亚当:使用深度学习的骨活检图像的自动数字表型和形态纹理分析
Satvika Bharadwaj1, Florence Lima2, Tilak Bahadur Pathak1
1Wallace H. Coulter Department of Biomedical Engineering, Georgia Institute of Technology and Emory University, Atlanta, GA 30332, United States.
JBMR plus
|March 25, 2025
概括
这项研究引入了ADAM,一个用于骨活检分析的自动化管道,显著加快了组织形态测量. ADAM准确量化了骨部件,并显示了分类骨周转状态的潜力.
科学领域:
- 生物医学成像学 生物医学成像学
- 计算病理学计算病理学
- 骨组织形态测量 骨组织形态测量
背景情况:
- 手动分析骨活检是耗时的,容易变化.
- 准确量化骨周转量,体积和矿物化对于诊断至关重要.
研究的目的:
- 开发和验证ADAM,一个用于骨组织形态测量的自动化数字表型管道.
- 评估ADAM在量化骨和细胞组件方面的准确性及其在分类骨周转方面的潜力.
主要方法:
- 开发了ADAM,这是一个自动化管道,用于量化骨面积,骨面积,骨质细胞/骨质细胞数量以及骨髓脂肪组织面积 (BMAT).
- 利用深度学习进行图像注释和形态纹理分析 (MTA).
- 与手册注释和诊断报告对比验证的结果.
主要成果:
- ADAM迅速生成了组织和细胞图,与矿物化骨 (ρ=0.99),骨 (ρ=0.99) 和BMAT (ρ=0.94) 的手册注释取得了高相关性.
- 细胞计数显示中等相关性 (骨质细胞 ρ=0.60,骨质细胞 ρ=0.69).
- BMAT MTA在骨周转率分类方面实现了0.87的AUC-ROC,这表明识别组织状态的潜力.
结论:
- ADAM提供了一个快速而准确的自动化解决方案,用于骨活检的静态组织形态测量分析.
- 形态纹理分析,特别是BMAT的分析,显示出对骨周转状态的客观分类有希望.
- ADAM有可能提高临床病理学工作流程和骨活检评估中的诊断见解.
