Automated analysis of rabbit knee calcified cartilage morphology using micro‐computed tomography and deep learning
Notice bibliographique
Résumé
Structural dynamics of calcified cartilage (CC) are poorly understood. Conventionally, CC structure is analyzed using histological sections. Micro-computed tomography (µCT) allows for three-dimensional (3D) imaging of mineralized tissues; however, the segmentation between bone and mineralized cartilage is challenging. Here, we present state-of-the-art deep learning segmentation for µCT images to assess 3D CC morphology. The sample includes 16 knees from 12 New Zealand White rabbits dissected into osteochondral samples from six anatomical regions: lateral and medial femoral condyles, lateral and medial tibial plateaus, femoral groove, and patella (n = 96). The samples were imaged with µCT and processed for conventional histology. Manually segmented CC from the images was used to train segmentation models with different encoder-decoder architectures. The models with the greatest out-of-fold evaluation Dice score were selected. CC thickness was compared across 24 regions, co-registered between the imaging modalities using Pearson correlation and Bland-Altman analyses. Finally, the anatomical CC thickness variation was assessed via a Linear Mixed Model analysis. The best segmentation models yielded average Dice of 0.891 and 0.807 for histology and µCT segmentation, respectively. The correlation between the co-registered regions was strong (r = 0.897, bias = 21.9 µm, standard deviation = 21.5 µm). Finally, both methods could separate the CC thickness between the patella, femoral, and tibial regions (p < 0.001). As a conclusion, the proposed µCT analysis allows for ex vivo 3D assessment of CC morphology. We demonstrated the biomedical relevance of the method by quantifying CC thickness in different anatomical regions with a varying mean thickness. CC was thickest in the patella and thinnest in the tibial plateau. Our method is relatively straightforward to implement into standard µCT analysis pipelines, allowing the analysis of CC morphology. In future research, µCT imaging might be preferable to histology, especially when analyzing dynamic changes in cartilage mineralization. It could also provide further understanding of 3D morphological changes that may occur in mineralized cartilage, such as thickening of the subchondral plate in osteoarthritis and other joint diseases.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».