Towards the Development of a 3D ex Vivo Platform for the Evaluation of Micro-Damage, Strain Fields and Mechanical Properties in Trabecular Bone

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 % et66,77 % 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 unéchantillon 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.