En undersøgelse af vertebral knoglestyrke ved mikro-CT-lignende billede

I denne undersøgelse forventer vi at indsamle 10 sæt ryghvirvler (mellem T6 og L5) fra 10 formalinfikserede menneskelige kadavere. Undersøgelsesprotokollen blev gennemgået og godkendt af de lokale Institutional Review Boards. De indsamlede prøver er genstand for normaliseret Micro-CT- og MSCT-billedscanning, billedrekonstruktion ved hjælp af standardalgoritmer og knoglestrukturobservation ved hjælp af knoglealgoritmer for at opnå standardiserede aksiale billeder af høj kvalitet . Vi vil bruge en betinget generation modstridende netværksbaseret billedkortlægningsteknik til at træne kortlægningsmodellen mellem MSCT-billeder og Micro-CT-billeder, finde overensstemmelsen mellem billedinformationen indeholdt i hver af MSCT og Micro-CT og endelig opnå høj opløsning mikro-CT-lignende billeder. Efter at have opnået de mikro-CT-lignende billeder af prøverne, vil vi segmentere og kommentere billederne (inklusive forskellige strukturer såsom hvirvellegeme, knoglebark) og træne Lærer-Student & U-Net++ deep learning-arkitekturen for at opnå nøjagtig segmentering af vertebrale kropsregioner og opnå spongiløse knogleregioner af interesse. Baseret på dette vil vi analysere knoglestrukturegenskaberne for hver rumlig region i billederne, herunder tykkelsen, afstanden, orienteringen og fordelingsmønsteret af knogletrabekler og andre indikatorer. I sidste ende vil vi skære en standardiseret kubisk prøve fra den vertebrale spongøse knogle, opnå det biomekaniske præstationsindeks for denne spongøse knogleprøve ved mekaniske eksperimenter og analysere sammenhængen mellem knoglestrukturen af ​​Micro-CT-lignende billeder og biomekanisk indeks .