Dragonfly软件用于骨形态测量分析案例
2024-09-13 来源:本站 点击次数:674
文献来源：
Xi, Ranhui, Mamoon Ali, Yilu Zhou, and Marco Tizzano. “A Reliable Deep-Learning-Based Method for Alveolar Bone Quantification Using a Murine Model of Periodontitis and Micro-Computed Tomography Imaging.” Journal of Dentistry 146 (July 2024): 105057. https://doi.org/10.1016/j.jdent.2024.105057.
牙周病是一种常见的口腔疾病，其特征是口腔微生物群与宿主免疫之间的不平衡。它影响着近50%的人口，成为成人牙齿脱落的主要原因之一，同时也是对口腔和整体健康构成重大威胁的主要口腔疾病。
目前，牙周病研究通过利用各种牙周炎诱导技术，如牙齿结扎、化学处理、细菌接种或免疫缺陷动物模型，来研究牙周炎的病因、进展、治疗及相关机制。临床附着丧失和放射学骨丧失是广泛用于识别牙周病以及在临床实践中评估牙周骨丧失的指标。为了评估实验动物（如大鼠、小鼠等）中牙周炎的进展，研究人员将牙槽骨丧失（ABL）作为重要的疾病指标。然而，由于牙槽骨解构的复杂性、个体差异以及来自牙根的干扰，量化ABL尤其具有挑战性。
Dragonfly 在本研究中的应用
1. 数据处理与可视化
多格式支持： 作者利用 Dragonfly 处理和可视化了三种不同格式的 µCT 数据：DICOM、AIM 和 TIFF。这体现了 Dragonfly 强大的兼容性，方便研究者处理不同来源的数据。
三维重建与对齐： 原始的 µCT 数据是一系列的二维切片图像。作者使用 Dragonfly 将这些切片重建为三维模型，并进行对齐操作，确保所有样本具有统一的方向和左右对称性。这对于后续的分析和比较至关重要。
数据预处理： 不同格式的数据可能需要不同的预处理。作者提到，DICOM 文件的体素颜色梯度被归一化到 [0, 1] 范围内，而 AIM 和 TIFF 文件则不需要归一化。这表明 Dragonfly 提供了灵活的数据预处理工具，以适应不同数据类型的特点。
2. 深度学习模型训练
ROI 手动标注： 作者使用 Dragonfly 的 3D ROI Painter 工具，在 µCT 图像的每个冠状切片上手动标注感兴趣区域 (ROI)，将图像分为背景、牙齿和骨骼三个类别。这些标注数据用于训练深度学习模型。
U-Net 架构调整： 作者基于 U-Net 架构构建了深度学习模型，并通过调整网络参数来减少过拟合，提高模型性能。Dragonfly 提供了自定义网络架构和参数的功能，使研究者能够根据具体任务优化模型。
数据增强： 为了提高模型的鲁棒性（系统或算法对于异常情况或不良条件的抵抗能力和适应能力），作者在训练过程中使用了数据增强技术，包括翻转、旋转、裁剪、缩放和亮度调整。这使得模型能够更好地处理实际应用中可能遇到的数据变化。
迭代训练与校准： 模型训练是一个迭代过程。作者首先使用部分数据训练初始模型，然后应用于新样本进行初步分割。通过手动校准分割结果并将其作为新的训练数据，作者进一步提高了模型的准确性。
3. 自动分割与分析
ROI 选择与分割： 作者在 µCT 数据上绘制了一个 2 毫米球形 ROI，涵盖了受牙周炎影响的牙槽骨区域。训练好的模型能够自动将 ROI 分割为背景、牙齿和骨骼。
骨形态测量分析： 作者使用 Dragonfly 的骨分析插件，对分割后的骨骼区域进行了定量分析，计算了骨体积 (BV)、骨密度 (BMD)、骨表面积和骨小梁厚度等参数。
高效的分析流程： 自动分割过程非常高效，对于 2 毫米球形 ROI，只需约 30 秒即可完成。这大大节省了研究者的时间和精力。
总结
本研究开发了一个可下载且易于应用的AI模型，使研究人员能够评估包括骨体积（BV）、骨矿物质密度（BMD）和小梁骨厚度在内的指标，同时在测量小鼠牙槽骨时排除了牙齿的影响。
这项工作提供了一个创新、用户友好的自动分割模型，该模型快速、准确且可靠，展示了人工智能（AI）在牙科领域的新潜在用途，对于口腔疾病的诊断、治疗和预后评估具有巨大潜力。
本研究充分利用了 Dragonfly 软件在图像处理、可视化、深度学习模型训练和骨形态测量分析等方面的功能。作者通过灵活运用这些工具，成功开发了一个高效、准确的牙槽骨自动分割模型，为牙周炎研究提供了新的分析手段。
Xi, Ranhui, Mamoon Ali, Yilu Zhou, and Marco Tizzano. “A Reliable Deep-Learning-Based Method for Alveolar Bone Quantification Using a Murine Model of Periodontitis and Micro-Computed Tomography Imaging.” Journal of Dentistry 146 (July 2024): 105057. https://doi.org/10.1016/j.jdent.2024.105057.
牙周病是一种常见的口腔疾病，其特征是口腔微生物群与宿主免疫之间的不平衡。它影响着近50%的人口，成为成人牙齿脱落的主要原因之一，同时也是对口腔和整体健康构成重大威胁的主要口腔疾病。
目前，牙周病研究通过利用各种牙周炎诱导技术，如牙齿结扎、化学处理、细菌接种或免疫缺陷动物模型，来研究牙周炎的病因、进展、治疗及相关机制。临床附着丧失和放射学骨丧失是广泛用于识别牙周病以及在临床实践中评估牙周骨丧失的指标。为了评估实验动物（如大鼠、小鼠等）中牙周炎的进展，研究人员将牙槽骨丧失（ABL）作为重要的疾病指标。然而，由于牙槽骨解构的复杂性、个体差异以及来自牙根的干扰，量化ABL尤其具有挑战性。
Dragonfly 在本研究中的应用
1. 数据处理与可视化
多格式支持： 作者利用 Dragonfly 处理和可视化了三种不同格式的 µCT 数据：DICOM、AIM 和 TIFF。这体现了 Dragonfly 强大的兼容性，方便研究者处理不同来源的数据。
三维重建与对齐： 原始的 µCT 数据是一系列的二维切片图像。作者使用 Dragonfly 将这些切片重建为三维模型，并进行对齐操作，确保所有样本具有统一的方向和左右对称性。这对于后续的分析和比较至关重要。
数据预处理： 不同格式的数据可能需要不同的预处理。作者提到，DICOM 文件的体素颜色梯度被归一化到 [0, 1] 范围内，而 AIM 和 TIFF 文件则不需要归一化。这表明 Dragonfly 提供了灵活的数据预处理工具，以适应不同数据类型的特点。
2. 深度学习模型训练
ROI 手动标注： 作者使用 Dragonfly 的 3D ROI Painter 工具，在 µCT 图像的每个冠状切片上手动标注感兴趣区域 (ROI)，将图像分为背景、牙齿和骨骼三个类别。这些标注数据用于训练深度学习模型。
U-Net 架构调整： 作者基于 U-Net 架构构建了深度学习模型，并通过调整网络参数来减少过拟合，提高模型性能。Dragonfly 提供了自定义网络架构和参数的功能，使研究者能够根据具体任务优化模型。
数据增强： 为了提高模型的鲁棒性（系统或算法对于异常情况或不良条件的抵抗能力和适应能力），作者在训练过程中使用了数据增强技术，包括翻转、旋转、裁剪、缩放和亮度调整。这使得模型能够更好地处理实际应用中可能遇到的数据变化。
迭代训练与校准： 模型训练是一个迭代过程。作者首先使用部分数据训练初始模型，然后应用于新样本进行初步分割。通过手动校准分割结果并将其作为新的训练数据，作者进一步提高了模型的准确性。
3. 自动分割与分析
ROI 选择与分割： 作者在 µCT 数据上绘制了一个 2 毫米球形 ROI，涵盖了受牙周炎影响的牙槽骨区域。训练好的模型能够自动将 ROI 分割为背景、牙齿和骨骼。
骨形态测量分析： 作者使用 Dragonfly 的骨分析插件，对分割后的骨骼区域进行了定量分析，计算了骨体积 (BV)、骨密度 (BMD)、骨表面积和骨小梁厚度等参数。
高效的分析流程： 自动分割过程非常高效，对于 2 毫米球形 ROI，只需约 30 秒即可完成。这大大节省了研究者的时间和精力。
总结
本研究开发了一个可下载且易于应用的AI模型，使研究人员能够评估包括骨体积（BV）、骨矿物质密度（BMD）和小梁骨厚度在内的指标，同时在测量小鼠牙槽骨时排除了牙齿的影响。
这项工作提供了一个创新、用户友好的自动分割模型，该模型快速、准确且可靠，展示了人工智能（AI）在牙科领域的新潜在用途，对于口腔疾病的诊断、治疗和预后评估具有巨大潜力。
本研究充分利用了 Dragonfly 软件在图像处理、可视化、深度学习模型训练和骨形态测量分析等方面的功能。作者通过灵活运用这些工具，成功开发了一个高效、准确的牙槽骨自动分割模型，为牙周炎研究提供了新的分析手段。
相关文章
更多 >