Lee AH, Talluri G, Damani M, Covarrubias BV, Hanna H, Chavez J, Moore JM, Baradarian J, Molgaard M, Nielson B, Walden K, Broderick TL, Al-Nakkash L. · Frontiers in bioinformatics · 2026

Deep learning software and revised 2D model to segment bone in micro-CT scans.

Resumo em português

O aprendizado profundo (DL) possibilita a segmentação automática de ossos em conjuntos de dados de micro-CT, mas pode apresentar dificuldades para generalizar entre estágios de desenvolvimento, regiões anatômicas e condições de imagem. Apresentamos o BP-2D-03, que é um modelo revisado de segmentação 2D Bone-Pores. Ele foi ajustado a um conjunto de dados que compreende 20 varreduras de micro-CT abrangendo cinco espécies de mamíferos e 142.960 fragmentos de imagem. Para lidar com o conjunto de dados substancialmente maior e mais variado, desenvolvemos uma interface de software de DL com módulos para treinamento (“BONe DLFit”), predição (“BONe DLPred”) e avaliação (“BONe IoU”). Essas ferramentas resolvem problemas anteriores, como vazamento de dados em nível de fatia, alto uso de memória e suporte limitado a múltiplas GPUs. O desempenho do modelo foi avaliado por meio de três análises. Primeiramente, uma validação cruzada em 5 dobras com três sementes por dobra avaliou a robustez e estabilidade básicas. O modelo apresentou, de modo geral, alta média de Intersection-over-Union (IoU) com variação mínima entre as sementes, mas a performance variou mais entre as dobras, relacionada a diferenças na composição das varreduras. Esses achados mostram que o modelo básico é estável no geral, mas a preditividade pode declinar para varreduras atípicas. Em segundo lugar, 30 experimentos de benchmarking testaram como a arquitetura do modelo, backbone do codificador e tamanho do fragmento influenciam a IoU de segmentação e a eficiência computacional. As arquiteturas U-Net e UNet++ com backbones convolucionais simples (ex.: ResNet-18) alcançaram os maiores valores de IoU, aproximando-se de 0,97. Por fim, experimentos multiplataformas confirmaram que os resultados são consistentes entre configurações de hardware, sistemas operacionais e implementações (Avizo 3D e standalone). Juntas, essas análises demonstram que o software BONe DL oferece desempenho básico robusto e resultados reprodutíveis entre plataformas.

Resumo original em inglês

Deep learning (DL) enables automated bone segmentation in micro-CT datasets but can struggle to generalize across developmental stages, anatomical regions, and imaging conditions. We present BP-2D-03, which is a revised 2D Bone-Pores segmentation model. It was fitted to a dataset comprising 20 micro-CT scans spanning five mammalian species and 142,960 image patches. To manage the substantially larger and more varied dataset, we developed a DL software interface with modules for training ("BONe DLFit"), prediction ("BONe DLPred"), and evaluation ("BONe IoU"). These tools resolve prior issues such as slice-level data leakage, high memory usage, and limited multi-GPU support. Model performance was evaluated through three analyses. First, 5-fold cross-validation with three seeds per fold evaluated baseline robustness and stability. The model showed generally high mean Intersection-over-Union (IoU) with minimal variation across seeds, but performance varied more across folds related to differences in scan composition. These findings show that the baseline model is stable overall but that predictivity can decline for atypical scans. Second, 30 benchmarking experiments tested how model architecture, encoder backbone, and patch size influence segmentation IoU and computational efficiency. U-Net and UNet++ architectures with simple convolutional backbones (e.g., ResNet-18) achieved the highest IoU values, approaching 0.97. Third, cross-platform experiments confirmed that results are consistent across hardware configurations, operating systems, and implementations (Avizo 3D and standalone). Together, these analyses demonstrate that the BONe DL software delivers robust baseline performance and reproducible results across platforms.