一种强大的深度学习方法,用于从小鼠骨头的3D高分辨率μCT扫描中对皮层和脊椎骨进行细分
Amine Lagzouli1,2, Peter Pivonka3, David M L Cooper4
1School of Mechanical, Medical, and Process Engineering, Queensland University of Technology, Brisbane, Australia. aminelagzouli02@gmail.com.
Scientific reports
|March 14, 2025
概括
一个新的深度学习模型,DBAHNet,在3D微型计算机断层扫描 (μCT) 中准确地细分小鼠骨结构. 该工具通过在各种骨疾病中提供可靠的细分来增强临床前研究.
科学领域:
- 生物医学工程 生物医学工程
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 准确的骨微架构细分对于临床前研究至关重要.
- 高分辨率微计算机断层扫描 (μCT) 提供了详细的3D骨图像.
- 需要自动化细分方法来处理μCT数据的复杂性和数量.
研究的目的:
- 引入基于注意力的双分支混合网络 (DBAHNet) 用于在小鼠骨中进行皮层和椎骨区的自动3DμCT细分.
- 评估DBAHNet在不同数据集上的性能和概括能力.
主要方法:
- 开发了DBAHNet,这是一个混合深度学习架构,结合了变压器和卷积神经网络.
- 训练模型在小鼠部微CT扫描的有限数据集上.
- 在各种数据集上评估性能,包括分辨率,年龄,应变,处理和机械负荷的变化.
主要成果:
- DBAHNet在对皮层和椎骨进行细分方面取得了很高的准确性.
- 该模型表现出了出色的性能,即使在明显改变骨形态的情况下也是如此.
- 强度和通用性在多样化和未见的实验条件下得到证实.
结论:
- DBAHNet提供可靠和准确的自动化3D μCT对小鼠骨进行细分.
- 该模型可以显著增强和加速临床前骨研究,特别是在药物开发中.
- 开发的模型和代码可供公众使用,供研究使用.
更多相关视频
07:10A Sectioning, Coring, and Image Processing Guide for High-Throughput Cortical Bone Sample Procurement and Analysis for Synchrotron Micro-CT
Published on: June 12, 2020
5.0K
06:59Author Spotlight: An Economic and Efficient Method for Quantitative Evaluation of Bone Microarchitecture in a Murine Osteoporosis Model
Published on: September 8, 2023
2.2K
