基于ImageJ插件的骨小梁外边界辅助分割与定量分析
2018年3月14日
我们提出了一种基于骨外边界的二维和三维图像小梁骨分割与定量分析工作流程，该方法利用ImageJ插件实现。与当前手动勾画轮廓的方法相比，此方法更高效、更准确，并可提供逐层定量结果，而现有商业软件尚不具备此功能。
本实验的主要目标是准确且高效地自动量化骨小梁的结构参数。该方法有助于回答图像分析领域中的关键问题，例如如何准确且高效地测量不规则结构。该技术的主要优势在于，相较于目前现有的量化方法，利用该技术对二维或三维物体进行结构测量具有更高的准确性和效率。
开始此操作前，首先按照文本方案中所述安装 ImageJ 软件及小梁分析插件。打开 ImageJ 软件，在“插件”菜单下的 BoMomics → Simulate Objects 中，点击“圆形”按钮。
在弹出的窗口中，输入直径为 200，然后单击“确定”以生成一个直径为 200 像素的模拟圆形。将生成的圆形以 TIFF 格式保存。接下来，在“插件”→“BoMomics”→“模拟对象”中，单击“方形”按钮。
在弹出窗口中输入 200 作为边长，然后点击“确定”以生成边长为 200 像素的模拟正方形。将其保存为 TIFF 格式。接着，在同一菜单中，点击“球体”按钮。
输入直径为 30，然后点击“确定”以生成模拟的球体。点击“插件”、“3D”、“体积查看器”来查看该球体，并将其保存为 TIFF 格式。最后，在“插件”、“BoMomics”、“模拟对象”中，点击“圆柱体”按钮。
输入直径为30，高度为100，然后单击“确定”以生成模拟圆柱体。之后，单击“插件”、“3D”、“体积查看器”以查看该圆柱体，并将其保存为TIFF格式。首先，打开ImageJ软件，然后打开或导入一张扫描图像。
滑动底部滚动条选择切片，然后点击图像、调整、阈值按钮。在阈值弹出窗口中，调节最小和最大阈值，以确保骨骼与背景充分分离。将最小阈值记录为皮质骨阈值。
接下来，点击插件中的 BoMomics，Trabecular Parameter Profiling 按钮。在弹出窗口中，将 Slice Index 设置为代表性切片的位置。设置 Cortical Bone 的 Range 和 Step 值，以计算一组用于轮廓分割参数分析的皮质骨阈值。
此后，设置噪声直径、步长和范围值，以指定用于分析的一组噪声值。设置孔径直径、步长和范围值，以计算一组孔径值。单击“确定”以执行参数分析。
在参数分析结果窗口中，目视检查分割结果，并选择骨外边界被准确勾勒的切片层。然后，从参数分析结果表中对应的条目获取分析参数。开始分析小梁骨时，打开 ImageJ 软件，并打开或导入一幅扫描图像。
单击插件，BoMomics，小梁分割按钮。根据此处所示填写适当的分析参数。然后，单击“确定”以执行小梁分割。
在“小梁骨分割结果”窗口中直观检查结果。然后，将“已分割小梁骨”窗口中显示的提取后小梁骨以TIFF格式保存，用于后续分析。之后，点击插件按钮 Plugins、BoMomics、Trabecular Analysis，并根据文本方案中所述填写相应的分析参数。
在结果报告部分，选择一个或多个待测量参数，可选参数包括小梁骨体积、总体积，以及以二维或三维方式测量的厚度。要执行小梁骨分析，请同时选中2D和3D的复选框，然后点击“确定”。要开始量化对象，请在ImageJ软件中打开一幅模拟图像。依次选择插件（Plugins）、BoMomics、小梁骨分析（Trabecular Analysis）按钮，并填写相应的分析参数，其中“起始”（Start）、“结束”（End）、“轮廓边界”（Outline Boundary）和“小梁骨”（Trabecular Bones）保留默认值，将“噪声 reduction 直径”（Noise Reduction Diameter）、“孔洞填充直径”（Hole Filling Diameter）和“皮质骨厚度直径”（Cortical Thickness Diameter）设置为零。
在结果报告部分，选择 2D 和 3D 作为待测量的参数，然后单击“确定”以对模拟物体进行小梁骨分析。随后，根据文本方案中的说明，在电子表格列中计算校准后的骨体积、总体积、骨矿物质含量、骨体积分数和骨矿物质密度，并对数据进行分析。
本研究使用 ImageJ 插件自动分割并量化小梁骨。通过不同参数条件进行代表性参数分析表明，某些参数组合在勾画骨外边界时比其他组合更为准确。随后，进行分割与分析以量化小梁骨的测量指标。
可逐层直观检查该分割结果。根据分析过程中选择的选项，可报告骨体积、总体积、灰度值总和以及厚度的原始定量数据，这些数据可以是二维或三维的。校准信息从扫描的显微CT数据集中提取，进而计算出经过校准的骨体积、总体积、骨矿物含量、骨体积分数和骨矿物密度的测量值。
随后，可以针对选定的分析区域，按层次位置逐层分析其分布情况。一旦掌握，若操作得当，该技术可在10至20分钟内完成对500个图像层的骨小梁定量分析。我们最初提出该方法的设想，是发现在同一有经验的操作者使用微计算机断层扫描（micro-CT）设备厂商提供的软件对同一数据集进行分析时，所得结果无法重复。
观看本视频后，您应能够充分理解如何选择合适的骨分割参数，并以最少的用户交互完成长骨的分析。
查看完整文字稿并访问数千部科学视频
概述
本文介绍了一种利用ImageJ插件对二维和三维图像中的骨小梁进行自动分割与定量分析的工作流程。与手动勾画方法相比，该方法提高了效率和准确性，可提供详细的逐层定量结果。
关键研究组成部分
科学领域
- 神经科学
- 图像分析
- 骨结构分析
背景
- 骨小梁具有复杂的结构，难以进行量化。
- 目前的方法通常依赖手动勾画轮廓，耗时且准确性较低。
- 自动化技术可提高测量的精确性和效率。
- ImageJ 是科学研究中广泛使用的图像处理软件。
研究目的
- 开发一种用于量化骨小梁结构的自动化工作流程。
- 提高在二维和三维图像中结构测量的准确性。
- 提供一种比现有手动方法更高效的替代方案。
使用的方法
- 安装 ImageJ 软件及小梁骨分析插件。
- 使用插件中的圆形按钮进行对象模拟。
- 基于外边界对骨结构进行分割。
- 对小梁骨进行逐层定量分析。
主要结果
- 自动化方法显著提高了测量的准确性。
- 逐层定量分析提供了商业软件中无法获得的深入信息。
- 该工作流程高效且易于操作，适合研究人员使用。
- 实验结果表明，该方法在图像分析领域具有更广泛的应用潜力。
结论
- 所提出的流程为小梁骨分析提供了一种可靠的工具。
- 图像分析的自动化可带来更优的研究结果。
- 该方法可解决不规则结构定量分析中的关键问题。
常见问题
行业重要性概述
准确量化骨小梁结构对于评估靶向骨的治疗手段以及理解临床前研究中的骨骼毒性至关重要。手动进行显微CT分析会引入变异，并限制通量，从而阻碍可靠的靶点验证和机制性风险排除。该自动化ImageJ插件工作流程可提高测量的精确性和可重复性，支持在早期发现和转化研究中做出数据驱动的决策。
生物制药研发中的战略应用
早期发现与靶点验证
- 科学价值：能够客观评估骨小梁的变化，以验证关于骨代谢的治疗假设。
- 操作价值：减少操作者在结构定量中的偏倚和变异性，提高对靶点作用数据的可信度。
筛选与检测方法开发
- 科学价值：提供逐层的骨小梁厚度和体积分布，用于对骨调节化合物进行详细的表型筛选。
- 操作价值：实现分割与定量的自动化，能够对高内涵研究产生的大规模图像数据集进行可扩展的分析。
转化与临床前研究
- 科学价值：提供与骨骼健康及疾病进展的转化生物标志物一致的定量骨小梁参数。
- 操作价值：通过在不同模型间标准化结构读数，确保从发现到临床前验证的连续性。
流程与工作流整合
该方法适用于从靶点验证到临床前评估的发现全过程，在此过程中，精确的骨表型分析有助于先导化合物的筛选和风险评估。
- 发现生物学：通过量化化合物处理后骨小梁结构的变化，支持假设验证。
- 筛选：通过自动化、可重复的骨小梁区域分割，实现化合物文库筛选的检测就绪。
- 分析：生成多维度读数（体积、厚度、矿物质含量），便于在不同实验条件下进行比较分析。
- 转化研究：提供与骨转换生物标志物相关的分层解析结构数据，连接临床前研究的连续性。
- 企业级复用：作为基于插件的可复用功能，适用于需要一致骨形态计量分析的各类项目。
运营与企业影响
- 科学价值：通过减少测量噪声和偏差，提高对骨相关表型的预测可信度。
- 操作价值：通过参数分析和质量控制，增强不同实验地点和操作人员之间的标准化与可重复性。
- 战略价值：在发现流程早期提供可靠的骨小梁数据，从而优化“进行/终止”决策。
- 项目组合影响：基于可量化的结构结果，实现对骨调节候选物的风险调整优先排序。
实施注意事项
- 熟悉 ImageJ 插件环境和基本的图像处理概念。
- 能够使用显微CT扫描仪以及处理三维图像堆栈的计算资源。
- 需要跨团队就分割参数和分析流程达成一致，以确保结果的一致性。
- 当将该方法应用于具有不同骨小梁结构的骨模型或物种时，需考虑方法的适应性调整。
- 依赖于适当的阈值校准；即使具备质量控制功能，参数选择不当仍可能影响分割的准确性。
生物制药常见问题
Chapters in this video
0:05
Title
0:49
Prepare 3D Dataset for Trabecular Analysis
2:52
Profiling Analysis Parameters
4:41
Trabecular Analysis
6:12
Quantifying Simulated Objects, Calibrating the Trabecular Measurements, and Presentation of Data
7:22
Results: Trabecular Analysis Using the ImageJ Plugin
8:48
Conclusion
