一种用于小鼠骨骼 3D 高分辨率 μCT 扫描中皮质骨和小梁骨分割的强大深度学习方法

为解决 μCT 骨扫描分割难题，研究人员开展 DBAHNet 模型研究，结果出色，助力临床前骨研究。

　　在骨骼研究的领域中，微计算机断层扫描（μCT）堪称 “神器”，它能清晰展现骨骼的微观结构，帮助科研人员深入了解骨骼的奥秘。然而，随着研究的深入，μCT 数据处理的问题逐渐凸显。大量的数据如同堆积如山的文件，手动处理不仅耗时费力，而且不同的操作人员处理结果差异较大，这就像不同人对同一本书的理解不同一样，严重影响了研究结果的准确性和可重复性。传统的自动分割算法面对复杂多变的实验条件也显得力不从心，难以准确分割不同类型的骨扫描图像。在这种情况下，开发一种高效、准确的自动化分割方法迫在眉睫。

为了攻克这些难题，来自昆士兰科技大学、巴黎东克雷泰伊大学等多个研究机构的研究人员携手合作，开展了一项极具意义的研究。他们提出了一种名为双分支注意力混合网络（Dual-Branch Attention-based Hybrid Network，DBAHNet）的深度学习架构，专门用于小鼠胫骨 3D μCT 扫描中皮质骨和小梁骨的自动分割。经过一系列的实验验证，DBAHNet 表现出色，在不同的实验条件下都能实现高精度的分割，为骨研究提供了有力的工具。该研究成果发表在《Scientific Reports》上，引起了广泛关注。

研究人员为开展这项研究，用到了多个关键技术方法。在数据方面，收集了来自 7 个不同研究的 163 个小鼠胫骨扫描数据，涵盖多种小鼠品系、年龄、扫描分辨率、药物处理、手术操作和机械加载条件。数据处理上，先对原始 3D μCT 扫描数据进行预处理，包括阈值分割、去除伪影、去除腓骨和归一化等操作；训练过程中，使用随机仿射变换、3D 弹性变形、添加随机高斯噪声等数据增强技术扩充数据集；模型构建上，采用 DBAHNet 架构，结合卷积神经网络和变压器，有效捕捉局部特征和长程依赖关系；评估模型性能时，运用 S?rensen-Dice 评分系数（DSC）和 95% 豪斯多夫距离（HD95）等指标进行量化评估。

下面来看看具体的研究结果：

• 性能与其他模型对比：DBAHNet 模型表现卓越，平均 DSC 达到 98.41%，皮质骨 DSC 为 99.13%，小梁骨 DSC 为 97.69%。在边界精度方面，平均 HD95 为 0.0095mm，皮质骨为 0.0080mm，小梁骨为 0.0110mm。与 UNet、Attention UNet 等其他先进模型相比，DBAHNet 在皮质骨和小梁骨的分割上均更胜一筹。
• 定量和定性分割结果：定量评估显示，该模型在多种药物处理条件下都能有效分割骨结构，即使在极端情况下，如高剂量甲状旁腺激素（PTH）和机械加载联合处理，也能保持较高的分割精度。定性评估通过视觉检查发现，模型对皮质骨和小梁骨的分割准确，过渡区域平滑，相比半自动手动分割更加清晰，能有效描绘复杂的骨结构。
• 不同处理下的性能：在不同的药物处理和实验条件下，DBAHNet 都能准确分割骨结构。例如，在高剂量 PTH 和利塞膦酸盐处理下，模型保持了高 DSC 和低 HD95 值，展现了良好的适应性。
• 不同分辨率、年龄和小鼠品系的评估：模型在不同分辨率下都有不错的表现，在 5μm 分辨率下表现尤为突出，同时在其他未见过的分辨率，如 10.4μm 和 13.7μm 下也能成功分割。在不同年龄和小鼠品系的实验中，模型同样表现良好，证明了其泛化能力。
• 对不同骨类型的适应性：令人惊喜的是，原本在胫骨扫描数据上训练的模型，对股骨也能实现有效的分割，这表明模型对不同骨类型具有良好的适应性。
• 对未见数据的泛化能力：模型对新的、未见的数据具有出色的泛化能力，即使在训练数据有限的情况下，也能在不同的实验条件下准确分割骨结构。
• 后处理对分割性能的影响：后处理步骤进一步提升了分割性能，在高剂量药物处理组中，DSC 增加，HD95 降低，尤其是在 PTH 80μg/kg/day 组和利塞膦酸盐 + 机械加载组中表现显著。
• 模型配置研究和消融研究：研究发现，增加嵌入维度 c 可以提高 DSC，但会增加模型复杂度。选择合适的降维嵌入向量 E 能平衡模型性能和计算负载。消融研究表明，模型中的各个组件，如通道注意力卷积模块（CACM）、空间注意力卷积模块（SACM）和瓶颈结构等，都对模型性能有重要贡献。

研究结论和讨论部分指出，DBAHNet 在小鼠胫骨高分辨率 μCT 扫描的皮质骨和小梁骨分割中表现优异，即使训练数据有限，也能在多种复杂条件下实现有效分割，展现了深度学习模型的强大潜力。不过，该模型也存在一些局限性，如计算复杂度较高，对训练数据的质量和多样性依赖较大。针对这些问题，研究人员计划收集更全面、多样的数据集重新训练模型，并将其集成到自动化管道中，以进一步提高模型的鲁棒性和准确性。

总的来说，这项研究为骨研究领域带来了新的希望，DBAHNet 模型的出现，就像一把精准的手术刀，能够更准确地剖析骨骼结构，对于深入理解骨重塑动力学、研究药物和机械加载对骨骼的影响具有重要意义，有望推动骨质疏松等相关疾病的研究和治疗取得新的突破。