《Scientific Reports》:Automatic segmentation of histological zones in rat distraction osteogenesis using a self-configuring deep learning pipeline
编辑推荐:
牵张成骨(distraction osteogenesis, DO)通过逐渐分离骨段并诱导牵张间隙内新组织形成而实现骨再生。尽管再生组织组成的组织学评估对于评价组织成熟度至关重要,但人工勾画组织分区劳动密集且受观察者间变异影响。本研究评估了一种基于深度学习(d
牵张成骨(distraction osteogenesis, DO)通过逐渐分离骨段并诱导牵张间隙内新组织形成而实现骨再生。尽管再生组织组成的组织学评估对于评价组织成熟度至关重要,但人工勾画组织分区劳动密集且受观察者间变异影响。本研究评估了一种基于深度学习(deep learning, DL)的工作流程,用于大鼠牵张成骨模型中三个组织学分区的自动分割:纤维中间区(fibrous interzone, FIZ)、微柱形成区(microcolumn formation zone, MCF)和重塑区(remodeling zone, RM)。使用高分辨率苏木精-伊红(hematoxylin and eosin, H&E)和五色染色(pentachrome)切片,在五折交叉验证和独立保留测试集下,训练二维U-Net(2D U-Net)模型的多类(multi-class)和单类(single-class)设置。采用Dice评分(Dice score)、精确率(precision)和召回率(recall)评估性能,并辅以预测叠加图的定性审查。在测试集上,纤维中间区分割最可靠(H&E中Dice 0.76;五色染色中0.75),其次为微柱形成区(Dice 0.63;0.57)。重塑区(Dice 0.29;0.44)因表现可变且出现较晚而成为最具挑战性的分区。由于真实标注(ground truth)不完整且部分模糊,定量指标与定性组织学评估结合解读。在此联合评估下,五色染色多类配置产生最一致的结果。这些发现表明,深度学习辅助分割是牵张成骨组织学分区分析的一种可重复方法。除该应用外,所评估的流程为相关组织学分割任务提供了实用工作流程。在3D Slicer中的实现能够以适用于转化研究的可访问格式进行推理、可视化和基于面积(area-based)的定量。
研究背景与问题:牵张成骨(distraction osteogenesis, DO)是骨科与颌面外科修复大段骨缺损和重建的成熟技术,其组织再生经历潜伏期、牵张期和巩固期,再生骨痂具有特征性组织学分区,即纤维中间区(fibrous interzone, FIZ)、微柱形成区(microcolumn formation zone, MCF)和重塑区(remodeling zone, RM)。准确识别和定量这些分区对评价实验和推进机制理解至关重要,但组织组成与结构进展评估仍主要依赖人工组织学分析;人工勾画耗时、依赖专家知识且易受观察者间变异影响,限制通量和研究间可比性。深度学习尤其是卷积神经网络(convolutional neural networks, CNNs)已推动生物医学图像分割,但牵张骨痂组织学自动分割仍困难:组织形态变异大、染色造成样本外观差异、高分辨率图像常需分块处理和局部预测聚合,且许多流程需大量人工配置,限制可重复性。nnU-Net(一种自配置深度学习分割框架)可自动适配预处理、架构和训练流程,但据研究人员所知尚未用于DO组织学组织分区分割。本研究评估基于nnU-Net的流程在大鼠DO模型高分辨率组织学切片中自动识别FIZ、MCF和RM,比较多类与单类方法及两种染色,并结合Dice评分(Dice score;分割重叠度指标)、精确率(precision)和召回率(recall)与定性审查,将最佳模型集成到定制3D Slicer(开源医学图像可视化与分析平台)模块中,以实现标准化预处理、自动推理、分区可视化和基于面积的定量。研究不旨在提出新分割架构,而是评估既有生物医学分割框架能否转化为可重复的端到端工作流。结论表明该流程对FIZ和MCF可产生解剖一致且生物合理的分割,五色染色多类配置总体最一致,RM仍最具挑战;该工作流可减少人工工作和观察者间变异,支持标准化分区定量和队列级比较。
关键技术方法:组织切片来自汉诺威医学院“实验创伤外科”研究所独立开展的大鼠DO实验,经下萨克森州消费者保护与食品安全局批准,遵循德国动物福利法、德国实验动物法规和ARRIVE指南;共49张H&E和71张pentachrome切片纳入分析。研究人员采用nnU-Net v2二维ResidualEncoderUNet,分别训练H&E和pentachrome模型;构建FIZ、MCF、RM多类模型及MCF、RM单类模型;采用五折交叉验证和每染色8张图像的独立测试集;以Dice、精确率和召回率定量评价,并叠加预测与真值进行定性审查;比较全图与以牵张间隙为中心裁剪区域的性能;将最佳多类模型集成至3D Slicer模块进行推理、可视化和面积定量。
研究结果:
Model architecture:模型采用标准编码器-解码器结构,二维ResidualEncoderUNet使用256×256像素patch、三通道RGB输入和batch size 2;除H&E单类RM模型按nnU-Net各向异性规则将最终stride调整为[1,2]外,所有模型遵循同一配置。研究人员据此架构比较多类与单类模型对三个分区的分割能力,并将最合适配置用于以牵张间隙为中心的裁剪区域评估。
Overall performance on full images:全图测试集每染色8张图像。多类nnU-Net对两种染色的FIZ和MCF均获得可重复分割;H&E多类模型FIZ精确率0.70、召回率0.88、Dice 0.76,MCF精确率0.52、召回率0.84、Dice 0.63,RM精确率0.29、召回率0.30、Dice 0.29;pentachrome多类模型FIZ精确率0.63、召回率0.96、Dice 0.75,MCF精确率0.49、召回率0.81、Dice 0.57,RM精确率0.43、召回率0.59、Dice 0.44。单类模型未在独立测试集上提高MCF和RM的Dice;交叉验证趋势与测试集一致。探索性Mann–Whitney U检验未发现两种染色多类模型各分区Dice差异有统计学意义。定性审查显示FIZ分离清楚,MCF与RM边界较不清晰,MCF常扩展至RM标注边界外,RM也出现于无对应真值标注区域;多类配置的MCF与RM空间关系更一致。
Effect of cropping to the distraction gap:由于注释未覆盖全图且部分生物合理区域未标注,全图评估可能将正确预测计为假阳性。研究人员将全图训练的多类模型应用于以牵张间隙为中心的裁剪图像,并为裁剪区域重新生成真值掩膜。H&E中FIZ精确率0.83、召回率0.89、Dice 0.85,MCF精确率0.64、召回率0.85、Dice 0.72;pentachrome中FIZ精确率0.79、召回率0.95、Dice 0.85,MCF精确率0.76、召回率0.78、Dice 0.76;RM在H&E裁剪评估中Dice 0.14(仅2例RM阳性真值),pentachrome为0.59。Wilcoxon符号秩检验显示两种染色的FIZ和MCF全图与裁剪Dice改善显著(均p=0.008),RM差异不显著。定性评估确认裁剪未负面影响分割质量,改善主要反映未注释组织中假阳性减少,而非模型预测本身改变。
3D Slicer-based inference and visualization:研究人员将训练好的nnU-Net模型通过定制3D Slicer模块应用于未见测试组织学切片,预测以彩色叠加显示,便于检查分区与组织形态的空间对应。模块自动生成每类像素计数、绝对组织面积(mm
2)和相对比例,测量与预测区域空间范围一致,并可在统一图形环境中标准化比较样本。部署模块集成H&E和pentachrome最佳多类模型,支持交互式定性和下游定量分析。
讨论总结:从生物医学研究角度看,自动分区可实现牵张间隙内组织组成的客观、可扩展定量;分区特异性读出反映再生成熟度,常用于比较牵张方案、巩固时间点或辅助干预。研究显示nnU-Net可在跨染色和训练策略下产生解剖一致、生物合理的牵张骨痂分割,性能总体为FIZ最高、MCF中等、RM最低。影响因素主要包括各分区内在结构属性和染色方案:FIZ相对均匀且边界清楚,MCF含垂直微柱且更异质,RM弥漫、高度可变并逐渐向骨小梁过渡,边界不锐利,增加注释不确定性和学习稳定边界难度。pentachrome多色染色可能更利于区分组织类型,H&E主要提供总体结构概览;定性上pentachrome中MCF-RM过渡更可辨,但探索性统计未检测显著Dice差异。多类模型通常比单类模型产生更平衡、更具上下文感知的分割,可能因FIZ、MCF和RM在空间和生物学上相关,多类可联合学习关系,而单类将其他分区和过渡区作为异质背景,减少上下文信息;RM多类在定量和定性上均更有优势。定量结果需谨慎解释:人工注释空间覆盖不完整、边界模糊,尤其RM;为减少单专家偏倚,C.N.独立生成第二注释集,并与两位领域专家联合审查,最终保留J.R.更保守且内部一致的注释作为训练参考,以减少标签噪声并限定明确可识别组织模式;这可能将生物合理但未注释区域的预测计为假阳性,从而系统性低估精确率和Dice。定性检查提供重要补充:模型复现分区总体方向和空间排列,FIZ和MCF与专家注释一致性较好,但MCF-RM边界常模糊,二者偶有互相误判。工作流对FIZ和MCF表现稳定,交叉验证与独立测试一致,染色和评估设置间相似。样本量受合适组织切片可得性、动物来源样本伦理和专家注释耗时限制;独立测试每染色仅8张,统计检验应视为探索性,研究应视为当前大鼠DO设置下的方法学概念验证,需更大独立数据集验证,不能假定对其他组织学设置的可迁移性。裁剪评估更符合可用真值,但指标提升主要因排除未注释外周假阳性,不应视为裁剪普遍提高生物学分割性能;强调机器学习专家与生物领域专家需在训练前协调注释区域、生物学终点和评估策略。RM持续困难可能源于生物渐变、数据集代表性有限、空间范围小、注释不确定性、后期出现和低患病率(RM注释仅21/49张H&E和26/71张pentachrome图像),以及H&E对比有限和保守参考注释,导致有效训练信号减少和类别不平衡;并非仅由模型容量解释。RM改进可能需更多RM阳性注释、更好覆盖晚期重塑形态、多专家共识注释,以及过采样含RM图像、类别平衡、损失加权或RM聚焦模型细化。3D Slicer集成增强实用性和可重复性,支持无需命令行的标准化端到端应用、交互式叠加可视化和自动导出类别像素计数、绝对面积及相对比例,便于领域专家验证生物合理性并提取统计终点;但高分辨率切片和模型复杂度导致标准桌面系统推理时间长,通常需高性能GPU,下采样实验降低分割质量,提示对空间分辨率敏感。总体而言,该工作流实现大鼠DO模型牵张再生组织的标准化分区表型分析和客观定量终点,减少人工、提高可重复性并支持可扩展队列研究。
研究结论(Conclusion)翻译:据研究人员所知,本工作首次提出一种基于深度学习的系统方法,用于大鼠牵张成骨模型中骨痂牵张区的自动分割。使用nnU-Net,模型在跨染色方案的FIZ和MCF上获得解剖一致且生物合理的 delineation,五色染色多类配置在分割准确性和空间一致性之间提供最可靠的总体平衡。相反,RM分割仍具挑战性,反映生物渐变、稀疏代表和注释不确定性,而非模型容量不足。除方法学开发外,所提工作流通过提供类别面积和相对比例的可重复估计,实现牵张再生组织的标准化分区定量,支持客观队列级比较,并可促进大鼠DO模型组织学研究中对研究变量的更系统评估。集成到定制3D Slicer模块进一步通过熟悉的生物医学成像环境中的可视化和定量输出自动导出证明实际可行性。因此,本工作为所研究大鼠DO模型中的自动分区分割提供可重复且软件支持的框架。原则上仍可适应其他组织学分割和定量任务,但需要任务特定注释、再训练或微调以及独立验证。未来研究应在更大独立数据集和额外实验设置中验证所提工作流,之后才能假定更广泛通用性或统计稳健性,同时考虑生成额外动物来源组织学样本的伦理和实践限制。改善RM分割应特别关注,这可能需要更多RM阳性注释、更好覆盖晚期重塑模式和针对性模型细化。此外,本研究并非设计为比较架构基准,因此未与替代分割架构直接比较,也未系统消融nnU-Net单个组件;未来研究应解决这一局限。