Characterization and quantification of in-vitro equine bone resorption in 3D using μCT and deep learning-aided feature segmentation
Notice bibliographique
Résumé
High cyclic strains induce formation of microcracks in bone, triggering targeted bone remodeling, which entails osteoclastic resorption. Racehorse bone is an ideal model for studying the effects of high-intensity loading, as it is subject to focal formation of microcracks and subsequent bone resorption. The volume of resorption in vitro is considered a direct indicator of osteoclast activity but indirect 2D measurements are used more often. Our objective was to develop an accurate, high-throughput method to quantify equine osteoclast resorption volume in μCT 3D images. Here, equine osteoclasts were cultured on equine bone slices and imaged with μCT pre- and postculture. Individual resorption events were then isolated and analyzed in 3D. Modal volume, maximum depth, and aspect ratio of resorption events were calculated. A convolutional neural network (CNN U-Net-like) was subsequently trained to identify resorption events on post-culture μCT images alone, without the need for pre-culture imaging, using archival bone slices with known resorption areas and paired CTX-I biomarker levels in culture media. 3D resorption volume measurements strongly correlated with both the CTX-I levels (p < 0.001) and area measurements (p < 0.001). Our 3D analysis shows that the shapes of resorption events form a continuous spectrum, rather than previously reported pit and trench categories. With more extensive resorption, shapes of increasing complexity appear, although simpler resorption cavity morphologies (small, rounded) remain most common, in acord with the left-hand limit paradigm. Finally, we show that 2D measurements of in vitro osteoclastic resorption are a robust and reliable proxy.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».