基于深度学习的微CT灰度分析用于早期检测和老鼠骨质疏松症的分期

科学领域:

• 生物医学工程 生物医学工程
• 骨质疏松症研究 骨质疏松症研究
• 医学成像分析 医学成像分析

背景情况:

• 鼠标模型对于临床前骨质疏松症研究至关重要,但目前的微型CT分析缺乏标准化的多时间点数据.
• 现有的方法往往依赖于单一时间点的比较,阻碍了对疾病进展的全面理解.

研究的目的:

• 开发和验证基于深度学习的微CT灰度分析,用于标准化,多时间点评估大鼠骨质疏松症.
• 通过使用定量成像数据,使骨质疏松症的早期检测和精确分期成为可能.

主要方法:

• 使用卵巢切除 (OVX) 和假手术的斯普雷格-道利大鼠 (每个n=32),在手术后4,8,16和24周分析股骨.
• 一个深度学习模型被训练在灰度级别的声音分类从微型CT扫描近接大腿骨的ROI.
• 该模型的早期检测和分期的诊断性能与传统的微型CT参数和DXA.相比较.

主要成果:

• 基于灰度的算法在4周内检测到Sham和OVX老鼠之间的差异,比DXA (16周) 早.
• 对于OVX组内的骨质疏松症阶段,深度学习模型的准确性明显更高 (88.4%),相比传统参数 (55.9%).
• 该算法还在一次时间点诊断 (98.3%) 和传统方法 (85.3%) 中表现出优异的性能.

结论:

• 基于深度学习的微CT灰度分析为老鼠模型中早期发现骨质疏松症提供了一种敏感的方法.
• 与传统的定量参数相比,这种方法提供了更准确的骨质疏松症进展阶段.
• 开发的方法可以作为临床前骨质疏松症研究的强有力的定量工具.