Ydre grænse bistået segmentering og kvantificering af trabekulær knogler af et Imagej Plugin
Summary
Vi præsenterer en arbejdsproces for segmentering og kvantificere trabekulær knogler til 2D og 3D billeder baseret på bone’s ydre grænse ved hjælp af en ImageJ plugin. Denne metode er mere effektiv og præcis end de nuværende manuel hånd-konturering tilgang, og giver lag på lag kvantificeringer, som ikke findes i nuværende kommercielle software.
Abstract
Mikro-beregnet tomografi (mikro-CT) anvendes rutinemæssigt til at vurdere knogle mængde og trabekulær mikrostrukturanalyse egenskaber i små dyr under forskellige knogle tab. Standardmetoden for trabekulær analyse af micro-CT billederne er imidlertid skive af skive semi-automatiske hånd-tilretning, der er arbejdskrævende og fejl liggende. Beskrevet her er en effektiv metode til automatisk segmentering af trabekulær knogler efter bone’s ydre grænser, hvor trabekulær knogler kan identificeres og segmenteret automatisk med nøjagtighed med mindre operatør bias når det er hensigtsmæssigt segmentering parametrene er angivet. For at profilere tilfredsstillende segmentering parametre, vises en billedstak af segmentering resultater, hvor alle mulige kombinationer af parametrene segmentering er ændrede sig i rækkefølge, og segmentering resultater med tilhørende parametre kan nemt visuelt kontrolleres. Som en kvalitetskontrol funktion af plugin, er simulerede standard objekter kvantificeret, hvor de målte mængder kan sammenlignes med teoretiske værdier. Lag på lag kvantificering af trabekulær egenskaber og trabekulær tykkelser er rapporteret af sådan et plugin, og fordelinger af sådanne egenskaber inden for de udvalgte regioner kan blive profileret nemt. Selv om lag-på-lag bevarer flere oplysninger om trabekulær knogler og letter yderligere statistisk analyse af strukturelle ændringer, er sådanne foranstaltninger ikke tilgængelig fra produktionen af nuværende kommercielle software, hvor kun en enkelt kvantificerede værdi for hver parameter er rapporteret for hver prøve. Derfor, de beskrives arbejdsprocesser er bedre metoder til at analysere trabekulær knogler med præcision og effektivitet.
Introduction
Mikro-CT analyse af trabekulær knogler er standardmetoden til sporing af morfologiske forandringer af knoglerne i små dyr under forskellige knogle tab betingelser1,2,3, hvor flere variabler relateret til den strukturer af knoglerne er rapporteret4. Men sådanne parametre er ikke jævnt fordelt i metaphysis af lange knogler5, og kun en sammenfattet eller gennemsnit værdi er rapporteret for hver strukturel variabel af hver prøve af nuværende kommercielle mikro-CT maskiner6,7 , om en enkelt værdi ikke kan fuldt ud repræsenterer Karakteristik af den målte parameter i regionen analyse. Lag på lag kvantificering af trabekulær knoglerne ikke kun bevarer flere oplysninger for hver variabel, men giver også mulighed for profilering af distributioner af disse variabler i regionen analysere lette efterfølgende statistisk analyse af strukturelle ændringer under forskellige forhold5. Derfor er målet med denne metode kvantificere trabekulær knogler af micro-CT scanninger på hver skive plan, hvilke ikke er anvendelig i hvilken som helst kommercielt tilgængelige mikro-CT-analyse pakke i øjeblikket.
Til effektivt segment trabekulær knogler skive-af-skive er automatiske segmentering metoder ønskelig. Den nuværende standard teknik til micro-CT analyse er imidlertid baseret på manuel interaktive Profilstyring efterfulgt af semiautomatisk interpolation at adskille trabekulær knogler fra de kortikale rum, der er arbejdsintensive, fejlbehæftet, og forbundet med betydelig operatør bias8,9,10. Automatisk segmentering metoder11,12 blev rapporteret, men sådanne metoder er kun optimal i regioner med god adskillelse mellem trabekulær knogler og kortikale knogler, men ikke i regioner uden klare separationer. Desuden, der kræves for forskellige prøver12forskellige segmentering parametre, og det er trættende at manuelt vælge tilfredsstillende segmentering parametre gælder for grupper af knogle prøver ved at prøve forskellige parameter kombinationer12, Selvom segmentering proces er automatisk, når alle relaterede parametre er angivet. Som knoglen ydre grænse har den største kontrast med scanning baggrunden og metafyseale kortikale skaller af lange knogler vise nogle ændringer i den valgte analyse region, segmentering metoder ifølge ydre grænse konturen af lange knogler kan pålideligt og præcist separate trabekulær knogler fra kortikale skaller. Fordelen ved sådan en segmentering metode er, at segmenteringen er baseret på forskellen mellem baggrunden og bone’s ydre grænse, men ikke på forskelle mellem trabekulær og kortikale knogler6,12, 13, derfor er det generelt nemt at finde en kombination af segmentering parametre, der er tilfredsstillende for en gruppe af knogle prøver, lette mere pålidelig analyse af trabekulær ændringer mellem forskellige grupper.
På hver skive indberettes niveau, areal, omkreds og todimensionale (2D) tykkelse for 2D analyse, mens volumen, overflade og tre-dimensionelle (3D) tykkelse er rapporteret i 3D kvantificeringer. Sådanne oplysninger er generelt ikke rapporteret af aktuelle billede analyseværktøjer, der angiver, at indberettede procedurer kan anvendes til generelle billeder hvor sådanne oplysninger ønskes.
Protocol
Representative Results
Discussion
Denne undersøgelse beskriver en ImageJ plugin til at analysere trabekulær knogler, der er automatisk, effektiv, og bruger kammeratlig. Plugin kan også bruges til at kvantificere alle 2D eller 3D objekter til lag-på-lag foranstaltninger af områder, mængder og tykkelser. I øjeblikket er kun en enkelt målt værdi for hver trabekulær parameter rapporteret for hver prøve af standard mikro-CT-analyse, som ikke fuldt ud repræsenterer Karakteristik af den målte enhed i den valgte analyse region. Den beskrevne plugin …
Disclosures
The authors have nothing to disclose.
Acknowledgements
Dette arbejde blev delvist støttet af grant NFSC 81170806. Forfatterne vil gerne takke mikro-CT core facilitet af skolen af stomatologi, Wuhan University for at hjælpe skanne og analysere de rotte lårben.
Materials
| ImageJ | NIH | imagej | Any version with a java 1.8 run time |
| trabecular analysis plugin | Bomomics | bomomics | free or commercial version |
| Micro CT scanner | Scanco | μ-50 | micro CT from any vendor |
| Computer System | Lenovo | any brand | |
| Windows Operating System | Microsoft | Windows 7 x64 | any 64-bit Windows operating system |
| Office Software | Microsoft | Office 2010 | any speadsheet software that has xy chart function |
References
- Ruegsegger, P., Koller, B., Muller, R. A microtomographic system for the nondestructive evaluation of bone architecture. Calcif Tissue Int. 58 (1), 24-29 (1996).
- Muller, R., Ruegsegger, P. Micro-tomographic imaging for the nondestructive evaluation of trabecular bone architecture. Stud Health Technol Inform. 40, 61-79 (1997).
- Clark, D. P., Badea, C. T. Micro-CT of rodents: state-of-the-art and future perspectives. Phys Med. 30 (6), 619-634 (2014).
- Bart, Z., Wallace, J. Microcomputed Tomography Applications in Bone and Mineral Research. Advances in Computed Tomography. 2, 121-127 (2013).
- Ji, Y., Ke, Y., Gao, S. Intermittent activation of notch signaling promotes bone formation. Am J Transl Res. 9 (6), 2933-2944 (2017).
- Jiang, Y., Zhao, J., White, D. L., Genant, H. K. Micro CT and Micro MR imaging of 3D architecture of animal skeleton. J Musculoskelet Neuronal Interact. 1 (1), 45-51 (2000).
- Laib, A., et al. 3D micro-computed tomography of trabecular and cortical bone architecture with application to a rat model of immobilisation osteoporosis. Med Biol Eng Comput. 38 (3), 326-332 (2000).
- Cole, H. A., Ichikawa, J., Colvin, D. C., O’Rear, L., Schoenecker, J. G. Quantifying intra-osseous growth of osteosarcoma in a murine model with radiographic analysis. J Orthop Res. 29 (12), 1957-1962 (2011).
- Jensen, M. M., Jorgensen, J. T., Binderup, T., Kjaer, A. Tumor volume in subcutaneous mouse xenografts measured by microCT is more accurate and reproducible than determined by 18F-FDG-microPET or external caliper. BMC Med Imaging. 8, 16 (2008).
- Soviero, V. M., Leal, S. C., Silva, R. C., Azevedo, R. B. Validity of MicroCT for in vitro detection of proximal carious lesions in primary molars. J Dent. 40 (1), 35-40 (2012).
- Kohler, T., Stauber, M., Donahue, L. R., Muller, R. Automated compartmental analysis for high-throughput skeletal phenotyping in femora of genetic mouse models. Bone. 41 (4), 659-667 (2007).
- Buie, H. R., Campbell, G. M., Klinck, R. J., MacNeil, J. A., Boyd, S. K. Automatic segmentation of cortical and trabecular compartments based on a dual threshold technique for in vivo micro-CT bone analysis. Bone. 41 (4), 505-515 (2007).
- Dougherty, G. Quantitative CT in the measurement of bone quantity and bone quality for assessing osteoporosis. Med Eng Phys. 18 (7), 557-568 (1996).
- Doube, M., et al. BoneJ: Free and extensible bone image analysis in ImageJ. Bone. 47 (6), 1076-1079 (2010).
- Bouxsein, M. L., et al. Guidelines for assessment of bone microstructure in rodents using micro-computed tomography. J Bone Miner Res. 25 (7), 1468-1486 (2010).
