Node-link representation-based deep learning method for reconstructing trabecular bone from low-resolution images

doi:10.1016/j.eswa.2024.126299

2025-04-01

PRE

Hyukjin Koh

Bong Ju Chun

In Gwun Jang *

DOI：10.1016/j.eswa.2024.126299

原文链接

原文求助

摘要

En 中文

当前骨质疏松症的金标准，即骨面积矿物质密度（aBMD）测量，由于在研究小梁骨结构方面的局限性，无法精确评估骨强度。尽管拓扑优化已显示出重建小梁骨的潜力，但它需要过大的计算负担。深度学习方法也有其自身局限性，尤其是在图像重建过程中出现人工小梁断裂的问题。本研究提出了一种新颖的深度学习方法，采用节点-链接表示法在图像重建和后处理中保持小梁骨的连通性。在小梁骨结构被简化为节点-链接表示法中的一组节点和链接的集合。作为超分辨率残差网络（SRResNet）的数据集，通过使用拓扑优化作为训练数据生成了高分辨率合成骨骼图像。定义了一个连通性损失函数以抑制人工断裂，而基于节点-链接表示法的后处理恢复了不期望的断裂。针对三个感兴趣区域，该方法在结构连通性和表观弹性模量方面进行了验证。提出的SRResNet以可忽略的计算时间（仅为拓扑优化的3.7%）从低分辨率图像重建小梁骨。与传统的SRResNet相比，通过实施连通性损失和后处理，提出的SRResNet可分别降低结构连通性平均27%和17%的错误。相应地，通过实施两种提出的方案，它可分别降低表观弹性模量评估中平均24%和16%的错误。该方法有望扩展到从临床图像（例如CT扫描数据）重建小梁骨，从而为临床实践中的骨质疏松症早期诊断做出贡献。

Keyword:

Trabecular bone reconstruction

Deep learning

Topology optimization

Node-link representation

Structural connectivity

Image super-resolution