Abstract Osteoarthritis (OA) is the most common joint disease globally. In OA, articular cartilage degradation is often accompanied with sclerosis of the subchondral bone. However, the association between OA and tissue mineralization at the nanostructural level is currently not understood. Especially, it is technically challenging to identify calcified cartilage, where relevant but poorly understood pathological processes like tidemark multiplication and advancement occur. Here, we used state-of-the-art micro-focus small-angle X-ray scattering with high 5µm spatial resolution to determine mineral crystal thickness in human subchondral bone and calcified cartilage. Specimens with a wide spectrum of OA severities were acquired from the medial and lateral compartments of medial compartment knee OA patients ( n =15) and cadaver knees ( n =10). For the first time, we identified a well-defined layer of calcified cartilage associated with pathological tidemark multiplication, containing 0.32nm thicker crystals compared to the rest of calcified cartilage. In addition, we found 0.2nm thicker mineral crystals in both tissues of the lateral compartment in OA compared with healthy knees, indicating a loading-related disease process since the lateral compartment is typically less loaded in medial compartment knee OA. Furthermore, the crystal thickness of the subchondral bone was lower with increasing histopathological OA severity. In summary, we report novel changes in mineral crystal thickness during OA. Our data suggest that unloading in the knee is associated with the growth of mineral crystals, which is especially evident in the calcified cartilage. In the subchondral bone, mineral crystals become thinner with increasing OA severity, which indicates new bone formation with sclerosis. One Sentence Summary Mineral crystal thickness increases with osteoarthritis in the lateral condyle that is typically unloaded.

Abstract Purpose Only little is known how calcified cartilage (CC) structure changes during exercise, aging and disease. CC thickness (CC.Th) can be analyzed using conventional histological sections. Micro-computed tomography (μCT) allows for three-dimensional (3D) imaging of mineralized tissues, however, the segmentation between bone and CC is challenging. Here, we present state-of-the-art deep learning segmentation for μCT images to enable assessment of CC morphology. Methods Sixteen knees from twelve New Zealand White rabbits were dissected into osteochondral samples from six anatomical regions: lateral and medial femoral condyles, lateral and medial tibial plateaus, femoral groove and patella ( n = 96). Samples were imaged with μCT and processed for conventional histology. Manually segmented CC from the histology and reconstructed μCT images was used as the gold standard to train segmentation models with different encoder-decoder architectures. The models with the greatest out-of-fold evaluation Dice score were used for automated CC.Th analysis. Subsequently, the automated CC.Th analysis was compared across a total of 24 regions, co-registered between the imaging modalities, using Pearson correlation and Bland-Altman analyses. Finally, the anatomical variation in CC.Th was assessed via a Linear Mixed Model analysis. Results The best segmentation models yielded average Dice scores of 0.891 and 0.807 for histology and μCT segmentation, respectively. The correlation between the co-registered regions across the modalities was strong ( r = 0.897). The Bland-Altman analysis yielded a bias of 21.9 μm and a standard deviation of 21.5 μm between the methods. Finally, both methods could separate the CC morphology between the patella, femoral, and tibial regions ( p < 0.001). Conclusion The presented method allows for ex vivo 3D assessment of CC.Th in an automated and non-destructive manner. We demonstrated its utility by quantifying CC.Th in different anatomical regions. CC.Th was the thickest in the patella and the thinnest in the tibial plateau. Graphical abstract We present a μCT-based method with deep learning segmentation for analyzing calcified cartilage thickness (CC.Th). The method is compared throughout the study against conventional histology. The comparison against co-registered regions yielded a strong Pearson correlation (r = 0.90). Both methods were able to separate the CC.Th properties between tibia, femur, and patella.

Abstract Objectives Clinical cone-beam computed tomography (CBCT) devices are limited to imaging features of half a millimeter in size. Hence, they do not allow clinical quantification of bone microstructure, which plays an important role in osteoarthritis, osteoporosis and fracture risk. For maxillofacial imaging, changes in small mineralized structures are important for dental, periodontal and ossicular chain diagnostics as well as treatment planning. Deep learning (DL)-based super-resolution (SR) models could allow for better evaluation of these microstructural details. In this study, we demonstrate a widely applicable method for increasing the spatial resolution of clinical CT images using DL, which only requires training on a limited set of data that are easy to acquire in a laboratory setting from e.g. cadaver knees. Our models are assessed rigorously for technical image quality, ability to predict bone microstructure, as well as clinical image quality of the knee, wrist, ankle and dentomaxillofacial region. Materials and methods Knee tissue blocks from five cadavers and six total knee replacement patients as well as 14 extracted teeth from eight patients were scanned using micro-computed tomography. The images were used as training data for the developed DL-based SR technique, inspired by previous studies on single-image SR. The technique was benchmarked with an ex vivo test set, consisting of 52 small osteochondral samples imaged with clinical and laboratory CT scanners, to quantify bone morphometric parameters. A commercially available quality assurance phantom was imaged with a clinical CT device, and the technical image quality was quantified with a modulation transfer function. To visually assess the clinical image quality, CBCT studies from wrist, knee, ankle, and maxillofacial region were enhanced with SR and contrasted to interpolated images. A dental radiologist and dental surgeon reviewed maxillofacial CBCT studies of nine patients and corresponding SR predictions. Results The SR models yielded a higher Pearson correlation to bone morphological parameters on the ex vivo test set compared to the use of a conventional image processing pipeline. The phantom analysis confirmed a higher spatial resolution on the images enhanced by the SR approach. A statistically significant increase of spatial resolution was seen in the third, fourth, and fifth line pair patterns. However, the predicted grayscale values of line pair patterns exceeded those of uniform areas. Musculoskeletal CBCT images showed more details on SR predictions compared to interpolation. Averaging predictions on orthogonal planes improved visual quality on perpendicular planes but could smear the details for morphometric analysis. SR in dental imaging allowed to visualize smaller mineralized structures in the maxillofacial region, however, some artifacts were observed near the crown of the teeth. The readers assessed mediocre overall scores in all categories for both CBCT and SR. Although not statistically significant, the dental radiologist slightly preferred the original CBCT images. The dental surgeon scored one of the SR models slightly higher compared to CBCT. The interrater variability κ was mostly low to fair. The source code ( https://doi.org/10.5281/zenodo.8041943 ) and pretrained SR networks ( https://doi.org/10.17632/4xvx4p9tzv.1 ) are publicly available. Conclusions Utilizing experimental laboratory imaging modalities in model training could allow pushing the spatial resolution limit beyond state-of-the-art clinical musculoskeletal and dental CBCT imaging. Implications of SR include higher patient throughput, more precise diagnostics, and disease interventions at an earlier state. However, the grayscale distribution of the images is modified, and the predictions are limited to depicting the mineralized structures rather than estimating density or tissue composition. Finally, while the musculoskeletal images showed promising results, a larger maxillofacial dataset would be recommended for training SR models in dental applications.

Meniscal lesions in vascularized regions are known to regenerate while lack of vascular supply leads to poor healing. Here we developed and validated novel methodology for three-dimensional structural analysis of meniscal vascular structures with high-resolution micro-computed tomography (uCT). We collected porcine medial menisci from 10 neonatal (not-developed meniscus, n-) and 10 adults (fully developed meniscus, a-). The menisci were cut into anatomical regions (anterior horn (n-AH & a-AH), central body (n-CB & a-CB), and posterior horn (n-PH & a-PH). Specimens were cut in half, fixed, and one specimen underwent critical point drying and uCT imaging, while other specimen underwent immunohistochemistry and vascularity biomarker CD31 staining for validation of uCT. Parameters describing vascular structures were calculated from uCT. The vascular network in neonatal spread throughout meniscus, while in adult was limited to a few vessels in outer region, mostly on femoral side. a-AH, a-CB, and a-PH had three, five, and seven times greater vascular volume than neonate, respectively. Moreover, thickness of blood vessels, in three regions, was six times higher in adult than in newborn. Finally, a-PH appeared to have thicker blood vessels than both a-AH and a-CB. For the first time, critical point drying-based uCT imaging allowed detailed three-dimensional visualization and quantitative analysis of vascularized meniscal structures. We showed more vascularity in neonatal menisci, while adult menisci had fewer and thicker vascularity especially limited to the femoral surface which is involved in load transmission response, thus suggesting how nutritional support in this area of the outer zone is more necessary.

Objective: To develop and validate a machine learning (ML) approach for automatic three-dimensional (3D) histopathological grading of osteochondral samples imaged with contrast-enhanced micro-computed tomography (CEμCT). Design: Osteochondral cores from 24 total knee arthroplasty patients and 2 asymptomatic cadavers (n = 34, ϕ = 2 mm; n = 45, ϕ = 4 mm) were imaged using CEμCT with phosphotungstic acid-staining. Volumes-of-interest (VOI) in surface (SZ), deep (DZ) and calcified (CZ) zones were extracted depth-wise and subjected to dimensionally reduced Local Binary Pattern-textural feature analysis. Regularized Ridge and Logistic regression (LR) models were trained zone-wise against the manually assessed semi-quantitative histopathological CEμCT grades (ϕ = 2 mm samples). Models were validated using nested leave-one-out cross-validation and an independent test set (ϕ = 4 mm samples). The performance was assessed using Spearman's correlation, Average Precision (AP) and Area under the Receiver Operating Characteristic Curve (AUC). Results: Highest performance on cross-validation was observed for SZ, both on Ridge regression (ρ = 0.68, p < 0.0001) and LR (AP = 0.89, AUC = 0.92). The test set evaluations yielded decreased Spearman's correlations on all zones. For LR, performance was almost similar in SZ (AP = 0.89, AUC = 0.86), decreased in CZ (AP = 0.71 to 0.62, AUC = 0.77 to 0.63) and increased in DZ (AP = 0.50 to 0.83, AUC = 0.72 to 0.72). Conclusion: We showed that the ML-based automatic 3D histopathological grading of osteochondral samples is feasible from CEμCT. The developed method can be directly applied by OA researchers since the grading software and all source codes are publicly available. Keywords: osteoarthritis, histopathological grading, contrast-enhanced micro-computed tomography, machine learning, cartilage, textural analysis

Abstract The relationships between structure and function in human knee femoral cartilage are not well-known at different stages of osteoarthritis. Thus, we characterized the depth-dependent composition and structure of normal and osteoarthritic human femoral condyle cartilage ( n = 47) and related them to their viscoelastic and constituent-specific mechanical properties. We observed that, in superficial cartilage, the collagen network disorganization and proteoglycan loss were associated with the smaller initial fibril network modulus (collagen pretension). Furthermore, the proteoglycan loss was associated with the greater strain-dependent fibril network modulus (a measure of nonlinear mechanical behavior). The proteoglycan loss was also associated with greater cartilage viscosity at a low loading frequency (0.005 Hz), while the disorganization of the collagen network was associated with greater cartilage viscosity at a high loading frequency (1 Hz). Our results suggest that proteoglycan degradation and collagen disorganization reduce the pretension of the collagen network while proteoglycan degradation also increases the nonlinear mechanical response of the collagen network. Further, the results also highlight that proteoglycan degradation and collagen disorganization increase the viscosity of cartilage, but their contribution to increased viscosity occurs in completely different loading frequencies.