L'ostéoporose est une pathologie affectant la densité minérale osseuse. L'absence de symptômes fait en sorte que le diagnostic des patients est très difficile avant les stades avancés de la maladie. Des études visant à comprendre la biomécanique et le remodelage osseux sont ainsi développées pour mieux comprendre la maladie. Différentes approches sont utilisées pour mesurer les propriétés mécaniques des échantillons osseux et ce, dans des conditions ex vivo ou encore dans des conditions in vivo. Une de ces approches consiste en un chargement mécanique d'échantillons osseux combiné à des techniques d'imagerie médicale, comme le microCT, pour étudier les structures internes à un niveau microscopique. La quantité de microdommage accumulée et les patrons de déformation 3D peuvent par la suite être évalués à l'aide d'algorithmes à partir des images microCT. Ce projet présente deux études expérimentales présentant le développement d’une plateforme ex vivo pour étudier les propriétés d'échantillons d'os trabéculaire en 3D.

Une première étude a investigué le potentiel de l'apprentissage profond pour la segmentation des microdommages osseux dans l’os trabéculaire. Six cylindres d'os bovin trabéculaire ont subi une compression jusqu'à la contrainte ultime et ont ensuite été imagés avec un microCT à une résolution de 1,95 um. Deux de ces échantillons (échantillons 1 et 2) ont ensuite été colorés à l'aide d’un agent de contraste, le sulfate de baryum (BaSO4), et imagés à nouveau. Les échantillons non colorés (échantillons 3 à 6) ont été utilisés pour entrainer deux réseaux de neurones, YOLOv4 pour détecter les régions présentant du microdommage à l’aide de boites englobantes, et Unet pour segmenter les pixels composant le microdommage dans les zones détectées. Quatre versions différentes de YOLOv4 ont été comparées à l'aide de la moyenne de l’intersection sur l'union (IoU) et de la moyenne de la précision moyenne (mAP). La performance de Unet a également été mesurée à l'aide de deux mesures de segmentation, le Dice Score et l'Intersection sur Union (IoU). Une comparaison qualitative a finalement été faite entre les approches d'apprentissage profond et d'agent de contraste.

Les résultats de cette première étude ont montré le potentiel et les limites d’utiliser l'apprentissage profond pour la segmentation du microdommage osseux. De toutes les versions de YOLOv4, YOLOv4p5 a obtenu les meilleurs résultats avec une IoU moyenne de 45,32 % et 51,12 % et un mAP de 28,79 % et 46,22 %, pour les échantillons 1 et 2 respectivement. Pour Unet appliqué avec les boîtes englobantes de référence, l’IoU et le DICE score ont respectivement atteint 50,11 % et 66,77 % pour l'échantillon 1 et 70,73 % et 82,85 % pour l'échantillon 2. Lorsque Unet a été appliqué avec les résultats YOLOv4p5, l’IoU et le DICE score ont respectivement indiqué 26,04 % et 41,34 % pour l'échantillon 1 et 58,21 % et 73,58 % pour l'échantillon 2. La performance plus basse de l'échantillon 1 peut s’expliquer à l’aide du ratio contraste bruit (CNR). En effet, l’échantillon 1 a montré un CNR plus bas (7,96) que l’échantillon 2 (10.08). Finalement, la comparaison qualitative entre l'agent de contraste et la segmentation par l’apprentissage profond du microdommage a montré que des régions différentes étaient segmentées par les deux techniques. L'apprentissage profond segmente la région à l'intérieur des fissures tandis que l'agent de contraste segmente la région l'entourant ou même les régions sans dommage visible.

Une deuxième étude a exploré la relation entre les patrons de déformation 3D mesurés par la corrélation de volume numérique (DVC) et les microfissures dans l’os trabéculaire. L’étude a également testé la segmentation du microdommage à l’aide du réseau de neurones de la première étude. Un échantillon d'os trabéculaire bovin a été déformé à une vitesse quasi-statique en plusieurs incréments à l'aide du système d'essais in situ Deben combiné au système microCT. L'échantillon a été déformé à 6 % puis à 10 % de déformation, ou jusqu'à ce que la courbe s’approche de la contrainte ultime (pente nulle). L’échantillon a été imagé à une résolution de 2,09 um avant le premier chargement et après chaque incrément de chargement. Ensuite, le réseau YOLOv4p5, entrainé dans la première étude, a été appliqué au volume imagé après la deuxième déformation. Après avoir appliqué le réseau de neurones, l'ensemble de données a été sous-échantillonné par un facteur de quatre pour être traité à l’aide d’un algorithme DVC.

La détection du microdommage à l'aide de l'apprentissage profond n’a pas donné de bons résultats. Cette faible performance pourrait être expliquée par le fait que les images de cette seconde étude avaient un CNR bien inférieur (1.8) comparé aux images de la première étude (7.96 à 10.08). La région de grande déformation mesurée par l'algorithme DVC a été colocalisée avec la région contenant plus de microdommage, selon l’axe des z (parallèle à l'axe de chargement). Cependant, pour les images analysées dans le plan XY , les résultats ne sont pas assez précis pour colocaliser avec confiance les régions de microdommage avec les régions de haute déformation.

Ce projet a permis de développer une procédure expérimentale ex vivo pour l’étude du microdommage dans l’os trabéculaire en 3D. Le projet démontre la possibilité d'utiliser la segmentation par apprentissage profond pour détecter et évaluer le microdommage dans un échantillon d'os trabéculaire à l'aide d’images obtenues par un microCT à rayons X hautes résolutions. Même si le modèle d'apprentissage profond discuté dans cette étude n'apparait pas encore optimal, le développement d'un ensemble de données plus varié, combiné à des réseaux de neurones modifiés pour la détection de microfissures dans l’os trabéculaire, permettrait d’améliorer les résultats. De plus, la colocalisation entre les régions de microfissures et les régions de forte déformation le long de l'axe de chargement, mesuré à l'aide d’un algorithme DVC, a montré l'importance d'inclure la corrélation de volume numérique pour mieux comprendre le mécanisme de fracture. Ce projet ouvre des avenues pour de futurs travaux qui utiliseront ce système de test mécanique in situ combiné à un scanner microCT pour étudier simultanément les propriétés mécaniques, les patrons de déformation et le microdommages en 3D. Ces connaissances sont indispensables pour le développement de nouvelles techniques pour le diagnostic de pathologie osseuses, comme l’ostéoporose.

Osteoporosis is a pathology affecting bone mineral density. Lack of symptoms makes it hard to diagnose the patients before bone fracture. Studies aiming at understanding bone biomechanics and remodeling are developed to better understand the disease. Different approaches are used to measure the mechanical properties and behavior of bone samples. One of them consists of mechanical loading of bone samples combined with medical imaging techniques (Xray microCT) to investigate the internal structures at a microscopic level. Microdamage volume and strain patterns can be computed using post imaging algorithms. This project shows two experimental studies aimed to develop an ex vivo platform to study trabecular bone samples components in 3D.

A first study aimed to investigate the potential of deep learning for the segmentation of bone microdamage in trabecular bone. Six trabecular bovine bone cylinders underwent compression until ultimate stress and were subsequently imaged with a microCT at a resolution of 1.95 um. Two of these samples (samples 1 and 2) were then stained using barium sulfate (BaSO4) and imaged again. The unstained samples (samples 3-6) were used to train two neural networks, YOLOv4 to detect regions with microdamage further combined with Unet to segment the microdamage at the pixel level in the detected regions. Four different versions of YOLOv4 model were compared using the average Intersection over Union (IoU) and the mean average precision (mAP). The performance of Unet was also measured using two segmentation metrics, the Dice Score and the Intersection over Union (IoU). A qualitative comparison was finally done between the deep learning and the contrast agent approaches.

Among the four versions of YOLOv4, the YOLOv4p5 model resulted in the best performance with an average IoU of 45,32% and 51,12% and a mAP of 28.79% and 46.22%, respectively for samples 1 and 2. The segmentation performance of Unet provided better IoU and DICE score on sample 2 compared to sample 1. The poorer performance of the test on sample 1 could be explained by its poorer contrast to noise ratio (CNR). Indeed, sample 1 resulted in a CNR of 7,96, which was worse than the average CNR in the training samples, while sample 2 resulted in a CNR of 10,08. The qualitative comparison between the contrast agent and the deep learning segmentation showed that different regions were segmented by the two techniques. Deep learning is segmenting the region inside the cracks while the contrast agent segments the region around it or even regions with no visible damage.

A second study investigated the relationship between 3D strain maps measured by digital volume correlation (DVC) and micro-cracks localization. The complementary study also tested the deep learning models for microcracks segmentation from the first study. One trabecular bone sample was extracted from a bovine tail vertebra. It was then deformed at a quasi-static rate in multiple increments using the Deben in situ testing system inside the microCT scanner. The sample was deformed at 6% and then 10% strain or until it approached the ultimate stress (zero slope). The sample was imaged at a resolution of 2.09 um before the first loading and after every loading increment. Afterwards, the YOLOv4p5 neural network, which was trained in the first study, was applied to the volume imaged after the second deformation. The dataset was then downsampled by a factor of four to process with a DVC algorithm.

In this second study, the detection of microdamage using deep learning did not provide good results. This could be explained by the dataset having a CNR much lower (1.8) than the CNR of the dataset used in the first study to train the neural network (range from 7.96 to 10.08). This strengthened the result from the first study, where training images should be diversified during training to avoid overfitting. Regions of high displacements measured by the DVC algorithm were correlated to regions of damage along the z-axis (parallel to the loading axis). However, for images in the XY plane, visualization was not precise enough to colocalize microdamage with regions of high strain.

This project allowed to develop an ex vivo experimental procedure for the evaluation of microdamage in 3D in trabecular bone. It showed the feasibility of using deep learning segmentation to detect and segment microdamage in trabecular bone samples using high-resolution Xray microCT images. Even though the deep learning model discussed in this work was not optimal, the development of a more diverse dataset with improvement in the current neural networks could make it more performant and relevant for future work. Also, correlation between region of microcracks and region of high strain along the loading axis, using DVC and an in situ compression system, showed the importance of including DVC to have a better understanding of fracture mechanics. This project opens avenues for future future studies using the in situ Deben system inside the microCT scanner to simultaneously study mechanical properties, D strain patterns, and microdamage in 3D. This knowledge is essential for the development of new diagnosis techniques for bone pathologies, such as osteoporosis.