一个基于深度学习的框架,用于从小鼠骨中微型CT成像数据中标准化分析脊椎骨区.
Amine Lagzouli1,2, Lucinda Evans3, Mark Hopkinson3
1School of Mechanical, Medical, and Process Engineering, Queensland University of Technology, Gardens Point Campus, 2 George St, 4000, Brisbane, QLD, Australia. aminelagzouli02@gmail.com.
Scientific reports
|October 14, 2025
概括
这项研究引入了一个深度学习框架,用于对小鼠部微型CT扫描进行自动化分析,标准化椎骨区分. 该方法通过提供骨重塑和疾病进展的一致和强大的分析,确保可重复的临床前骨研究.
科学领域:
- 骨生物学 骨生物学
- 医疗成像医学成像
- 计算生物学 计算生物学
背景情况:
- 临床前的骨研究依赖于微型计算机断层扫描 (micro-CT) 来分析小鼠模型中的骨.
- 在脊椎骨区中对感兴趣的体积 (VOI) 的不一致定义阻碍了可重现性和统计解释.
- 标准化分析对于评估骨重塑和疾病进展的干预措施至关重要.
研究的目的:
- 开发和验证深度学习框架,用于在小鼠部微型CT扫描中自动细分脊椎骨区.
- 建立标准化的兴趣体积 (VOI) 以在不同的实验条件下进行一致的分析.
- 提高临床前骨研究的可复制性和可靠性.
主要方法:
- 开发了一种深度学习框架,用于自动分析小CT扫描 (5μm voxel大小) 的鼠标部的体-甲体区域.
- 一个2D切片式分类模型与区域概率分布相结合,确定了四个解剖学部分:形骨,生长板,原发性海绵状和次发性海绵状.
- 基于深度学习的细分模型被用于在这些隔间内细分椎骨,然后进行形态和统计分析.
主要成果:
- 该分类模型在多个数据集中实现了高性能 (F1平均得分从0.92到0.99不等).
- 该方法在外部数据集上显示出强大的通用性,平均F1分数从0.92到1.0.0不等.
- 对于分区地标检测,在0.05毫米范围内实现了统计等效.
- 自动化分析促进了在各种实验条件,包括药理治疗和机械负荷中进行一致的比较.
结论:
- 开发的深度学习框架提供了一种一致,强大和自动化的工具,用于分析小鼠骨中状骨的微型CT扫描.
- 这种VOI提取和细分的标准化提高了临床前骨研究中的可重现性.
- 该方法促进了了解骨重塑和疾病进展的进步,因为它可以在椎间盘内和之间进行可靠的比较.
更多相关视频
06:59Author Spotlight: An Economic and Efficient Method for Quantitative Evaluation of Bone Microarchitecture in a Murine Osteoporosis Model
Published on: September 8, 2023
3.4K
08:39Longitudinal Micro-Computed Tomography Image Analysis for User-Defined Region of Interest in Critical-Sized Bone Defects
Published on: June 24, 2025
557
