgardinsmenyn märkt Indatamask: Välj en volym. Se till att denna mask motsvarar ingångsvolymen ovan genom att verifiera mät-ID och MCP-leden är densamma i båda valen. Om det är första gången du kör träningsmodulen på den här bilden med den här starten av 3D-utsnittet skapar du en ny utdatasegmentering i den nedrullningsbara menyn med etiketten Utdataerosioner: Välj en segmentering. Det gör du genom att klicka på rullgardinsmenyn och välja Skapa ny segmentering. Detta skapar en ny nod för utdatasegmentering som är märkt efter indatamasketiketten + _ER. Om du vill ge utdata en annan etikett väljer du Create New Segmentation As… i stället och anger önskad etikett.OBS: I 3D Slicer och det här dokumentet identifierar mask och segmentering volymen inuti benets periosteala yta. Masken visualiseras som en binär bild, medan segmenteringen refererar till visualiseringen av den binära bilden överlagrad med gråskalebilden. Dessa distinktioner görs av 3D Slicer. Ett exempel illustreras i figur 4. Placera fröpunkter enligt beskrivningen nedan.Börja med att skapa en ny startpunktslista för att lägga till startpunkter. För att göra detta, klicka på rullgardinsmenyn märkt Seed Points: None och skapa en ny lista genom att välja Create new Point List. Återigen är standardstandarden för etiketter indatabildetikett + _SEEDS. Om du vill ange en egen etikett väljer du Skapa ny punktlista…. Bläddra igenom skivorna och identifiera erosionsplatser genom att placera en fröpunkt i det intressanta området. Tryck på den röda prick-blå släppknappen som visas i figur 5A för att lägga till en ny fröpunkt.Placera fröpunkten så djupt (inåt i trabekulärt ben) i erosionsvolymen som möjligt. Se till att fröpunkten är placerad på det mörkaste området i volymen. Om du vill ändra startpunktsstorleken ändrar du den procentuella storleken i textrutan med etiketten Storlek på startpunkt:. Andra fält i fröpunktstabellen, till exempel ben- och kortikala avbrott, är för användarens poster och påverkar inte erosionsberäkningsalgoritmen. Få feedback enligt beskrivningen nedan.När fröpunkterna har placerats. Tryck på knappen märkt Get Erosions, markerad i figur 5B, för att köra erosionsmätningsalgoritmen på de givna ingångarna. Efter slutförda erosionsmätningar kommer modulen att ge återkoppling om såpunktens placering. Varje fröpunkts läge jämförs med platsen för referenserosioner för att matcha fröpunkterna med den erosion som den försöker mäta. Erhåll referenserosioner genom att beräkna erosionsvolymen med hjälp av fröpunkter placerade av reumatologer med utbildning, omfattande publikationsregister och mer än 10 års erfarenhet av att använda HR-pQCT-avbildning och erosionsanalys (SF och CF). Bild 3: 3D Slicers nedrullningsbara meny. Rullgardinsmenyn för att hitta benanalysmodulerna och välja träningsmodulen. Klicka här för att se en större version av denna figur. Figur 4: Identifiering av volymen inuti benets periosteala yta. (A) Exempel på en mask. Masken visualiseras som en binär bild. (B) Exempel på en segmentering. Segmenteringen avser visualiseringen av den binära bilden överlagrad med gråskalebilden. Dessa distinktioner görs av 3D Slicer. Klicka här för att se en större version av denna figur. Bild 5: Exempel på skärmbild av träningsmodulen i 3D-utsnittet. (A) Klicka här om du vill lägga till nya startpunkter. (B) Klicka för att beräkna erosionsvolymer. (C) Klicka för att importera bilder. (D) Klicka för att visa fröpunkter som placerats ut av experter. Klicka här för att se en större version av denna figur. 3. Bildinsamling och export för användning i erosionsanalysverktyg Hämta HR-pQCT-bilder med hjälp av en första eller andra generationens HR-pQCT-skanner. En kommersiell skanner användes för att samla in bilderna för denna studie (se Materialförteckning).OBS: Bilderna som används i denna studie är av 2:a och 3:e metakarpofalangeala leder och togs med hjälp av protokollet som beskrivs i Barnabe et al.8, men bilder av alla leder med erosioner är kompatibla med BAM. Inspektera bilder för rörelseartefakter16,17. Använd inte bilder med rörelsepoäng > 3 för erosionsanalys. Exportera AIM-filer (proprietärt bildformat) eller DICOM-filer (Digital Imaging and Communications in Medicine) för varje led till en lokal disk med hjälp av FTP (File Transfer Protocol). Filer av enskilda fogar kan genereras med hjälp av JSW-analysröran (Joint Space Width) som tillhandahålls av tillverkaren18. Byt namn på filer från standardtalformat för enklare användning. 4. Filkonvertering och generering av benmasker OBS: Beroende på bildformatet, följ steg 4.1 för AIM (HR-pQCT proprietärt bildformat), MHA (ITK MetaImage-format), nii (NIfTI – Neuroimaging Informatics Technology Initiative), NRRD (Nearly Raw Raster Data) bilder eller steg 4.2 för DICOM-bilder. Om du vill importera bilder med något av följande bildfilformat: MHA, nii, AIM eller NRRD följer du stegen som beskrivs nedan.Klicka på knappen märkt DATA i det övre vänstra hörnet av 3D-utsnittsfönstret (Figur 5C). För att lägga till bildfiler, klicka på Välj fil(er) att lägga till, leta upp och lägg till bilderna. Om du vill lägga till en hel katalog med bilder klickar du på Välj katalog för att lägga till, leta upp och lägga till katalogen. Detta kommer att läsa in alla bilder i den katalogen. Om en bildmask av någon anledning måste importeras som en 3D-utsnittssegmentering konverterar du först till en NRRD- eller nii-fil. Denna konvertering kan göras automatiskt, se steg 4.4.1 för mer information. Importera DICOM-filer i 3D-utsnitt enligt beskrivningen nedan.Klicka på knappen märkt DCM i det övre vänstra hörnet av 3D-utsnittsfönstret. Klicka på Importera DICOM-filer, leta upp och lägg till katalogen som innehåller DICOM-filerna (tillägget är .dcm). Klicka på knappen märkt Ladda som finns till höger i fönstret. Hämta bildmask med Steg 2 – Automatisk mask i modulen BAM – Automatisk mask.Klicka på rullgardinsmenyn i verktygsfältet i 3D Slicer. Hitta benanalysmoduler och håll muspekaren ovanför den. Klicka på Automatisk mask. Under fliken Steg 2 – Automatisk mask, välj en inmatningsvolym med hjälp av rullgardinsmenyn märkt Ingångsvolym:. Det här är indatagenomsökningen. Skapa nya utdata i den nedrullningsbara menyn med etiketten utdatasegmentering: och välj Skapa ny LabelMapVolume. Detta skapar en ny utdatanod som är märkt efter indatamasketiketten + _MASK. Om du vill ge utdata en annan etikett väljer du i stället Skapa ny LabelMapVolume som… och anger önskad etikett. Ange antalet ben som ska maskeras i textrutan med den etiketten. Välj Ormir i rullgardinsmenyn märkt Algoritm för optimal segmentering för denna analys19.OBS: Andra alternativ för att generera dessa masker är tillgängliga och kan läggas till i framtiden. Klicka på Hämta mask. Detta kommer att köra algoritmen (~2-3 min) och mata ut resultatet i samma katalog för indatabilden. Det kommer också att spara en separat mask för varje ben om bilden hade flera ben. Utför manuell korrigering av benmask med hjälp av Steg 3 – Manuell korrigering i BAM-modulen. Ofta är masken som genereras inte korrekt. Utför manuell korrigering för att lägga till, ta bort eller redigera specifika komponenter i segmenteringarna.Om du vill redigera en mask som har genererats på annat sätt eller som genererats i en tidigare körning av 3D-utsnittet använder du den här modulen för att läsa in maskerna till 3D-utsnittet från en fil. Filnamnstillägget kan vara något av följande, MHA, nii, NRRD, AIM.Kopiera bilderna till LOAD_MASKS katalogen som finns i BAM-mappen som laddades ned i steg 1.3. Gå tillbaka till 3D Slicer och tryck på knappen märkt Ladda i det manuella korrigeringssteget. Välj segmenteringen som ska korrigeras i rullgardinsmenyn märkt Mask som ska korrigeras:”. Markera den ursprungliga gråskalebilden som hör till den här erosionssegmenteringen i den nedrullningsbara menyn med etiketten Huvudvolym:. Tryck på Initiera. Varje segmentering måste ha en egen post i tabellen nedan. Välj den segmentering som ska korrigeras baserat på segmenteringens färg. Om du vill lägga till en segmentering klickar du på den andra knappen på den första raden. Detta använder färgfunktionen. Gör tillägg till volymerna genom att rita på bilderna (håll vänster musknapp nere och flytta musen). För att ta bort en del av segmenteringen, klicka på knappen under tabellen märkt Radera mellan segment. Detta är raderingsfunktionen och fungerar som färgfunktionen men raderar istället. Rita tillägg efter behov på ungefär var 10-25:e skiva, men se till att inkludera den första skivan och den sista skivan där ett tillägg behövdes. Om färgfunktionen användes kan ändringarna interpoleras genom att klicka på den första knappen på den femte raden märkt Fyll i mellan segment. Klicka på knapparna Initiera > tillämpa. Om raderingsfunktionen användes klickar du helt enkelt på knappen under tabellen märkt Tillämpa radering. Använd inte både färg- och raderingsfunktioner samtidigt. Använd först en funktion och använd sedan den andra. När redigeringarna är klara trycker du på Verkställ. 5. Identifiering av erosioner Använd Steg 4 – Erosioner i modulen BAM – Erosionsvolym för identifiering av erosion. Erosionsvolymmodulen är det verktyg som ansvarar för att identifiera och mäta erosioner i en skanning.OBS: Den här modulen är i fokus för utbildningsverktyget som beskrivs ovan och har ett nästan identiskt arbetsflöde. Skillnaderna är att de beräknade erosionerna inte jämförs med expertannoterade, vilket gör det möjligt att exportera erosionsstatistik och manuell korrigering av volymerna efter att de har identifierats. Placera fröpunkter och få erosion som gjordes i steg 2.4. I slutändan kommer ingen återkoppling att ges. Manuell korrigeringOm storleken och formen på de automatiskt detekterade erosionsvolymerna är otillfredsställande, redigera dessa under flikarna märkta Steg 5 – Manuell korrigering och Exportera segmentering. Följ stegen som beskrivs i steg 4.4. Det finns dock inget alternativ för att lasta externa erosionsvolymer. Tryck inte på Verkställ när du är klar med korrigeringarna eftersom ändringarna redan har sparats. 6. Statistik om erosion Exportera beräknade data till en kalkylbladsfil (CSV-format) med hjälp av fliken Steg 6 – Statistik. Ange erosionsvolymen som beräknades i steg 4 och eventuellt korrigerades i steg 5 under den nedrullningsbara menyn märkt Input Erosions. Ange gråskalebilden under rullgardinsmenyn märkt Huvudvolym. Ange voxelbredden i mm för bilden i textrutan. Tryck på Hämta statistik. Kalkylbladsfilen har genererats i katalogen EROSIONS_OUTPUT_DATA som finns i BAM-mappen som laddades ned i steg 1.3. Se tabell 1 för ett exempel på utdatatabellen.

Representative Results

Med hjälp av utbildningsverktyget kan användarna öva på att identifiera erosionsplatser samtidigt som de får feedback på sina resultat. Denna återkopplingsslinga kan förbättra användarens förmåga att identifiera erosioner och potentiellt använda BAM-modulerna för att identifiera erosioner på sina egna bilder. Återkoppling efter seed-punktsplacering baseras på följande kriterier. 1) Om antalet utplacerade fröpunkter inte stämmer överens med antalet referenserosioner, uppmanas användaren att ta bort eller lägga till lämpligt antal fröpunkter. 2) Om fröpunktens läge inte kan matchas med en referenserosion, visas återkoppling som anger att det inte finns någon erosion på den fröpunktens plats. 3) Om en fröpunkt matchas med ett patologiskt/fysiologiskt kortikalt referensavbrott, t.ex. en cysta eller en kärlkanal, informeras användaren om vilken typ av kortikalt avbrott de försökte identifiera som en erosion och ombeds att ta bort fröpunkten. 4) Om placeringen av startpunkten överlappar en referenserosion kan det hända att algoritmen fortfarande inte upptäcker erosionen. Detta kan inträffa när fröpunkten inte har centrerats i erosionen. I dessa fall uppmanas användaren att justera startpunktens position. 5) Om en fröpunkt placeras för långt från erosion informeras användaren om den felaktiga placeringen och uppmanas att försöka igen. 6) När en fröpunktsplats matchar referenserosionen visas en uppmaning som informerar användaren om deras lyckade försök att identifiera erosionen vid den specifika fröpunkten. I följande avsnitt visas exempel på hur modulen fungerar baserat på olika indata. Korrekta och felaktiga indata visas i följande exempel. Figur 6A visar fröpunktens läge som ligger inom erosionen. Endast en erosion finns i den här bilden, därför kommer beräkning av erosionerna med fröpunkten att ge de förväntade resultaten. Figur 6B visar den uppmaning som visas för användare när deras försök att identifiera erosionerna matchar den expertkommenterade bilden. Modulen visar också resultaten som segmenteringar på gråskalebilden (Figur 6C). Om användaren placerade en startpunkt på en plats utan erosion, till exempel figur 7A, skulle modulen visa en felmeddelande (figur 7B) som anger att det inte finns någon erosion på denna plats och föreslår att användaren flyttar/tar bort startpunkterna. Figur 6: Exempel på korrekt erosionsidentifiering. (A) Exempel på en användare som korrekt placerar en såpunkt inom erosionsplatsen. (B) Exempel på återkopplingsprompt när alla erosioner identifierades korrekt. (C) Exempel på visad erosionssegmentering när en erosion beräknas korrekt. Klicka här för att se en större version av denna figur. Figur 7: Exempel på felaktig erosionsidentifiering. (A) Exempel på en fröpunkt som placerats där det inte finns någon erosion. (B) Exempel på en felfråga när en fröpunkt placeras på en plats som inte har någon erosion. Klicka här för att se en större version av denna figur. Placeringen av alla cystor och kärlkanaler på träningsbilderna har identifierats av en expert. Därför är det möjligt att upptäcka när en användare försöker identifiera en cysta eller en kärlkanal felaktigt. Figur 8A illustrerar ett försök att identifiera en cysta genom att placera en fröpunkt på den. Figur 8B är den efterföljande felprompten som visas. Figur 8: Exempel på identifiering av cysta. (A) Exempel på en fröpunkt placerad på en cysta. (B) Exempel på en felfråga när en fröpunkt placeras på en cysta. Klicka här för att se en större version av denna figur. Modulen kommer också att informera användaren om de har rätt antal fröpunkter. Om användaren placerade ett felaktigt antal fröpunkter skulle modulen informera användaren om det exakta antalet fröpunkter som saknas eller extra för att identifiera alla erosioner på bilden. Modulen ger också återkoppling för varje placerad såddpunkt. Därför vet användaren vilka åtgärder som ska vidtas för varje enskild startpunkt. Bild 9 visar ett exempel där en användare bara placerade en startpunkt när två förväntades. Figur 9: Exempel på erosioner som beräknats utan en fröpunkt. Exemplet visar ett exempel där användaren bara placerade en startpunkt när två förväntades. Klicka här för att se en större version av denna figur. Om en användare har problem med att hitta någon eller alla erosioner har de möjlighet att avslöja de expertkommenterade platserna genom att trycka på en knapp märkt Reveal Correct Seed Points (Figur 5D). När du trycker på den här knappen kommer den att ladda rätt fröpunkter till det aktuella 3D-utsnittsfönstret. Sammanfattningsvis visar detta att mjukvarumodulen kan bedöma riktigheten i användarens försök att identifiera erosioner i de utvalda bilderna genom att jämföra den beräknade erosionen med expertannoterade erosioner. Dessutom ger modulen feedback baserat på varje användarplacerad startpunkt för att vägleda dem mot den förväntade startpunktsplatsen och inmatningsparametrarna. Skanna ID Kortikalt avbrott Ben Etikett Centroid Läge Volym (mm3) Yta (mm2) Rundhet Antal voxlar (voxlar) 3_Training.nii Erosion Metakarpal SEEDS_28-1 210, 108, 242 3.321668853 14.46818378 0.74411491 14853 3_Training.nii Erosion Metakarpal SEEDS_28-3 179, 100, 241 1.100739562 7.121231239 0.7239659 4922 Tabell 1: Exempel på en genererad utdatafil (csv-format) som beskriver beräknade erosioner och deras statistik.

Discussion

Detta träningsverktyg ger en möjlighet att lära sig att identifiera erosioner med hjälp av benanalysmodulen. Ytterligare användning av detta erosionsanalysverktyg utöver utbildning kräver tillgång till bilder av god kvalitet, med liten eller ingen rörelseartefakt. Erosionsdefinitionen HR-pQCT baserad på litteraturen beskriver anatomiska egenskaper associerade med patologiska erosioner som kan rapporteras med rimlig reproducerbarhet^11,20. Denna definition tar dock inte hänsyn till vanliga anatomiska platser för kärlkanaler, vilket kan leda till att de felklassificeras som benerosioner¹⁰.

De kritiska stegen i detta protokoll är genereringen av benmasken, placeringen av fröpunkterna och genereringen av erosionsvolymen. Även om automatiserade metoder för att generera maskerna och erosionsvolymen implementeras, kräver maskerna ofta manuell korrigering för att säkerställa tillfredsställande resultat. En omfattande beskrivning av de verktyg som finns tillgängliga för att utföra de manuella korrigeringarna tillhandahålls. Placeringen av seed-punkter styrs av de träningsexempel som tillhandahålls av BAM-Training-modulen.

Baserat på de data som hittills använts ger detta protokoll förslag på felsökning när erosionsanalysmodulen inte ger de förväntade resultaten. I det framtida arbetet kommer tillgång till ytterligare träningsdata att tillhandahållas. En tidigare studie visade att de erosionsvolymer som bedömts med denna metod är jämförbara med befintliga metoder 14,21,22. Tillhandahållande av träningsdata kommer att göra det möjligt att jämföra med nyare erosionsanalysverktyg när de utvecklas²³.

Utbildningsverktyget som introduceras här hjälper i första hand till med erosionsidentifiering; Metoden är dock för närvarande begränsad av att det saknas konsensus om hur omfattande en erosion i det trabekulära benet är. Icke desto mindre är BAM-modulerna öppen källkod, så när framtida definitioner av erosionsomfattning ändras, har andra forskare tillgång till att modifiera modulerna för att möta deras behov.

I takt med att användningen av HR-pQCT inom reumatologisk forskning ökar, ger träningsverktyget oerfarna användare vägledning för att identifiera patologiska kortikala avbrott på HR-pQCT-bilder för erosionsanalys. Detta verktyg kommer att vara tillämpligt för forskare oavsett vilken metod som väljs för erosionsanalys. Även om helt automatiserad erosionsidentifiering är önskvärd för att förbättra reproducerbarheten och analyshastigheten, krävs stora referens-/benchmarkdatauppsättningar med korrekta anteckningar för att träna maskininlärningsmodeller. Som ett verktyg med öppen källkod ger den här modulen en möjlighet att tillsammans utveckla stora, kommenterade datamängder för framtida användning inom maskininlärning. Användningen av detta utbildningsverktyg kommer att göra det möjligt för fler forskare att inkludera erosionsanalys i sin HR-pQCT-forskning.

Materials

3DSlicer	Open Source	N/A	Download at https://www.slicer.org/
BAM Erosion Analysis Modules	Open Source	N/A	Version used in manuscript: download at https://doi.org/10.5281/zenodo.7943007
XtremeCTII	Scanco Medical	N/A