Research Article

Otomatik Eklem Alanı Tespiti Kemik Segmentasyon Hassasiyetini Artırır

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

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

Otomatik eklem alanı algılama iş akışının geliştirilmesi, vahşi tipli hayvanlarda farklı fare arka pence kemiklerinin yüksek verimli segmentasyonunu %>98 doğrulukla mümkün kıldı. İltihap-erozivli artritli ön patiler ve patilere esnek uygulama sağlandı, ancak performans düşük olup, kamuya açık veriler kullanılarak gelecekteki çalışmalarda daha fazla optimizasyon yapılmasını gerektiriyor.

Abstract

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

Karmaşık anatomik yapıların nicel tanımı, manuel segmentasyon, işçilik ve gözlemci arası değişkenlik için gerekli uzmanlık nedeniyle hâlâ zordur. Bunu aşmak için, derin öğrenme (DL) modelleri dahil olmak üzere dijital görüntü analiz teknikleriyle belirli simge noktalarının otomatik tespiti gerçekleştirilebilir. Bu amaçla, farelerin arka ve ön pençelerinin mikro-bilgisayarlı tomografi (mikro-BT) veri setlerinin denetimli otomatik analizini gerçekleştirdik. Daha önce yayımlanmış yarı otomatik (SA) işaretleyici tabanlı su havzası algoritmalarının ötesine geçerek, eklem alanlarını belirlemek için yapı geliştirme, tensör oylama ve çıkış genişletme ekledik. Segmentasyon, DL eklem uzay tahmin modeli (3D U-Net mimarisi, ResNet-18 omurgası) kullanılarak ve zemin gerçeği olarak wild-type (WT) arka punk etiketleri kullanılarak geliştirildi. Tahmin, yaş genelinde her iki cinsiyetten iltihap-eroziv artritli WT ve tümör nekrozi faktörlü transgenik (TNF-Tg) farelerden arka ve ön pençelere genişletildi. Segmentasyon doğruluğu DL metodolojisi kullanılarak önemli ölçüde arttı. TNF-Tg farelerinde hastalığın şiddeti ve yaşının artmasıyla doğruluk azaldı. Ön pençelerde yapılan sonraki testlerde, artritik şiddet arttıkça doğruluğun giderek azaldığı görüldü. Genel olarak, bu denetli otomatik model, sağlıklı eklemlerde son zamanlarda SA yaklaşımlarını geride bırakarak karmaşık kemik anatomisinin araştırılmasını geliştirmektedir. Yeni ve hastalık tarafından modifiye edilmiş veri setlerine esnek uygulama performansın azaldığını gösterse de, kullanım yine de yapıya özgü segmentasyon modeli geliştirmesini tetikleyebilir.

Introduction

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

Yüksek kaliteli görüntü analizi, sadece araştırma çabalarını geliştirmekle kalmaz, aynı zamanda klinik radyologların patolojik değişiklikleri tespit edip niceliklerini ölçemelerine yardımcı olma potansiyeline sahiptir; bu, hasta bakımında hayati öneme sahip bir görevdir. Görüntü analizi, özellik çıkarma, genel bir görüntünün anlamlı etiketlere çevrilmesi ve nicel metriklerin türetilmesi gibi ayrıntılı bir prosedürdizidir 1. Bu sürecin büyük bir kısmı, yoğunluk veya renk temelinde eşikli yapıların belirlenmesi ve ardından istenen segmentasyonu elde etmek için aşağı akış görüntü işleme algoritmalarının (yani genişleme, erozyon, düzleştirme, ayrışma) uygulanması gibi önceden bilgilendirilir. Optimize edildikten sonra, segmentlenmiş görüntüler, karmaşık özellikleri sinir ağları kullanarak kodlayan ve çözen derin öğrenme (DL) dahil olmak üzere denetimli makineöğrenimi 2 için girdiler sağlayabilir; bu da görüntü segmentasyonu doğruluğunu ve verimliliğini artırır.

Aslında, çeşitli 3D konvolüsyon sinir ağlarının (CNN) uygulanması, iskelet görüntü analizi için otomatik kemik segmentasyon algoritmalarında kritik ilerlemeler sağlamıştır; bazı modeller insan segmentasyonundan daha iyiperformans göstermektedir 4. 3D segmentasyon CNN'leri farklı mimariler (örneğin AlexNet, ResNet, UNet) üzerinden çalışsa da, çıktıları temelde aynıdır; arka plandan kemik pozitif hacmi belirten bir görüntü maskesi. Kas-iskelet görüntü analizinde bu tür derin öğrenme modelleri hızla geliştirilmekte olup, alan basit 2B kırığ tespitproblemlerini çözme sorunlarından 5 , veri setlerindeki yapay gürültü veya anormal özelliklerle başa çıkma yeteneğine sahip karmaşık çok eklemliproblemlere hızla geçti. Örneğin, Woo ve arkadaşları MRI'deki yapısal anomalilerin (örneğin, kemik iliği lezyonları, kemik kistleri) diz eklemlerindeki eklem kıkırdaklarının segmentasyon tahminlerini zayıflattığını fark etti. Bu nedenle, kemik ve kıkırdak segmentasyonunu dramatik şekilde iyileştiren ilişkisiz anormal yapıları ilk olarak belirlemek için anomli farkında bir segmentasyonmodeli geliştirdiler 7. Kendisi ve arkadaşları, her biri anahtar el eklemlerinin yatırım getirisi üzerine 14 ayrı modeli eğiterek iskelet yaşını tahmin etti ve ardından tüm el yapısını kullanmak yerine elde röntgenlerden yapılan tahminleri artırmak için çıktılarını entegreettiler 8. Benzer şekilde, bölgesel segmentasyon özellikleri ve küresel anatomik ilişkiler gibi modellere bağlam dahil etmek tahminleri iyileştirdiği gösterilmiştir. Beklenen segmentasyon özelliklerine bağlam sağlamak için çok bölgeli CNN'lerin kullanılması, sınıflandırma problemini anatomik olarak uygun yerlere sınırlayarak el röntgenlerinde iskelet olgunluk değerlendirmesini deiyileştirir. 9. Ek gelişmeler arasında CNN tabanlı kemik segmentasyonu ile SVTNet ve ardından görsel transformasyon modelleriyle daha fazla işleme yer alır; böylece ilgi çeken bölgeler arasındaki mekansal ilişkiye dair küresel bilgi toplanarak kemikyaşı 10 gibi nicel sonuçları tahmin etmek için yapılır.

Bu segmentasyon yaklaşımlarında gösterildiği gibi, artrit araştırma görüntülemesi, kemik ayırma yöntemlerinin karmaşık eklemlerde farklı patolojik süreçlerin başarılı değerlendirilmesi için kritik olduğu iki veya daha fazla kemik arasındaki yüzeylerin artırılmasına odaklanır. Görüntü işleme algoritmalarındaki ilerlemeler, yakından bitişik karpal veya tarsal kemiklerin analitik verimliliğini artırmada olağanüstü faydasağlamıştır 11,12. Ancak, kullanıcı müdahalesi gerektiren yanlışlıklar ve farklı yapılara çevirmedeki zorluklar nedeniyle sınırlı benimsenme, optimize edilmiş iş akışlarının uygulanmasına olan ihtiyacı vurgulamaktadır. Bu çok adımlı süreçler, görüntü geliştirme için ayrık araçlardan (örneğin, kemik kenarıalgılama 13) büyük ölçüde faydalanabilir. Tamamen morfolojik işlemlerin ötesinde, diğer çalışmalar da yapı tanımlaması için anatomideki tipik güvenilirlik ve tutarlılıktan yararlanan kayıt temelli teknikleruygulamıştır 14,15,16,17. Manuel girdilerin yer doğruluk etiketleri üretmek için alternatifi pahalı ve zahmetlidir, ancak benzer şekilde başarılı olabilir; karmaşık, birbirine sıkı bağlı ve daha az ayrık sınırlara sahip kemiklerde (örneğin,kafatası 18) kullanım zorunlu olabilir. Benzer şekilde, manyetik rezonans görüntüleme (MRI 19,20,21) veya doku histolojisi22 gibi, ayrık bir yapı içinde bile çok renk/ton değişkenliğine sahip alternatif görüntüleme yaklaşımları da karmaşıklık gösterir ve bu da otomatik süreçleri yönlendirmek için başlangıçta manuel segmentasyondan fayda görebilir. Bu yöntemler birlikte, sonuçların DL yaklaşımlarını uygulamak için eğitim veri setleri olarak hizmet verdiği daha fazla otomasyonu teşvik ederek ek faydalar sağlayabilir. Segmentasyon otomasyonunun faydaları çok fazladır, ancak özellikle bu yöntemler, bölgesel/kemiğe özgü erozyon hacimdeğişiklikleri 23,24,25,26 ve yüksek hasara duyarlılığa sahip alanların tanımlanması gibi detaylı, mekânsal olarak ilgili nicel metrikler elde etmeye olanak tanır 27.

Burada, yerleşik yarı otomatik (SA) fare arka pas segmentasyonyöntemleri 12, görüntü işleme algoritmalarındaki iyileştirmeler ve yer doğruluğu kemiksegmentasyonları 28 ile birleşerek eklem alan tespiti için DL modellerini eğitiyoruz. Bu yenilikçi analitik strateji, arka patakların bireysel kemik segmentasyonunda önemli ölçüde doğruluk sağladı; bu da segmentasyonhatalarının 12 düzeltmesi için manuel çabaları azaltarak aşağı akış nicel metriklerinin işlenmesini hızlandırdı. Ayrıca, bu teknik gelişmelerin ağır erozyon artritli ön ve arka pençeler dahil yeni yapılarda uygulama potansiyelini gösteriyoruz. Manuel segmentasyon zaman alıcı ve yüksek uzmanlıkgerektirdiğinden7, yarı otomatik ve otomatik segmentasyonu ardışık olarak kullanarak gelişmiş giriş filtreleri üretme stratejileri, belirli uygulamalar için yüksek kaliteli CNN'ler geliştirme engelini azaltabilir. Amira yazılımında geliştirilen ilgili yöntemler (Ek Dosya 1) ve ilgili veri setleri, ilerleyen araştırma çalışmalarında benimsenme ve iş birliğini desteklemek için kamuyasunulmaktadır 28,29.

Protocol

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

Tüm hayvan deneyleri, Rochester Üniversitesi Tıp Merkezi'ndeki Hayvan Kaynakları Üniversite Komitesi tarafından onaylanan IACUC protokollerine uygun olarak gerçekleştirilmiştir.

Hayvan modelleri
Fareler, AAALAC onaylı bir vivaryumda barındırıldı. Tanımlanan deneyler için toplam 19 fare kullanıldı; bunlar arasında 4 vahşi tip (WT) erkek, 4 WT dişi, 4 TNF transgenik (TNF-Tg) erkek ve 7 TNF-Tg dişi fare bulundu ve aylık boyuna değerlendirmeler yapıldı. TNF-Tg fareleri (3647 hat, C57BL/6 genetikarka plan 30) başlangıçta Dr. George Kollias'tan alındı ve bakıma devam etti ve Rochester Üniversitesi'nde devam etti. TNF-Tg fareleri heterozigot olarak yetiştirildi, WT fareleri ise kum arkadaşı kontrol görevi aldı. TNF transgeni için genotipleme aşağıdaki primer diziler kullanılarak gerçekleştirildi: TNF-Tg İleri: 5-TAC-CCC-CTC-CTT-CAG-ACA-CC-3; TNF-TG Tersi: 5-GCC-CTT-CAT-AAT-ATC-CCC-CA-3.

TNF-Tg fareleri, dişi farelerde artik ve eklem dışı belirtilerin daha hızlı başlamasıyla kronik, ilerleyici ve spontan inflamatuar-erozivartrit 31 geliştirir ve yaklaşık 5-6 ay32 yaşlarında erken ölüme yol açar. Bu nedenle, TNF-Tg dişi kohortuna ek fareler tahsis edildi. Bu çalışmanın önceki açıklamalarında belirtildiğigibi, n=2 TNF-Tg kadın çalışmanın tamamlanmasından önce, n=1 4 aydan önce ve n=1 5 aydan önce öldü. TNF-Tg fareleri arka ayaklarda iyi bilinen asimetrik hastalık ilerlemesigösterdiğinden (33,34), bireysel uzuvlar ölçü birimi olarak kabul edildi (hayvan başına 2 ön pati ve 2 arka ayak).

Mikro-CT görüntü koleksiyonu
Daha önce tanımlandığı gibi mikro-BT verisetleri toplanmıştır 12,23. Kısaca, fareler Derlin plastik ve şeffaf akrilik tüpte mikro-BT ile görüntüleme için %1%-3% isofluran anestezisine yerleştirildi ve aşağıdaki parametreler kullanıldı: 55 kV, 145 μA, 300 ms entegrasyon süresi, 2048 x 2048 piksel, 180° üzerinde 1000 projeksiyon, çözünürlük 17,5 μm izotropik vokseller. İzofluran kullanılırken güvenlik için uygun kişisel koruyucu ekipmanlar (nitril eldiven, laboratuvar önlüğü veya önlük, güvenlik gözlüğü) kullanıldı ve izofloran buharlaştırıcı, gaz halindeki atıkları iyi kapalı boru ile yakalanarak bir duman kapasonu içinde tutuldu; böylece teslimat sisteminde süreklilik sağlandı. Buharlaştırılmış izofluran, kapalı bir odada anestezi indüksiyonu için kullanıldı, ardından anestezi mikro-CT makinesinde bir fare burun konisine sürekli izofluran akışıyla sağlandı. Hem arka hem de ön pençeler, görüntüleme seansları sırasında stabilizasyon için bantlandı. Her veri seti yaklaşık 30-45 dakika (toplamda 60-90 dakika) içinde toplanmıştır; arka ve ön ayaklık verileri aynı hayvanlardan ve zaman noktalarından alınmıştır. Fareler, 2 aylıktan 5 aya kadar aylık aralıklarla değerlendirildi (dişiler, TNF-Tg ve erkenölüm oranı 32) veya 8 ay (erkekler). Bu çalışmada kullanılan arka pas verilerinin bazı bölümleri daha önce yayımlanmıştı (WT:12,35; WT ve TNF-TG:23) ve halkaaçık 28. Ön pençe verileri bu çalışma için kamuya açıkhale getirilmiştir 29.

Derin öğrenme kolaylaştırıcılığı ile ortak uzay segmentasyon algoritması
Daha önce karmaşık arka padığı kemiklerin (30-31 kemik) bireysel kemiklerini segmentlere ayırmak için yüksek verimli bir SA görüntü işleme algoritmasıgeliştirilmişti ve bu, Amirayazılımı 23 kullanılarak iltihap-eroziv artrit ilerlemesinin bireysel biyobelirteçlerini incelemek için bir çerçeve sağladı. Bu temel SA segmentasyon yöntemi, kemik sınırlarında ayrım için işaretleyici tabanlı havzaalgoritması 36 kullandı. İşaret tabanlı havza algoritması, bir görüntüdeki farklı nesneleri ayırır; piksel değerleri kullanıcı tarafından tanımlanan işaretçilere dayalı yerel topoğrafya olarak ele alınır. Bu kemiğe özgü işaretleyiciler, siyah top şapka (BTH) dahil olmak üzere çeşitli görüntü işleme adımlarıyla SA tarzında oluşturulmuştur; böylece kemik kenarları ve eklemler gibi büyük yoğunluk değişikliklerinin olduğu yerel bölgeleri vurgulamak amacıyla yapılmıştır. Bu yaklaşım birlikte, her kemiğin aşınmış bir versiyonunu yarattı ve bu versiyon ikili sınır maskesi uygulanarak kemik sınırlarına genişletildi. Havza yöntemi, manuel konturlama önceki kullanımına göre daha iyi olsa da, doğruluk (kemikler doğru segmentlenmiş / toplam kemikler) veri seti başına yaklaşık %80 idi; çünkü düşük kontrast gürültüsü köprülü eklem bölgelerine (kemiklerin aşırı bağlanması; bir malzeme olarak 2+ kemik) veya kenar yanlış tanımlamasına (kemiklerin aşırı bölünmesi; 1 kemik 2+ malzeme olarak) yol açtı. Bu nedenle, havza yaklaşımı için SA işaretleyici üretimi, altın standart etiketler23,28 kaynağı geliştirmek için tutarlı ve sık manuel düzeltmeprosedürleri 12 gerektirdi.

Kemik eklemi tahmini için DL modelinin geliştirilmesi, ResNet-18 omurgasına sahip 3D U-Net mimarisine dayanıyordu. Eğitim kaybı fonksiyonu Zar idi, doğrulama metrigi birleşme üzerinde kesişim (IoU) idi, gradyan inişi Adam optimizasyonunu kullanarak 0.0001 başlangıç öğrenme oranı ile ve ağırlıklar rastgele başlatıldı. Model, cinsiyet ve yaş (2-6 ay arası) dağılımına sahip 20 WT veri seti (40 arka pati) kullanılarak eğitildi; her biri 6 alt hacme (her arka payağında 3 tane) ayrıldı; bu alt hacimler 200 x 200 x 200 vokselden oluşuyordu ve aşırı uyumu önlemek için %25 rastgele doğrulama alt hacimleri (30 doğrulama, toplam 120) vardı. Bu 3D karolar tarsallar, distal falanjlar ve arka plan bölgelerine eşit şekilde yerleştirilmiştir. Eğitim yaması boyutu 96 x 96 x 96 voxel olarak belirlendi (Ek Şekil 1). Model, yaklaşık 6 saat süren 500 epoch boyunca eğitildi. Zemin gerçeklik birleşimleri bölgeleri, hem kalınlık hem de kapsam açısından 5 3D genişleme boyutuyla etiket arayüzlerini genişleten otomatik bir tarifle elde edildi.

Eklem alanı DL tahminiyle birlikte, eklem uzayı tanımlaması ve kemik segmentasyonunu artırmak için birkaç görüntü işleme adımı uygulandı. Bu stratejiler, BTH yönteminin yapı geliştirme37, membran geliştirme ve tensör oylama38 ile birleştirilerek zar boşluklarını sınırlayarak eklem uzay sürekliliğini güçlendirmesini içeriyordu. Bu yaklaşımlar birlikte, kemik ayrımı için eklem alanlarını güçlendirerek bitişik kemikler arasındaki segmentasyon kaçıntısını sınırlar; bu sızıntı su havzası algoritması birden fazla kemik arasında yayılırken aşırı bağlantı hatalarına yol açar. Nihai sonuç, orijinal mikro-BT veri setlerini kemiğe özgü etiketlere ayırır ve parçalara ayırır.

DL kolaylaştırılmış segmentasyon yönteminin ayrıntılı adım adım protokolü aşağıda verilmiştir.

Adım 1: Açık Amira yazılımı (kişisel veya kurumsal lisans gerektirir). Adım 2: Python sekmesini açın, seçin Yeni Python Ortamı Oluştur Çevre adı: Deep-Learning-Environment-2022_2. Çek Derin Öğrenme Paketlerini Kur. Adım 3: Yazılımı yeniden başlat, Python sekmesini aç, kullanıcı ortamını seç derin-öğrenme-ortam-2022_2. Adım 4: Açık veri - DICOM yığınları, tüm bireysel DICOM dosyalarını seçerek veya varsa gömülü DICOM yığınları içeren .dosyalarını açarak yüklenebilir. Adım 5: İçe aktarılan veri nesnesine Derin Öğrenme Tahmin modülünü aşağıdaki detaylarla uygulayın:
Veri: İçe aktarılan veri nesnesi
Mimari: .json dosyası (Ek Dosya 2)
Ağırlıklar: .hdf5 dosyası (Ek Dosya 3)
Döşeme: manuel - hesaplama donanımına bağlı olarak piksel boyutunu azaltmak ve tiling örtüşmesini mümkün olduğunca artırarak optimizasyon mümkündür. İşlem gereksinimleri yetersizse modül başarısız olur. Düzenleme, Tercihler, Büyük verilerde yazılım için bellek tahsisinin mümkün olduğunca en yüksek düzeyde olduğundan emin olun.
Döşeme genişliği, yüksekliği, derinliği: 352 piksel
Döşeme örtüşmeleri: 0 piksel
Adım 6: Image Recipe Player'ı uygulayın, sağ tıklayın Proje Alanı belirli bir veri nesnesini hedeflemeden. Aşağıdakileri değerlendirin/girin:
Tarifi aç: .hxisp dosyası (Ek Dosya 4)
Veri: İçe aktarılan veri nesnesi
Giriş eklemleri: 5. Adım (Derin Öğrenme Tahmini) Sonucu:
Step3 yoğunluk aralığı: 2500 - 20000
Adım 7: Son segmentasyonu içeren işlenmiş veri nesnesini değerlendirin - Colormap'i Labels256'ya göre ayarlayarak toplam bireysel segmentasyonları takdir edin (varsayılan olarak sadece 8 renktir). 2D için: Ortopedi dilim uygulayın, 3D için: Hacim render uygulayın. Gömülü tarif (BTH+DL+SEF+MEF_D2.hxisp) hakkında detaylar aşağıda sunulan Image Recipe Player adımında sunulmaktadır (Ek Dosya 5). Image Recipe Designer'da, bireysel adımların görselleştirilip gerektiğinde dışa aktarılabileceğini, belirli veri setlerinde optimizasyon adımlarını değerlendirmek için yapılabileceğini unutmayın. Protokolde, herhangi bir benzersiz uygulama için ayarlanması gereken belirli adımlar vurgulanır; çünkü bunlar görüntüleme çıktılarına (yani yoğunluk) ve/veya nesnelerin boyutuna (yani kemikler) bağlıdır:
Adım 1: Medyan Filtre Veriyle Uygula: İçe aktarılan veri nesnesi; Yorum: 3D; Mahalle: 26; Tekrarlar: 3; Tür: Yinelemeli.
Adım 2: Eşik Belirleme Uygula - bu adım, veri setlerine ve ilgi çeken nesneyi hedef alan belirli eşik noktasına bağlı olarak optimizasyon gerektirir; bu durumda Veri: Adım 1'in Sonucu (Medyan Filtre); Yoğunluk aralığı: 2500 - 20000.
Adım 3: Kapanış Uygulaması - bu adım, kemikler arasındaki eklem boşluklarının büyüklüğüne bağlı olarak optimizasyon gerektirir ve Veri: Adım 1'in Sonucu (Medya Filtre); Tür: Küp; Yorum: 3D; Mahalle: 26; Piksel boyutu: 3.
Adım 4: Giriş A: 3. Adımın (kapanış) sonucu ile Görüntü Aritmetiği Uygulan; Giriş B: Adım 1'in sonucu (medyan filtre); Sonuç kanalları: Giriş A gibi; İfade: A-B.
Adım 5: Veri ile Eşik Belirleme Uygulaması: 4. Adımın Sonucu (Görüntü Aritmetiği); Yoğunluk aralığı: 750 - 20000.
Adım 6: Giriş A: Adım 2'nin sonucu (eşikleme) ile görüntü aritmetiği uygulan; Girdi B: 5. Adım Sonucu: (Eşik Belirleme); Sonuç kanalları: Giriş A gibi; İfade: A-(B>0)
Adım 7: Giriş görüntüsü ile Yapı Geliştirme Filtresi Uygulayın: İçe aktarılan veri nesnesi; Yorum: 3D; Tensör tipi: Hessenli; Standart sapma minimum/max: 1 - 3 piksel; Standart sapma adımı: 1 piksel; Kontrast: Karanlık; Yapı türü: Düzlem.
Adım 8: Giriş görüntüsüyle otomatik eşik belirleme uygulaması: 7. adımın sonucu (Yapı Geliştirme Filtresi); Tür: Otomatik Eşik Yüksek; Yorum: 3D; Mod: Min-max; Kriterler: Çarpanlara ayırma.
Adım 9: Verilerle Membran Geliştirme Filtresi Uygulayın: İçe aktarılan veri nesnesi; Çıktı seçimi: Düzlemlik Tensör Olama; Tensör oy ölçeği: 3 piksel; Yoğunlaştırma ölçeği: 3 piksel; Tip: Sırt
Kontrast: Karanlık; Ölçek: 1 piksel.
Adım 10: Giriş görüntüsü ile otomatik eşik belirleme uygulayın: 9. adımın sonucu (Membran Geliştirme Filtresi); Tür: Otomatik Eşik Yüksek; Yorum: 3D; Mod: Min-max; Kriterler: Çarpanlara ayırma.
Adım 11: Genişletme Uygulayın - bu adım, eklem alanlarının büyüklüğüne bağlı olarak optimizasyon gerektirir - Giriş görüntüsü: Adım 10'un Sonucu (Otomatik Eşik Belirleme); Tür: Top; Yorum: 3D; Boyut: 1 piksel; Hassasiyet: Daha hızlı.
Adım 12: Giriş A: Adım 11'in (Genişleme) Sonucu ile Görüntü Aritmetiği Uygulan; Girdi B: 8. Adımın Sonucu (Otomatik Eşik Belirleme); Girdi C: Derin Öğrenme Tahmininin Sonucu; Sonuç kanalları: Giriş A gibi; İfade: A||B||C.
Adım 13: Giriş görüntüsü ile Küçük Noktaları Kaldırın: Adım 12'nin Sonucu (Görüntü Aritmetici); Yorum: 3D; Boyut: 500 piksel.
Adım 14: Giriş A: Adım 13'ün sonucu (küçük lekeleri çıkarmak) ile görüntü aritmetiği uygulayın; Giriş B: 6. adımın sonucu (Görüntü Aritmetiği); Sonuç kanalları: Giriş A gibi; İfade:! A*B.
Adım 15: Giriş görüntüsüyle Küçük Noktaları Kaldırın: Adım 14'ün Sonucu (Görüntü Aritmetici); Yorum: 3D; Boyut: 500 piksel.
Adım 16: Giriş görüntüsüyle etiketleme uygulayın: 15. adımın sonucu (küçük lekeleri çıkarmak); Yorum: 3D; Mahalle: 26.
Adım 17: Veriyle Dönüştür Görüntü Tipini Uygula: Adım 1'in Sonucu (Medya Filtre); Çıkış türü: 16-bit işaretsiz; Normalleştirme modu: Ölçeklendirme; Ölçeklendirme: Ölçek 3, Offset 2000.
Adım 18: İşaret Tabanlı Su Havzası İç Maskesini Veriyle Uygulayın: Adım 17'nin Sonucu (Görüntü Türünü Dönüştür); İşatörler: 16. Adım (Etiketleme) Sonucu; İkili Maske: 6. Adımın Sonucu (Görsel Aritmetik); Split tipi: Düşük Yoğunluk.

Segmentasyon yöntemi testi ve nicelik
Segmentasyon yöntemi, DL ortak tahminini aşağı akış görüntü işleme tarifiyle birleştiren bir tarifin oluşturulmasıyla 2500 - 20000 Hounsfield birimi yoğunluk aralığında test edildi. Tarif üretimi, orijinal micro-CT veri setlerinin (.dosya formatı, ilk .dcm dosyalarının Amira'ya aktarıldıktan sonra kaydedilen görüntü yığını olarak kaydedilen) toplu işlemesine (Dosya Partisine Tarif Uygulama) olanak tanıyordu. Bilgisayar donanımı arasında Intel Xeon Gold 5218 merkezi işlemci ünitesinden (CPU) 2.30 GHz'de 16 çekirdek, 128 GB çift veri hızı dördüncü nesil (DDR4) hata düzeltme kodu (ECC), 2666 megatransfer (MT)/s hızında rastgele erişim bellek (RAM) ve Windows 10 üzerinde çalışan 64-bit işletim sisteminde 24 GB sanal grafik işlem birimi (vGPU/VRAM) yer alıyordu (işletim sistemi yapısı: 19044.4780). Her arka pacak veri seti (2 arka ayak) kullanıcı müdahalesi olmadan yaklaşık 32,7 ± 8,42 dakika (ortalama ± standart sapma) içinde segmentlere ayrılmıştır. Bu, önceki SA modeliyle karşılaştırılır; burada segmentasyon süresi kullanıcı deneyimine bağlıydı; yeni başlayan kullanıcılar veri seti başına 40,5 ± 9,06 dakika ve deneyimli kullanıcılar 19,3 ± veri seti başına 5,34 dakika (sadece WT veri setleri, segmentasyon hatalarının düzeltilmesi dahil)12. Hem DL hem SA yöntemleri, deneyimli bir kullanıcı tarafından (geleneksel Scanco analiziyle gerçekleştirilen) veri seti başına 190,6 ± 30,4 dakika içinde segmentasyon için önceki altın standart manuel konturlamadan kayda değer gelişmeler göstermektedir.12. Ön pençe veri setleri (2 ön pati) kullanıcı müdahalesi olmadan yaklaşık 53,4 ± 23,6 dakika içinde segmentlere ayrılmıştır; burada artan segmentasyon süresi, orijinal görüntüleme veri setlerindeki ek yapılara (örneğin, omurga ve kaburga) bağlanabilir; bu yapılar daha distal izole arka paçalarda bulunmamaktadır ve önceki hacim düzenleme adımları yokken segmentasyon süresini şişirir.

Doğruluğun nicelendirilmesi, beklenen kemik anatomisine dayalı doğru segmentasyon veya hata tipini belirlemek için görsel inceleme (HMK) ile gerçekleştirildi (Hindpaw:12,39; Ön pati:40). Doğruluk yüzdesi olarak şu şekilde hesaplandı:

figure-protocol-1

Doğru pozitifler doğru segmentlenmiş kemiklerdi, gerçek negatifler 0'a eşittir (kemiklerin eksik olması gereken bir durum yoktur ve arka plan nicelik için önemli değildir), yanlış pozitifler aşırı bölünmüş kemikler, yanlış negatifler ise aşırı bağlı kemiklerdi. Doğruluğun, tek sınıf problemi (yani eklem uzaylarını tanımlamak) göz önüne alındığında uygun bir nicel metrik olarak belirlendi ve gerçek negatifler (yani arka plan) doğruluk hesaplamalarına katkıda bulunmadı; böylece performansı aşırı tahmin etme riskini azalttı. Otomatik segmentasyon yöntemi kemik isimlendirmesini içermez; kemik isimleri daha sonra kullanıcı tarafından segmentli malzemelerle manuel olarak ilişkilendirilir.

Bu çalışmada yer alan arka pençelerin değerlendirilmesi, C57BL/6farelerinde naviküler ve lateral çivi yazı (NAVLAT) tarsallarında sabit füzyonun doğrulandığını ve ayrıca bitişik ara çivi yazının (INT) NAVLAT yapısı (NAVLATINT) ile değişken şekilde birleşmiş olabileceğini de belirlemiştir12,39. Benzer değişken birleşme, ön patilerin karpal bölgesinde de görülmüştür; burada trapezoid (ZOID; küçük çok köşeli) ve merkezi (CENT) kemikler tek bir birleşmiş yapı (CENTZOID) olarak ortaya çıkabilir veya özellikle ön patilerde bireysel kemiklere bölünebilir. Segmentasyon doğruluğu açısından incelenen ek karpal kemikler arasında trapezyum (ZIUM; daha büyük çoklu açı), kapitat (CAP), hamat (HAM), triquetrum (TRI; üçgen), pisiform (PIS), skafoid (naviküler)/lunat (SCAPHATE; sabit füzyon) ve falciformis (FALC) bulunuyordu. Ön pati metakarpalları (MET-F; 1-5), proksimal falanjlar (PP-F; 1-5), distal falanjlar (DP-F; 2-5) ve sesamoidler (S-F; 1-10) lateral ile medial olarak numaralandırılır; arka pada muadilleri (metatarsallar (MET-H), PP-H, DP-H ve S-H) ise medial ile lateral12 numaralandırılır. NAVLATINT ile birlikte, daha önce tanımlandığıgibi 12,23'te kalkaneus (CALC), küb (CUB), medial çivi yazı (MED), talus (TAL) ve tibiale (TIB) dahil olmak üzere arka ayaklar için ek tarsal kemikler değerlendirildi. Anatomik birleşmeler nedeniyle değişen sayıda kemik ile veri seti başına ortalama doğruluk değerlendirmesi, analiz edilen toplam bireysel kemiklere dayanan doğruluk karşılaştırıldığında genel kohort doğruluk niceliklerini biraz farklılaştırır.

İstatistiksel analiz
Etkileşim etkileriyle veya Sidak'ın çoklu karşılaştırmaları ile Fisher'ın kesin testi dahil olmak üzere 3 veya 2 yönlü karışık etkiler analizi ve Fisher'ın kesin testi dahil olan istatistiksel analiz, uygun şekilde GraphPad Prism (v10.2.0; San Diego, CA, ABD). Erkekler (2-8 aylık) ve kadınlar (2-5 aylık) ayrı ayrı analiz edildi; erken TNF-TG kadın ölümoranına dayalı değerlendirme zaman dilimleri verildi 32. Eğitim/doğrulama ve metodolojik testler için kullanılan WT arka paçlarının örnek boyutları, Ek Tablo 1'de, test edilen WT ve TNF-Tg arka ve ön patiler için örneklem boyutu detayları ise Ek Tablo 2, Ek Tablo 3 ve Ek Tablo 4'te yer almaktadır. WT arka ayaklık testi için belirli zaman noktalarında <3 arka ayaklar için doğruluk değerlendirmesi yer aldığından, WT arka ayakları içeren analizlerde sonradan çoklu karşılaştırmalar yapılmadan etkileşim etkileri bildirildi. Tüm veriler in vivo olarak toplandığı için, tam olarak yakalanmamış pata yakalama hataları, taramaların yorumlanamaz hale getiren önemli hareket artefaktları ve/veya hayvan planlı görüntüleme seansından önce ölürse arka patilerin tamamı veya kısmen analizden çıkarılmıştır.

Results

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

Otomatik eklem alanı tanımlamasının uygulanması, kemik segmentasyon doğruluğunu artırır
Sare arka pençesi gibi karmaşık yapılarda kemik şekli ve mimarisinin heterojenliği göz önüne alındığında, sistematik görüntü işlemealgoritmamız 12 üzerinden DL eğitim tahminleri (mavi) ve görüntü işleme adımları ile mikro-BT veri setlerinde kemikler arası eklem boşluklarının sağlam tanımlanması için geliştiriyoruz (Şekil 1A-B; süreç aşağıda açıklanmış ve Ek Şekil 1'de gösterilmiştir). Kemikler arasındaki boşlukların tanımlanması, bireysel arka pence kemiklerinin kesin kemik ayrılmasını ve segmentasyonunu mümkün kıldı (ayrı renkler; Şekil 1C). DL bileşeni için, eğitim ve doğrulama veri setleri (WT) eşit yaşlardan (2-6 aylık, n=8 arka ayak) ve cinsiyetten (n=20 arka ayak) oluşuyordu. WT arka ayaklarının geri kalanları (n=44, 2-8 aylık yaş arası, 6 aylık hariç çünkü hepsi eğitim ve doğrulama için kullanılmıştı) kemik segmentasyonunun doğruluğunu nicelendirmek için test veri setleri olarak kullanıldı (Şekil 1D). 2 aylık 2 erkek arka ayak, 3 ayda ise 2 WT dişi arka ayak, görüntüleme hatası nedeniyle atlanan 2 WT erkek arka ayaklar vardı (Ek Tablo 1).

WT arka ayaklarında uygulanmasının yanı sıra, spontan inflamatuar-eroziv artritli TNF-Tg farelerinden (n=56 erkek arka payağı, n=48 dişi arka paça) arka ayaklarda otomatik segmentasyon yaklaşımını da test ettik. Hem 4 hem de 5 aylık, görüntüleme hatası veya 5 aylık son noktadan önce erken ölüm nedeniyle çıkarılan 4 TNF-Tg dişi arka paması vardı (Ek Tablo 2). Yeni segmentasyon algoritması, her iki cinsiyet ve genotipler arasında bireysel kemik ayrımı (renkler, sağ) için eklem boşluklarını (mavi, sol) otomatik olarak tespit etti (Şekil 2A-D). Ek Tablo 5 ve Ek Tablo 6'da gösterilen bireysel kemiklerin segmentasyon doğruluğu açısından WT, hem erkeklerde (WT %98,4 vs TNF-Tg %93,1) hem Şekil 2C-D). TNF-Tg arka paçalarında gösterilen bu aşırı bağlı hatalar, kemikler arasındaki boşluğun artık yok olduğu eklem birleşmesine yol açan kronik hasarın sonuçlarını temsil edebilir. Aslında, WT ve TNF-Tg veri setleri arasındaki doğruluk farkı, artritik şiddet arttıkça zaman içinde daha belirgin hale gelir (Şekil 2E-F), özellikle tarsal kemiklerde (Şekil 2G-H, sarı = artan doğruluk, yeşil = azalmış doğruluk) ve genellikle kemik erozyonu ilerlemesi için güvenilir biyobelirteçler olarak hizmeteden kemiklerde (Şekil 2G-H, sarı = artan doğruluk), 23. Ancak, önceki SA segmentasyon yaklaşımımıza kıyasla genel olarak veri seti doğruluğunda kayda değer bir iyileşme yaşandı (Şekil 2E-F; Pazar T. erkek: SA %79,39 ± %5,73 vs. DL %98,16 ± %1,47, p<0,0001; WT kadın: SA %79,16 ± %4,84 vs. DL %99,19 ± %1,63, p<0,0001), hem otomatizm hem de güvenilirlikte sağlam metodolojik gelişmeleri göstermektedir. Bu nedenle, DL kolaylaştırılmış eklem alanı tanımlamasını kullanarak arka pence kemik segmentasyonu için yeni stratejik modelimiz, önceki SA yöntemlerine (~%79) kıyasla WT veri setlerinde (%>%98) önemli ölçüde daha fazla segmentasyon doğruluğu sağlar, ancak iltihap-erozif artritli arka ayaklara uygulandığında performansı biraz azalır (%92-%93).

Segmentasyon yönteminin ön patilere esnek uygulanması, TNF-Tg farelerinde belirgin eklem hasarı ve kemik birleşmelerini ortaya koyuyor ve segmentasyon doğruluğunda hızlı bir azalma ile
Yeni segmentasyon yönteminin uygulamasını benzersiz kemik boyutu ve anatomisiyle fare ön patilerine (n=55 WT erkek ön pati, n=29 WT dişi ön ayak, n=54 TNF-Tg erkek ön ayak, ve n=50 TNF-Tg dişi ön ayak) daha da genişlettik. WT erkeğinden 4 aylıkken 1 ön pati, WT dişide 4 ayda 1 ön pati ve 5 ayda 2 ön pati, TNF-Tg erkeğinde 3 ayda 2 ön pati, 4 ayda 2 ön pati ve 5 ayda 4 ön pati bulundu; bunlar görüntüleme hatası veya erken ölüm nedeniyle son noktadan önce çıkarıldı. Ayrıca, WT dişi için 3 aylık 1 ön pati için kısmi görüntüleme hatası bulundu ve DP-F3, PP-F3, DP-F4 ve PP-F4 eksiklendi (Ek Tablo 3 ve Ek Tablo 4). Yönelim için, her kemiğin farklı bakış açılarından belirtilen renk ve kemiğe özgü isimlendirmelerle ayrıldığı bir WT ön pati modeli sunuyoruz (Şekil 3). TNF-Tg farelerinde yapılan önceki araştırmalar öncelikle arka pençe üzerine odaklanmışken, burada hem WT hem de TNF-Tg farelerinde fare ön pençelerinin mimarisini gösteriyoruz. Özellikle, özellikle TNF-Tg dişilerinde görsel olarak derin eroziv hastalıklar gösteren karpal (sarı kesik daire) ve sesamoidler (mavi çizgi daire) öne çıkıyor (Şekil 4A-D). Bu nedenle, arka ve ön ayakta segmentasyon doğruluğunun karşılaştırılması, TNF-Tg veri setlerinde kemik bütünlüğünün keskin düşüşü, yaş ve hastalık şiddetinin artmasıyla birlikte ön patilerde belirgin azalma (pati tipi etkisi p<0.0001) gösterdi (Şekil 4E-F; pati x genotip etkisi p=0.0083; erkek ön pati: WT %87.29 ± %2.07 vs. TNF-Tg %72.65 ± %11.70; s<0.0001). Arka pençelere benzer şekilde, yaşlanma ve hastalık şiddetiyle birlikte TNF-Tg segmentasyon doğruluğundaki düşüş, karpallarda ve sesamoidlerde daha belirgindir (Şekil 4G-H, Ek Tablo 7 ve Ek Tablo 8). Bu bölgesel kemik patolojisi, MET-F ve PP-F'nin bitişik eklemasyonunda (metakarpofalangeal eklem) artan eroziv aktivite tarafından tetiklenebilir. Hata tipinin değerlendirilmesi, TNF-Tg ön patilerinin arka ayaklara kıyasla tamamen aşınmış kemiklerin daha yüksek oranda olduğunu göstermiştir (Ek Şekil 2, kırmızı eksiktir). Kesinlikle progresif artritik şiddeti temsil etse de, TNF-Tg ön patilerinde kemiklerin olmaması görüntü çözünürlüğünde bir sınırlamayı da gösterebilir. TNF-Tg ön patilerindeki şiddetli erozyonlar, zaman içinde karpal bölgeyi (beyaz oklar) ve patinin ön koldan ilerlemiş tam çıkıntısını (sarı oklar) vurgulayan temsil edici görüntülerle daha da gösterilmiştir; bu durum TNF-Tg dişilerinde en belirgin şekilde görülür (Ek Şekil 3). Bu nedenle, otomatik kemik segmentasyon yönteminin ön patinin benzersiz yapılarına esnek uygulanması, WT veri setlerinde (~%87) dikkat çekici performans gösterdi ve inflamatuar-eroziv artritli TNF-Tg ön pençelerinde de benzer doğruluk düşüşü gösterdi (%67-72).

Veri erişilebilirliği:
Mikro-BT görüntüleme toplama bölümünde açıklandığı gibi, arka paçlık verileri daha önce 12,23,35 olarak yayımlanmış ve https://doi.org/10.5281/zenodo.11191782 28 tarihinde halka açıktır. WT12 ve TNF-Tg23 veri setleri için SA segmentasyon yönteminde doğruluk niceli verileri, burada açıklanan yeni DL modeliyle doğrudan karşılaştırma amacıyla yeniden kullanılmıştır. Ek önceki çalışmadan elde edilen spesifik veriler35 olarak yeniden kullanılmamış, ancak halka açık olan aynı arka payveri setleri 28 de kullanılmıştır. Verilerin lisanslanması ve yeniden kullanımı hakkında ek detaylar aşağıda verilmiştir. Açıklanan çalışma amacıyla, ilgili ön pati verileri de Zenodo deposunda (https://doi.org/10.5281/zenodo.14865639)29 kamuya açık hale getirilmiştir.

SA segmentasyon yöntemi WTveri setleri 12 için doğruluk verileri, Şekil 2'de yeniden kullanılmıştır. Bu materyalin yeniden kullanımı, Creative Commons Atribution-NonCommercial-NoDerivatives 4.0 Uluslararası Lisansı https://creativecommons.org/licenses/by-nc-nd/4.0/legalcode tarafından korunmaktadır. Referans verilen eserin yazarları olarak, Elsevier https://beta.elsevier.com/about/policies-and-standards/copyright'in Yazar Hakları aracılığıyla diğer türev eserler üretme hakkını elimizde tutuyoruz. Veri noktaları, TNF-TG muadilleriyle zaman içinde doğruluk karşılaştırılması ve burada açıklanan yeni DL yöntemiyle doğrudan karşılaştırılması için yeniden görselleştirilmiştir.

SA segmentasyon yöntemi WT ve TNF-Tgveri setleri 23 için doğruluk verileri Şekil 2 için yeniden kullanıldı ve WT ile TNF-Tg arka pas veri setleri, daha önce23 olan hacimsel ölçümler için daha fazla değerlendirildi. Materyalin yeniden kullanımı, orijinal yazar ve kaynağın kredilendirilmesi koşuluyla herhangi bir ortamda sınırsız kullanım, dağıtım ve çoğaltma hakkı tanıyan Creative Commons Atribution License (https://creativecommons.org/licenses/by/4.0/) ile korunmaktadır. Veri noktaları, zaman içinde doğruluk değerlendirmesi için yeniden görselleştirilmiş ve burada açıklanan yeni DL yöntemiyle doğrudan karşılaştırılmıştır.

Aynı halka açık WT ve TNF-Tg arka pas verisetleri 28 , daha önce tekerleğin koşusukohortları 35 ile yeni karşılaştırmalar için kemik hacim ölçümlerinde de kullanılmıştır. Materyalin yeniden kullanımı, Creative Commons Atribution 4.0 Uluslararası Lisansı (https://creativecommons.org/licenses/by/4.0/) ile korunur; bu lisans, orijinal yazar(lar)a ve kaynağa uygun kredi vermek, Creative Commons lisansına bağlantı sağlamak ve değişiklik yapılıp yapılmadığını belirtmek şunu koşuluyla herhangi bir ortamda veya formatta kullanım, paylaşım, uyarlama, dağıtım ve çoğaltma izni verir. Aynı halka açık verisetleri 28 mevcut çalışmada kullanılmıştır, ancak daha önce yayımlanmış veri noktalarının özel kullanımı veya modifikasiyası yapılmamıştır.

figure-results-1
Şekil 1: Kemik segmentasyonu için stratejik görüntü işleme ve derin öğrenme tahminleriyle otomatik eklem alanı tespiti. (A) dorsal (üst) ve plantar (alt) yüzeylerden görselleştirme ile yapılan morin mikro-BT veri setleri, (B) sonrasında eklem boşluklarının otomatik tanımlanması için işlendi; bu model (Ek Şekil 1'de açıklanmıştır) altın standart kemik segmentasyonlarından geliştirilen DL modeli (Ek Şekil 1'de açıklanmıştır) kullanıldı. (C) Son başarılı kemik ayrımı (kemiğe özgü renkler), siyah üst şapka12, yapı geliştirme37 ve tek kemikleri etiketlemek için sağlam eklem alanı tanımlaması için tensöroylu membran geliştirme (tensor oyu 38) dahil olmak üzere ek görüntü işleme adımlarının kombinasyonuyla gerçekleştirildi. (D) DL bileşeninin eğitimi ve doğrulaması (n=40 arka ayak) WT faresi arka ayakları (2-6 aylık, her zaman noktasında n=8 arka ayak) ve cinsiyet (n=20 arka ayak, erkek/dişi) dağılımıyla gerçekleştirildi; validasyon için rastgele %25 alt hacim kullanıldı (arka ayak başına 3 alt hacim, toplamda 120 alt hacim). Kalan WT arka paçaları (n=44) daha ileri analiz için test vakaları olarak değerlendirildi. DL modeli ve görüntü işleme algoritmalarının birleşimi, daha önce yayımlanmış ve halka açık verisetleri 23,28 kullanılarak değerlendirildi. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

figure-results-2
Şekil 2: Derin öğrenme kolaylaştırıcılığı ile otomatik eklem alanı tanımlamasının uygulanması, kemik segmentasyon doğruluğunu artırır. (A-B) Otomatik eklem alanı algılamasının geliştirilmesinin ardından, kalan WT erkek ve dişi test vakalarına DL modelini (solda: mavi eklem boşlukları; sağda: kemiğe özgü segmentasyon renkleri) uyguladık. (C-D) Ayrıca, erken başlangıçlı ölüm oranıyla ilişkili proglensif inflamatuar-eroziv artritli TNF-Tg farelerinin yaş eşdeğer kohortlarında (erkekler: 2-8 ay; dişiler: 2-5 ay) performansı değerlendirdik32. İç kaset görüntüler, öngörülen eklem boşluklarındaki (beyaz oklar) kopmaların kemik ayrımında sızıntıya yol açtığı yüksek büyütme segmentasyon hatalarını (kesik kutular) gösterir; bu da aşırı bağlı kemik segmentasyon hatalarına yol açar. (E-F) Tüm WT veri setlerinin eğitim ve doğrulama için kullanıldığı için 6 aylık erkek zaman noktası çıkarıldı, bu nedenle DL test kohortuna dahil edilmedi. Önceki SA segmentasyonalgoritmalarımız 12,23 ile karşılaştırıldığında, segmentasyon doğruluğu (kemikler doğru segmente edilmiş / toplam kemikler) hem WT hem de TNF-Tg veri setleri için cinsiyet fark etmeksizin dikkat çekici şekilde iyileştirildi (ortalama doğruluk çizgileri: katı siyah = DL WT, kesik siyah = DL TNF-Tg, düz gri = SA WT, kesik gri = SA TNF-Tg). Ancak, TNF-Tg segmentasyonlarının doğruluğu zamanla ve WT'ye kıyasla ilerleyici eklem hasarı ile belirgin şekilde azaldı, ancak SA yöntemini geride bırakmaya devam etti. (G-H) Kemik bölmelerine belirlenen doğruluk haritaları (T = tarsallar, MT = metatarsallar, PP = proksimal falanjlar, DP = distal falanjlar, S = sesamoidler) TNF-Tg farelerinde artan hata oranının ağırlıklı olarak tarsal bölgeye lokalize olduğunu gösterir (açık (sarı) = yüksek (100%), koyu (mor) = düşük (%20) doğruluk). Daha önce belirtildiği gibi, yerleşik görüntüler (C-D) hata kaynağını vurgular; bağlantı kopuk boşluklar (oklar, sol görüntü) ve bu da aşırı bağlı kemiklere (renkler, sağ görüntü) yol açar. Aslında, hatalar ağırlıklı olarak aşırı bağlantılıydı (2+ kemik 1 malzeme olarak segmentlenmiş; Ek Şekil 2'de belirtilmiştir), bu da artritik şiddette artan eklem füzyonları patolojik sürecini temsil edebilir. İstatistik: 3 yönlü karma etki analizi (SA ve DL; yöntem x genotip x zaman; E-F), 2 yönlü karışık etkiler analizi (WT vs TNF; genotip x zaman; E-H); p<0.0001, **p<0.01, *p<0.05 (etkileşim etkileri); veriler ortalama ± standart sapma olarak sunuldu. Örnek boyutları: n=34 arka ayaklı WT erkek (n=2 2 aylık, n=4 3 aylık, n=6 4-5 aylık, n=0 6 aylık [tüm veriler test için kullanılmıştır], n=8 7-8 aylık), n=10 arka ayaklı WT dişi (n=4 2 aylık, n=2 3-5 aylık), n=56 arka ayaklı erkek TNF-Tg erkek (n=8 2-8 aylık), ve n=48 arka pati TNF-Tg dişi (n=14 2-3 aylıkken ve n=10 4-5 aylık). Bu şekilde kullanılan veriler, öncekiçalışmalardan değiştirilmiştir 12,23. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

figure-results-3
Şekil 3: Eklem uzayı derin öğrenme segmentasyonunun diğer karmaşık yapılara esnek uygulanması, farenin ön pay kemiği anatomisini vurgular. Sonra, eklem alan segmentasyonu DL modelinin arka patasının dışındaki ek karmaşık yapılarda kemikleri otomatik olarak ayırma potansiyelini değerlendirdik. Segmentasyon yöntemi, (A) dorsal, (B) plantar, (C) lateral ve (D) medial yüzeylerden görselleştirilen ilgili ön paçlık mikro-BT veri setlerinde uygulandı; renkler bireysel segmentli kemikleri temsil ediyordu. Ön pençe kemiklerinin doğru segmentasyonu potansiyelini, belirgin karpallar, metakarpallar (#, MET-F), proksimal falanjlar (^, PP-F), distal falanjlar (~, DP-F), sesamoidler (kesik daireler, S-F) ve pençeler (*) dahil olmak üzere, kemik spesifik etiketleme ile bilinen ön patianatomisi 40 ile eşleştiriyor. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

figure-results-4
Şekil 4: TNF-Tg fareleri, belirgin ön pati eklemleri hasarı ve kemik birleşmeleri gösterirken, segmentasyon doğruluğunda hızlı bir düşüş gösterir. (A-B) WT erkek ve dişi farelerden alınan mikro-BT görüntülerinin dorsal (sol) ve plantar (sağda) görselleştirmeleriyle vurgulanan mare ön patilerinin karmaşıklığı ve küçük yapısı göz önüne alındığında, (C-D) TNF-Tg farelerindeki anatomi ve ilişkili artrit daha önce değerlendirilmemiştir. Yeni eklem alan DL yaklaşımımızın uygulanması, WT ön pençelerinin %>85 doğruluğuna ulaşarak analitik zorlukları azaltarak bu karmaşık yapıları değerlendirmek için ilk fırsat sağladı; ancak arka ayaklara kıyasla eksik doğruluk oranı vardı (ortalama doğruluk çizgileri: katı mavi = WT arka ayak, kesik mavi = TNF-Tg arka ayak, katı kırmızı = WT ön ayak, kesik kırmızı = TNF-Tg ön pati). (E-F) Ayrıca, TNF-Tg ön patileri, zaman içinde karpal ( A-D'de sarı noktalı daireler) ve sesamoidlerde ( M-D'de mavi noktalı daireler) bulunan hatalar nedeniyle segmentasyon doğruluğunda hızlı ve dramatik bir düşüş gösterdi. (G-H) Segmentasyon doğruluğundaki azalan bölgesel azalmalar, kemik bölmelerinin ısı haritalarıyla (açık (sarı) = yüksek (100%), koyu (mor) = düşük (%20) doğruluk) kemik bölmelerinin (C = karpal, MC = metakarpal, PP = proksimal falanjlar, DP = distal falanjlar, S = sesamoidler) ile gösterilmektedir. 6 aylık erkek zaman noktası (E) 'de çıkarılmıştır çünkü tüm WT arka pas veri setleri eğitim ve doğrulama için kullanılmış, bu nedenle DL test kohortuna dahil edilmişlerdir. İstatistikler: 3 yönlü karma etki analizi (arka pati vs ön pati, WT vs TNF; pençe tip x genotip x zaman, etkileşim etkileri bildirildi; E-F) ile birlikte Sidak'ın çoklu karşılaştırmalarıyla (WT vs TNF; genotip x zamanı; G-H); p<0.0001, **p<0.01, *p<0.05; veriler ortalama ± standart sapma olarak sunuldu. Örnek boyutları: n=55 ön pati Beyaz Beyaz erkek (n=8 2-3 ve 5-8 aylık, n=7 4 aylık), n=29 ön pençe WT dişi (n=8 2-3 aylık, n=7 4 aylık, n=6 5 aylık), n=54 ön pati TNF-Tg erkek (n=8 2 ve 4-8 aylık, n=6 3 aylık), ve n=50 ön pati (n=14 2-3 aylıkken, n=12 4 aylıkken ve n=10 5 aylık). DL arka pay verileri (E-F), DL ön paçası verileriyle ek karşılaştırma için Şekil 2E-F'den alınmıştır. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Ek Şekil 1: Ortak tespit derin öğrenme modelinin geliştirilmesi ve eğitimi. (A) Zemin doğruluk eklem bölgeleri, etiket genişletmesi, etiket arayüzlerinin çıkarılması, maskeleme ve genişletmeyi birleştiren Amira kullanılarak otomatik bir tarifle başlangıç gerçek kemik segmentasyonlarından elde edilmiştir. (B) 20 eğitim mikro-CT veri setinin her biri için (40 arka pati), tarsallardan, distal falanjlardan ve arka plan bölgelerinden manuel olarak 6 alt hacim elde edildi ve sol ve sağ patiler arasında eşit şekilde bölündü (arka ayakta 3 yama). Ortaya çıkan 120 alt hacim, 3D segmentasyon Amira eğitim modülü için giriş olarak kullanıldı ve karşılık gelen işaretlenmiş ortak bölgelerle birlikte yer gerçekliği hedefi olarak kullanıldı. Eğitim sırasında model aşırı uyumunu kontrol etmek için doğrulama amacıyla rastgele %25 yamalardan oluşan bir alt küme kullanıldı. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Şekil 2: Arka ve ön ayaklar arasında hata türlerinin farklı dağılışı. Daha önce geliştirilen SA segmentasyonalgoritmasına benzer şekilde, eklem uzay DL modeli, kemiklerin aşırı bağlanmasıyla (yeşil, 2+ kemik 1 malzeme olarak segmentlenmiş) hataların en yüksek oranını üretmiştir; en çok (A-D) arka ayaklarda veya (E-F) WT ön patilerde dikkat çekmektedir. Şekil 2'de belirtildiği gibi, tespit edilen eklem alanında çeşitli nedenlerle oluşan bir boşluk varsa, bu boşluk görüntü çözünürlüğünden daha fazla kemik yakınlığı, eklem alanını bulanıklaştıran hareket artefaktı veya artrit bağlamında kemik yeniden şekillendirilmesi gibi eklem birleşmelerine yol açabilecek çeşitli nedenlerle ortaya çıkabilir. (G-H) İlginç bir şekilde, TNF-Tg ön patilerinde kemik eksikliği (kırmızı) oranı belirgin şekilde artmıştır, yani kemik segmentasyonda tamamen yoktu. Bu hatalar, özellikle karpal ve sesamoidlerin başlıca hata kaynağı olarak nispeten azalmış olması nedeniyle (Şekil 4) arka paçalara kıyasla ciddi erozyonlar ve görüntü çözünürlükteki eksikliklerin birleşimine bağlanabilir. Ek hata türleri arasında aşırı bölünme (mavi, 1 kemik 2+ malzeme olarak segmentlenmiş) veya hem aşırı bağlı hem de aşırı bölünmüş (turuncu) bulunur. Turta grafikleri, belirli hata alt tiplerine atfedilen toplam hataların oranlarını temsil eder. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Şekil 3: İlerleyici TNF-Tg ön paçta artritinin şiddetli kemik erozyonları ve eklem çıkıntıları ile değerlendirilmesi. Ön patilerdeki yapısal değişiklikleri zamanla görselleştirmek için, (A) WT erkek, (B) TNF-Tg erkek, (C) WT dişi ve (D) TNF-Tg dişi ön patilerden (soldan sağa) zaman içinde sırt yüzeyinin temsil görüntülerini sunduk; özellikle karpal bölgeyi (beyaz oklar) vurguladık. Kadınlarda yaklaşık 4 aylık, erkeklerde ise 5 aylık şiddetli kemik erozyonları ve yeniden şekillendirilmelere dikkat edin. Bu dönemler, arka ayaklarda ciddi kemik erozyonlarının tipik başlangıcından önce gelir; dişilerde yaklaşık 5 aylık, erkeklerde ise 7-8 ay(23). (E) TNF-Tg dişi ön patilerinin yan görünümü de gösterilerek eklem hasarıyla ilişkili tüm pati kolundan (sarı oklar) kademeli olarak çıkmasını gösterir. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Tablo 1: DL eğitimi, doğrulama ve metodolojik testler için WT arka paçlarının örnek boyutları. Arka pençe sayısındaki örneklem büyüklükleri yaş (2-8 aylar) üzerinden sağlanır ve DL eğitimi/doğrulama, toplam metodolojik testler veya görüntüleme hatası, şiddetli hareket artefaktı veya planlanan mikro-BT taramasından önce ölüm nedeniyle çıkarılan veri setlerine göre düzenlenir. Kadınlarda 6-8. aylar arasındaki siyah hücreler, TNF-Tg deneysel muadillerinin erken ölüm oranı nedeniyle taramaların 5 ay sonra planlanan sonlandırılmasını gösterir. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Tablo 2: Metodolojik test için TNF-TG arka pençelerinin örnek boyutları. Arka pençe sayısındaki örneklem büyüklükleri yaş (2-8 aylar) olarak sağlanır ve toplam metodolojik testler için kullanılan veri setlerine göre veya görüntüleme hatası, ciddi hareket artefaktı ve/veya planlanan mikro-BT taramasından önce ölüm nedeniyle çıkarılan veri setlerine göre düzenlenir. Dişi farelerde 6-8. aylar arasındaki siyah hücreler, TNF-Tg dişi farelerin erken ölümü nedeniyle taramaların 5 ay sonra planlanan sonlandırıldığını gösterir. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Tablo 3: Metodolojik test için WT ön patilerinin örnek boyutları. Ön pati sayısındaki örneklem büyüklükleri yaş (2-8 aylar) üzerinden sağlanır ve toplam metodolojik testler için kullanılan veri setlerine göre düzenlenir veya görüntüleme hatası, şiddetli hareket artefaktı ve/veya planlanan mikro-BT taramasından önce ölüm nedeniyle çıkarılanlara göre düzenlenir. Kadınlarda 6-8. aylar arasındaki siyah hücreler, TNF-Tg deneysel muadillerinin erken ölüm oranı nedeniyle taramaların 5 ay sonra planlanan sonlandırılmasını gösterir. *WT dişilerinde 3 aylıkken, görüntüleme hatası nedeniyle n=1 ön patide DP-F3, PP-F3, DP-F4 ve PP-F4 yok olmuştu, ancak ön pençenin geri kalanı değerlendirilmişti. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Tablo 4: Metodolojik testler için TNF-TG ön patilerinin örnek boyutları. Ön pati sayısındaki örneklem büyüklükleri yaş (2-8 aylar) üzerinden sağlanır ve toplam metodolojik testler için kullanılan veri setlerine göre düzenlenir veya görüntüleme hatası, şiddetli hareket artefaktı ve/veya planlanan mikro-BT taramasından önce ölüm nedeniyle çıkarılanlara göre düzenlenir. Dişi farelerde 6-8. aylar arasındaki siyah hücreler, TNF-Tg dişi farelerin erken ölümü nedeniyle taramaların 5 ay sonra planlanan sonlandırıldığını gösterir. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Tablo 5: Erkek arka ayaklarının bireysel kemik hassasiyeti. TNF-Tg ile WT arka pençelerinde segmentasyon doğruluğunu azaltan kemikleri belirlemek için, erkek farelerde değerlendirilen toplam kemiklere göre doğru veya yanlış segmentlenmiş kemik sayısı ve yüzde doğru olduğu detaylar verilmektedir. Birincil eksikliklerin meydana geldiği tarsal bölgede (Şekil 2), kalkaneus (CALC), ara çivi yazısı (füzyonez, INT) ve naviküler/lateral çivi yazısı (füzyonesiz) TNF-Tg arka ayaklarında en belirgin doğruluk düşüşünü göstermiştir. İstatistikler: Fisher'ın tam testi; *p<0.05, **p<0.01, ***p<0.001, ****p<0.0001. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Tablo 6: Dişi arka patilerin bireysel kemik hassasiyeti. TNF-Tg ile WT arka pençelerinde segmentasyon doğruluğunu azaltan kemikleri belirlemek için, dişi farelerde değerlendirilen toplam kemiklere göre doğru veya yanlış segmentlenmiş kemik sayısı ve yüzde doğruluğu hakkında detaylar verilmektedir. DL eğitimi ve doğrulaması için veri setlerinin kullanılması ve erken ölümoranı 32 gösteren TNF-Tg fareleriyle karşılaştırma için 5 aya indirilmiş zaman dilimi göz önüne alındığında, WT dişilerine tahsis edilen toplam DL testi arka pençelerinin sayısı, TNF-Tg veri setlerindeki genel azalan doğruluğu açıklamak için bireysel kemik karşılaştırma kapasitesini sınırlar. İstatistikler: Fisher'ın tam testi; s<0.0001. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Tablo 7: Erkek ön patilerin bireysel kemik hassasiyeti. TNF-Tg ile WT ön patilerinde segmentasyon doğruluğunu azaltan kemikleri belirlemek için, erkek farelerde değerlendirilen toplam kemiklere göre doğru veya yanlış ve yüzde doğru kemik sayısı detaylandırılır. Birincil defisliklerin görüldüğü karpal ve sesamoid bölgelerde (Şekil 4), kapitat (CAP), triquetrum (TRI), centrale (füzyonememiş, CENT), skafoid/lunat (SCAPHATE), trapezoid (ZOID) ve sesamoidler 2-10, TNF-Tg ön patilerinde en belirgin doğruluk düşüşünü göstermiştir. Dikkat çekici bir nokta, sesamoidler 1 ve 2'nin doğruluğu hem WT hem de TNF-Tg veri setleri için eksiktir. İlginç bir şekilde, metakarpal 1 aslında TNF-Tg farelerinde segmentasyon doğruluğunda iyileşmeler göstermiştir; bu, bitişik kemiklerle yakın eklemasyonların artritik erozyonlarla azaltılan aşırı bağlı hatalara yol açmasından kaynaklanmaktadır. İstatistikler: Fisher'ın tam testi; *p<0.05, **p<0.01, ***p<0.001, ****p<0.0001. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Tablo 8: Dişi ön patilerin bireysel kemik hassasiyeti. TNF-Tg ile WT ön patilerinde segmentasyon doğruluğunu azaltan kemikleri belirlemek için, dişi farelerde değerlendirilen toplam kemiklere göre doğru veya yanlış ve yüzde doğru kemik sayısı detaylandırılır. Birincil eksikliklerin meydana geldiği karpal ve sesamoid bölgelerde (Şekil 4), kapitat (CAP), hamat (HAM), triquetrum (TRI) ve sesamoidler 1-10, TNF-Tg ön patilerinde en belirgin doğruluk düşüşünü göstermiştir. Dikkat çekici bir nokta, sesamoidler 1 ve 2'nin doğruluğu hem WT hem de TNF-Tg veri setleri için eksiktir. İstatistikler: Fisher'ın tam testi; *p<0.05, ***p<0.001, ****p<0.0001. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Dosya 1: Derin öğrenme modeli eğitimi için ortak segmentasyon tarifi. Eklem alanı tanımlaması için DL modelini eğitmek için kullanılan altın standartı önceden segmentli mikro-CT arka pençelerden segmentli eklem boşluklarını çıkarmak için gömülü adımlar serisi. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Dosya 2: Derin öğrenme kolaylaştırıcılığı ile görüntü işleme kullanarak kemik segmentasyon tarifi. Orijinal mikro-CT verilerini kemik ayrımını yönlendirmek için görüntü işleme adımları ile DL eklem uzayı tanımlama çıktısı kullanılarak bireysel kemiklerin segmentasyonlarına dönüştürmek için gömülü adımlar serisi. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Dosya 3: Derin öğrenme tahmin ağırlıkları. Eklem uzay segmentasyonunun derin öğrenme tahmini sırasında ağırlıklar için giriş olarak kullanılan dosya. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Dosya 4: Derin öğrenme tahmin mimarisi. Ortak uzay segmentasyonunun derin öğrenme tahmini sırasında mimari için giriş olarak kullanılan dosya. Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Dosya 5: Derin öğrenme python scripti. Ortak alan segmentasyonunun derin öğrenme tahmini için python script olarak kullanılan dosya. Bu dosyayı indirmek için lütfen buraya tıklayın.

Discussion

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

Farelerde kemik hacmlerinin tam otomatik analizlerinin sonuna doğru, özellikle fare arka pençelerinde karmaşık yapılarda mikro-BT verilerinin segmentasyonunda daha fazla iyileştirme sağladık. Strateji, kemik ayrımı için sınırlar oluşturmak için eklem boşluklarını hedeflemekti; kemikler arasındaki negatif boşluğa odaklanmak, ön pati gibi alternatif yapılarda esnek bir uygulama sağladı; çünkü yaklaşım arka ayak kemiklerinin şekli ve anatomisine özgü değildi. Ön patilerde yapılan segmentasyon doğruluğu azalsa da, WT veri setleri kemik doğruluğu %>85 olduğunu göstermiştir. İyi tanımlanmış düzelticisüreçler 12 , DL eğitimi için önceden açıklamalı ön pati model veri setleri oluşturmak amacıyla uygulanabilir ve yapıya özgü algoritmaların oluşturulmasındaki engelleri dramatik şekilde azaltabilir. Bu yenilikçi yaklaşım, şiddetli ve ilerleyici iltihap-eroziv artritli TNF-Tg patilerine de uygulanmasını sağladı. TNF-Tg pençelerinde, segmentasyon doğruluğundaki azalma zamanla dikkat çekiciydi; bu, yaş arttıkça aşınmış yüzeylerin yeniden şekillendirilmesiyle kemik erozyonlarında ve nihayetinde patolojik kemik-kemik birleşmelerinde kademeli artışla eşleşti. Bu nedenle, WT yapılarında otomatik ve son derece hassas segmentasyon modelinin olağanüstü başarılı uygulanması, hastalık modellerinde veya diğer karmaşık eklemlerde gelecekteki uygulamalara rehberlik etme potansiyeline sahiptir. Daha fazla araştırma, kemik erozyon ve füzyonların patolojik etkilerini niceleştirebilecek artritik eklemlerin segmentasyonunu optimize etmeye odaklanacak ve daha önce açıklandığı gibi hastalık biyobelirteçlerini belirleyecektir23.

Mikro-BT görüntülemenin pre-klinik artrit modellerinde küçük kemiklerin erozyonu izlemek içinbaşarılı şekilde kullanılmasına rağmen 12,23,25,35,42, klinik değerlendirmede BT yöntemlerinin sınırlı kullanımı olmuştur. Özellikle romatoid artrit için, puanlama sistemleri öncelikle MRI43, ultrason44,45 ve/veya geleneksel röntgen46 için uygulanır; bu da hastalık şiddetini yarı nicel ve kullanıcıya bağlı ölçümler üretmekle, genellikle klinik metriklerlebirlikte 47 olarak uygulanmaktadır. BT, kemik bütünlüğünün değerlendirilmesinde altın standart referansolarak kabul edildiğinden, klinik olarak çevrilebilir analitik yaklaşımların daha fazla optimizasyonu, kemik hacmlerinin güvenilir ve uzunlamasına nicel değerlendirmesi için hem hastalık şiddetini ölçmek hem de tedavi yanıtı değerlendirmesi için büyük faydalar sağlamayı vaat etmektedir. MRI gibi görüntüleme yöntemleri, iltihap bölgeleri, kemik iliği değişiklikleri ve yumuşak doku patolojisi dahil olmak üzere daha geniş bilgi yelpazesi sunsa da, çoklu enerji girişleriyle yeni BT görüntülemeyaklaşımları, kemik mimarisinin ötesine geçmek için BT kullanımını genişletme umudu vermektedir. Bu önerilen faydalara rağmen, gelişmiş pre-klinik analitik araçlardan klinik çevirideki büyük zorlukları da kabul ediyoruz; düşük çözünürlüklü klinik BT görüntüleri ve farklı insan anatomisinde uygulanması göz önünde bulundurulmaktadır. Pre-klinik artrit modellerinde kemiğe özgü biyobelirteçleri yakın zamanda tespitettiğimize benzer şekilde, kemik erozyonu için tamamen nicel metrikleri inceleyen ayrıntılı bir klinik çalışma, hastalık izlemede önemli bir ilerleme olacaktır.

Mevcut çalışmalarımız, eklem alanlarını hedefleyerek yeni yapılara esnek uygulama potansiyeli göz önüne alındığında klinik uygulama için bir temel sağlarken, temel sınırlamalardan biri, klinik tanı için tasarlanmayan, iyi belgelenmiş klinik öncesi, araştırma odaklı bir yazılıma güvenmektir. Ancak, temel algoritmalar ve stratejik tasarım, sunulan ayrıntılı metodolojiyle alternatif yazılım ortamlarında kolayca uygulanabilir. Kullanılan araştırma yazılımı ne olursa olsun, klinik kullanıma (araştırma yerine) dahil edilmek, klinik uygulamaya giriş için düzenleyici gereksinimleri karşılayan çeviri çabaları gerektirir. Yeni segmentasyon stratejisinin uygulanması için, daha önce görüntü çözünürlüğünün (yani voxel/yapı boyutu) yalnızca görüntü işleme algoritmaları kullanılarak segmentasyon doğruluğunun temel belirleyicisi olduğunu belirtmiştik, diferansiyel görüntü çözünürlüğündeki potansiyel sınırlamaları da göz önündebulundurmak önemlidir 12. Aslında, bu muhtemelen ön patilerin segmentasyon doğruluğundaki hafif azalma ile ilişkilidir; çünkü ön pati yapılarının küçültülmesi nedeniyle arka patilere kıyasla nispeten daha düşük görüntü kalitesi yaratır. Ayrıca, eğitim (2-6 ay) ve test (7-8 ay dahil) veri setlerindeki yaş aralığındaki tutarsızlıkları kabul etmek önemlidir; bu durum, kemik büyümesinin devam etmesi veya eklem patolojisinin daha da başlaması gibi yaşa bağlı değişikliklerde uygulama ve doğruluğu etkileyebilir. Bulgularımız, 6 aylık DL analizinde WT arka penceleri için doğruluğun korunduğunu destekliyor (Şekil 2E), bu da TNF-TG muadillerinde segmentasyon performansındaki azalmanın yaştan bağımsız olarak iltihaplayıcı-eroziv ilerlemesiyle daha çok ilişkili olduğunu gösteriyor. Ancak, DL eğitim grubunun yaş aralığından bağımsız olarak tutarlı doğruluk sağlamak için yaşlı ve yaşlı vahşi tip farelerle yapılan daha fazla çalışma gereklidir. Son olarak, tanımlanan yöntemlerin tek sınıflı kemik ayırma yaklaşımının ötesine geçip, sabit anatomide yapısal mimari veya koordinat konumuna dayalı tahmin edilen kemik isimlerini içeren daha sağlam çok sınıflı analitik bir araca genişletilmesi (yani atlas ağacına benzer), kesinlikle temel iyileştirmeler sağlayacak ve muhtemelen yöntemin benimsenmesini artıracaktır.

Sonuç olarak, karmaşık yapılar içindeki bireysel kemikleri izole etmek için yeni bir görüntü işleme ve DL kolaylaştıran mikro-BT segmentasyon stratejisi tasarladık. Bu yenilik, yakın zamanda oluşturulan SA işakışı 12'ye kıyasla hem otomatikte hem de segmentasyon doğruluğunda dikkat çekici bir gelişme göstermektedir; bu iş akışı burada DL modellerini eğitmek ve mevcut iyileştirmeleri optimize etmek için çok sayıda altın standart segmentasyonun üretiminin temelini oluşturmuştur. İltihap-erozif artritli ön pençe ve pençelerde segmentasyon yöntemlerinin öfkesi performansın düşük olduğu gösterse de, bu DL segmentasyon yaklaşımının uygulanması, patolojiye veya yapıya özgü DL eğitim modellerine olanak tanıyacak tamamen açıklamalı veri setleri oluşturmak için gereken manuel çabaları azaltabilir. Bu DL yönteminin gelecekteki çalışmalarda kullanılması, pre-klinik araştırmalarda farklı türler ve hastalık modelleri arasında kemik segmentasyonunun optimize edilmesine olanak tanıyarak ayrıntılı sonraki nicel analizlere olanak tanıyabilir. Ayrıca, bu tür stratejilerin klinik araştırmalara dahil edilmesini teşvik ediyoruz; çünkü bu, hasta bakımı için nihai faydalar vaat ediyor.

Disclosures

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

Daniel Lichau ve Rémi Blanc, bu el yazmasında tanımlanan yöntemlerin üretiminde kullanılan Amira yazılımının geliştirilmesi ve bakımında yer alan ThermoFisher Scientific çalışanlarıdır. Diğer tüm yazarların açıklamak için hiçbir şeyi yok.

Acknowledgements

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

Yatırım Kaynakları: F30AG076326 (HMK), T32GM007356 (HMK), R01AR069000 (CTR), R01AR056702 (EMS) ve P30AR069655 (LS, EMS ve HAA). HMK, NIH T32GM007356 tarafından finanse edilen Tıp Bilimcisi Eğitim Programı'nda stajyer olarak görev yaptı. İçerik tamamen yazarların sorumluluğundadır ve Ulusal Genel Tıp Bilimleri Enstitüsü'nün (NIH) resmi görüşlerini mutlaka temsil etmemektedir. Bu çalışmaya katkıları için Histoloji, Biyokimya ve Moleküler Görüntüleme çekirdeği, Biyomekanik, Biyomalzemeler ve Multimodal Doku Görüntüleme çekirdeği ile Rochester Üniversitesi Tıp Merkezi'ndeki Kas-iskelet Araştırma Merkezi fakülte ve personeline teşekkür etmek isteriz.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Hesaplama sistemiDetaylar Protokol bölümünde sağlanmıştır Detaylar Protokol bölümünde sağlanmıştır 
Görüntü görselleştirme yazılımıThermoFisher Scientificv2022.2 veya daha sonrasıAmira
İzofluranVetOne13985-528-60Fluriso, anestezi için %1-3
FarelerRochester Üniversitesi Tıp MerkeziYokC57BL/6, TNF-transgenik
Micro-CTScanco MedicalYokVivaCT 40
İstatistiksel yazılımGraphPad Yazılımı, Inc.v10.2.0 veya daha yeni sürümlerGraphPad Prizması
BantYokYokHayvan patilerini görüntülemek için güvence altına almak
Boru SistemiYokYokHayvan stabilizasyonu için Derlin plastiği ve şeffaf akrilik

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. 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. 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. Najjar, R. Redefining Radiology: A Review of Artificial Intelligence Integration in Medical Imaging. Diagnostics (Basel). 13 (17), 2760(2023).
  4. Alzubaidi, L., et al. Review of deep learning: concepts, CNN architectures, challenges, applications, future directions. J Big Data. 8 (1), 53(2021).
  5. 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. 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. 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. 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. 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. 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. 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. Kenney, H., et al. A High-Throughput Semi-Automated Bone Segmentation Workflow for Murine Hindpaw Micro-CT Datasets. Bone Rep. 16, 101167(2022).
  13. 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. 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. 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. 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. 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. 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. 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. Ramos, J. S., et al. Fast and accurate 3-D spine MRI segmentation using FastCleverSeg. Magn Reson Imaging. 109, 134-146 (2024).
  21. 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. Bell, R. D., et al. Automated multi-scale computational pathotyping (AMSCP) of inflamed synovial tissue. Nat Commun. 15 (1), 7503(2024).
  23. 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. 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. 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. Mahdi, H., et al. Open-source pipeline for automatic segmentation and microstructural analysis of murine knee subchondral bone. Bone. , 167(2023).
  27. Saillard, E., et al. Finite element models with automatic computed tomography bone segmentation for failure load computation. Sci Rep. 14 (1), 16576(2024).
  28. Kenney, H., et al. Micro-CT of hind paw. Zenodo. , (2024).
  29. Kenney, H., et al. Micro-CT of hind paw. Zenodo. , (2025).
  30. 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. Li, P., Schwarz, E. The TNF-alpha transgenic mouse model of inflammatory arthritis. Springer Semin Immunopathol. 25 (1), 19-33 (2003).
  32. 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. 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. 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. 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. Meyer Sm Beucher, F. Mathematical Morphology in Image Processing. , CRC Press. (1992).
  37. 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. 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. Bab, I., Hajbi-Yonissi, C., Gabet, Y., Müller, R. Micro-tomographic atlas of the mouse skeleton. , Springer Science + Business Media. (2007).
  40. Bab, I., Hajbi-Yonissi, C., Gabet, Y., Müller, R. Micro-Tomographic Atlas of the Mouse Skeleton. , Springer. (2007).
  41. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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