定製矯形植入物及相關方法

2023-07-03 14:43:41 2

專利名稱：定製矯形植入物及相關方法
技術領域：
本公開涉及用於製造定製外科設備的系統和方法，更具體地，本公開涉及關節成形切割引導的自動化系統和方法、用於在生成膝關節的計算機模型中進行圖像分割的系統和方法。
背景技術：
TKA手術的成功取決於正確膝對準的恢復。已證明膝關節穩定性的關鍵是帶有平衡的屈曲和伸展間隙的力學軸線的恢復。傳統上，髓內和髓外夾具用於幫助股骨和脛骨部件的定向。計算機輔助手術已被開發用於幫助外科醫生適當地定位和定向部件。然而，手術導航系統未廣泛地用於醫院中。除了陡學習曲線以外，反對手術導航系統的主要爭論是高成本和花費在手術室中的額外時間。用一種簡單和精確的系統作為替代的願望促使矯形工業開發一種涉及患者特定切割夾具的使用的技術。患者的髖、膝和踝的磁共振圖像(MRI)被用於生成特定患者解剖結構的模型。從這些圖像，使用軟體來創建股骨和脛骨的虛擬3D模型並且在空間中定向這些骨。用軟體確定植入物尺寸並且映射虛擬骨切除以使用一次性定製引導器執行植入物定位和對準，所述一次性定製引導器適配在患者的骨上以便為植入物製造商的標準切除器械確定銷放置。然而，許多缺點與MRI關聯，包括掃描成本、掃描時間增加、幾何失真和需要在不同的MRI賣方當中標準化掃描協議。近來計算機斷層攝影CT也正被使用，但是與程序關聯的輻射可能對於一些患者無益。作為MRI或CT的備選方法是使用統計學解剖形狀分析方法以使用χ射線和/或超聲精確建模hylene軟骨。統計學解剖形狀分析已快速地自我完善作為用於矯形植入物和患者特定解決方案的設計過程中的無價工具。因此，設想了一種智能軟骨系統(iCS)，目標是進行統計學解剖形狀分析以精確地建模軟骨厚度和輪廓以產生定製切割引導器(或夾具)。引導器被設計成將切口布置成使得在軟骨=的退化之前膝返回到它的正常解剖狀態。該iCS系統基於統計學和三維骨建模的融合被構建。該iCS平臺表示包含為設計患者特定切割夾具而整合的多維醫學成像、計算機輔助設計(CAD)和計算機圖形特徵的聯合軟體系統。協同交互、效率和大眾定製的折衷允許 iCS精確性且速度地解決增加的患者容量的複雜性。由骨和軟骨圖譜組成的智能資料庫提供在已定製模塊內用於定製夾具生成的技術。通過減小當前的定製夾具過程中的周轉時
3間，該iCS平臺最小化瓶頸的風險。在HIPPA調節之後資料庫存儲患者信息。來自不同成像模態的數據將與每個患者聯繫，包括來自MRI/CT的DIC0M、X射線圖像和超聲。經重建的骨和軟骨被存儲在資料庫中。 包括算出的界標、軸線、植入物尺寸和放置信息的虛擬模板數據也被存儲在該資料庫中。該部件執行相關和XML方案以提供用於數據存儲和操作的強大工具。骨軟骨重建子系統該模塊涉及通過分割從MRI、CT、PET或超聲重建骨和軟組織或與微波成像和US —樣從RF信號直接重建或從2D X射線圖像三維骨重建，可以在圖4中找到概述該子系統的流程圖。醫學成像的分割可以大致被分為兩個類型結構的和統計學的。結構方法基於圖像像素的空間屬性，例如邊緣和區域。統計學方法依賴於標記圖像區域的強度值的概率分布。圖像強度和它們的相應類別標籤被認為是隨機變量。因此，給定圖像強度值，統計學方法傾向於解決評價類別標籤的問題。以前的分割嘗試已組合這些方法中的一個或多個，以設法克服各單獨方法的局限。使用邊緣定向方法的多數分割是半自動分割，其中它用於提取輪廓、優化輪廓並且將它傳播到相鄰切片。圖像處理和梯度算子可以用於增強典型的區域生長方法。如果通過種子的放置(手動地或自動地)已知某器官存在於圖像的特定區域中，則該區域可以擴張直到它到達器官的對比邊界。參數可以變化以改變生長的動量，使算法對灰度的小變化更敏感或更不敏感。帶有基於知識標記的區域定向分割是基於對象的一些特徵的均勻性的像素分類技術。諸如基於不確定推理的知識、來自高階特徵提取的靜態域知識、模糊邏輯、長期和短期記憶建模以及非監督聚類的各種方法已被用於該領域中。由於軟組織之間的高對比度， 這些方法用MRI圖像產生很好的結果。腦的整體判讀誤差為3. 並且腦的子區域的判讀誤差為9%。分水嶺方法已與各種其他分割方法組合使用，有望改善精確度。分水嶺算法簡單地用圖像中的灰度強度的3D繪圖進行解釋；「水」填充圖像的谷直到兩個谷相遇。這通過依賴於灰度值提供關於圖像的不同區域的連接信息。用諸如索伯爾(Sobel)濾波器和紋理分析的邊緣增強進行預處理可以幫助檢測不同的器官。聚類算法是非監督算法，其在分割圖像和表徵每個類別的屬性之間迭代，直到形成明確限定的圖像聚類。這類算法的例子是K平均算法、模糊C平均算法、期望最大化(EM) 算法和自組織神經網絡。K平均聚類算法通過迭代地計算每個類別的平均強度並且通過用最接近的平均值分類類別中的每個像素來分割圖像而聚類數據。它用於分割腦。類別的數量假設為三，表示腦脊液、灰質和白質。模糊c平均算法一般化K平均算法，允許基於模糊集理論的軟分割。EM算法應用與數據符合高斯混合模型的假設相同的聚類原理。它在計算後驗概率和計算模型的平均值、協方差和混合係數的最大似然估計之間迭代。由於算法不直接併入空間建模，因此它們對噪聲和強度非均勻性敏感。這可以通過使用馬爾可夫隨機域建模加以克服。諸如二值形態學的形態學算子已被用於若干分割系統中，形態學的基本思想是用給定掩模(被稱為結構元素)卷積圖像，並且使用給定函數二值化該卷積結果。例子為腐蝕、膨脹、打開和閉合。
諸如閾值化的統計學方法通過使用圖像的強度值直方圖來標記圖像的各區域。取決於知識庫，最大和最小閾值限定感興趣的區域。例如，在CT中，可以通過根據用於感興趣的器官的亨斯菲爾德單位範圍閾值化圖像而實現器官的粗分割。它已被應用於數字乳房攝影中，其中典型地存在兩個組織類別健康的和腫瘤性的。唯一地取決於這一方法的限制則歸因於器官強度間隔的交迭、強度非均勻性和對噪聲和圖像偽影的敏感性。由於閾值化不考慮圖像的空間特性，因此使圖像直方圖失真的任何偽影可以最終影響分割結果。然而，閾值化仍然是許多分割算法中的初始步驟。已為醫學圖像分割提出經典閾值化的變型，其結合基於局部強度和連接性的信息。可變形模板匹配用2D可變形輪廓執行，其涉及輪廓的檢測、跟蹤、匹配及優化匹配誤差。在分割中，2D可變形輪廓與圖譜一起被應用，這通過預定數據的約束最小化允許圖像數據和圖譜之間的映射。3D可變形表面也通過跟蹤切片之間的輪廓變化而實現。貝葉斯統計通常用於確定模型先驗或似然以便使感興趣的器官與它的相鄰器官分離。通常，該方法對於小的和局部的形狀變化產生良好的結果。它也適合於大的整體的失配或變形。主要改進來自使用主短線程分析，其確定對象的平均形狀和變化的主要模式，以及m-rep模型， 其中對象被表示為中間原子的連接網格的集合。與手動分割相比該方法對於腎的自動分割產生出色的結果，具有0. 12cm平均表面分離和88. 8%體積覆蓋。具有黑板架構系統的基於知識的方法通常是共享記憶的領域，其包含待解決的問題和許多不同的過程。黑板沿著推理過程連續地被構建和更新。通過使圖像中的結構匹配模型中的相應對象而完成圖像數據的解剖結構的標記。來自圖像和模型的數據被轉換為共同的、參數特徵空間以供比較。所提取的低和高水平特徵被寫入黑板並且與模型相比較。結果也被寫在黑板上以引導進一步匹配。關於對象的描述和關係的長期記憶可以被寫入知識庫中。四維馬爾可夫隨機域(MRF)提出一種使用4D概率圖譜來分割諸如心臟的移動目標的方法。圖譜基於先驗信息預測時間和空間變化；該算法也結合使用4D馬爾可夫隨機域(MRF)的空間和時間上下文相關信息。全局連接性濾波器使用最大連接結構作為起點來完成分割。所呈現的結果很有助於心臟的分割並且不限於MRI圖像。與手動分割的模型相比，所述結果為左心室(LV) 96%，心肌92%以及右心室(RV) 92%。我們的系統使用來自任何三維成像模態的信息來提取與統計學圖譜組合的梯度信息，以提取骨邊界和軟骨界面。下面詳細描述了這些骨重建模態中的每一個。


圖1是示例性iCS系統概覽的示圖。圖2是如圖1中所示的示例性數據上載子系統的示圖。圖3是如圖1中所示的示例性資料庫結構。圖4是圖1中所示資料庫的資料庫表細節的示例性列表。圖5是如圖1中所示的骨/軟骨重建子系統的示例性示意圖。圖6是如圖1中所示的虛擬模板套用子系統的示例性示圖。圖7是如圖1中所示的夾具原型製作子系統的示例性示圖。圖8是示例性示圖，示出了根據本公開的用於分割過程中的自動分割的算法的過程。圖9是根據本公開的自動對準算法的過程的示例性示圖。圖10是示出了算出的脊線作為從用於股骨遠端的網格提取的特徵的例子的圖
7J\ ο圖11是示出了用於CT的沿著法線方向的輪廓線(profile)搜索的圖示。圖12是示出了用於MRI的沿著法線方向的輪廓線搜索的圖示。圖13是示出了在各種階段的輪廓線和相對於舊邊緣位置的新邊緣位置的圖形。圖14是具有邊緣鬆弛的經分割的圖像。圖15是經分割的圖像。圖16是鬆弛之前的經分割的圖像。圖17是鬆弛之後的經分割的圖像。圖18是示例性示圖，示出了來自MRI的軟骨分割的過程。圖19是用允許軟骨組織可視化的造影劑獲得的CT圖像。圖20是用於輪廓線計算的兩個股骨表面的圖像，其中(一個或多個)圖像包括脛骨接觸表面並且(一個或多個)圖像包括脛骨非接觸表面。圖21是用於類別1(a)、類別2(b)和類別3(c)的平均輪廓線圖形。圖22是來自MRI的經分割的骨和軟骨的圖像。圖23是X射線3D模型重建過程流程的示例性示圖。圖M是示例性校準目標的圖像。圖25是示出了將出現在放射線攝影圖像上的小珠的示例性圖像。圖沈是附連有校準目標的腿的放射線照片。圖27是股骨遠端的經分割的圖像。圖觀是示出了複雜姿勢搜索空間和粒子濾波器如何成功地尋找最佳姿勢的圖像。圖四是示出了放射線照片上的模板骨投影的圖像。圖30是映射到3D的輪廓的圖像。圖31是示出了 3D重建過程的示例性示圖。圖32是用於訓練軟骨厚度的預測模型的示例性示圖。圖33是使用經訓練的預測模型進行軟骨重建的示例性示圖。圖34是來自MRI的估計軟骨厚度的圖像。圖35是示例性軟骨模板厚度圖。圖36是股骨和脛骨上的預測軟骨的示例性圖像。圖37是UWB成像系統的示例性示圖。圖38是示出了一個信號如何在從膝反射的信號由所有其他UWB天線接收時用作發射器的示例性示圖。圖39是示出了實驗裝置的圖像，其中UWB天線陣列圍繞膝的周圍。圖40是用於檢測股骨和脛骨處的組織界面的微波成像過程的示圖。圖41是從前股骨遠端獲取的經配準的超聲圖像的示例性例子。圖42是被擬合到獲取的股骨遠端超聲圖像的骨的示例性圖像。
圖43是描繪了使用超聲進行分割所採取的步驟的示圖。圖44是虛擬模板製作子部件的屏幕截圖。圖45是夾具創建過程的示例性示圖。圖46是表示創建夾具的特定步驟的順序圖像。圖47是表示具有不同固定(內側髁和外側髁固定、b曲率固定、C凹槽固定)的夾具設計的一系列圖像。圖48是示出了用於膝修整外科程序中的股骨和脛骨切割夾具的一系列圖像。圖49是用於修改3D輸出夾具模型的CAD編輯器的屏幕截圖。圖50是關於原始CT數據的夾具的評價的屏幕截圖。
具體實施例方式下面描述和例示本公開的示例性實施例以包含用於設計患者特定假體切割夾具的方法和設備，並且更具體地，包含用於分割膝的骨的設備和方法以及得到的切割引導器自身。本領域的普通技術人員將當然地顯見下面所述的優選實施例實質上是示例性的並且可以在不脫離本發明的範圍和精神的情況下進行重新配置。然而，為了清楚和準確起見，如下面所述的示例性實施例可以包括本領域的普通技術人員將識別為不必屬於本發明的範圍內的可選步驟、方法和特徵。參考圖1，示例性總系統的概覽包括外科醫生產生新病例並且請求定製夾具並上載患者成像數據，在這之後系統通知工廠的工程師該新病例。下一個步驟涉及創建患者特定骨和軟骨，然後患者特定骨和軟骨用於尋找最佳地適合患者的植入物，當完成術前計劃時通知外科醫生審閱和核准計劃。一旦外科醫生核准計劃，自動地為患者創建將術前計劃轉化到手術室中的定製切割夾具。圖2-7概述了系統的主要部件，這包括數據上載部件、資料庫部件、骨軟骨重建部件、虛擬模板製作和夾具生成部件。在圖8中概述了自動分割過程。分割過程中的第一步驟是使來自統計學圖譜的基本網格與體積對準，自動對準算法被開發用於執行精確對準。在圖9中概述了該對準過程 3. a. I0該過程涉及經由簡單閾值化提取等值面。等值面基本上是從體積中的所有骨狀組織生成的表面網格。等值面是有噪聲的，並且不能區分分開的骨。從等值面和平均圖譜模型提取特徵(這可以在早期完成並且簡單地裝載)。這些特徵可以是，但不限於折線或圖 10的脊線、臍點或任何其他表面描述符。經由最近鄰點或其他匹配方法使平均模型上的特徵點匹配等值面上的特徵點。這裡的結果將是有噪聲的，意味著將有若干不匹配，但是子集將是正確的。使用一些穩健的擬合方法(例如RANSAC算法或最小中位方差方法)尋找最小化匹配點之間的誤差並且同時最大化匹配的數量的變換。當完成先前的對準步驟時執行使用圖譜中的信息作為模型變形約束的迭代翹曲程序。初始參數確定作為開始的主成分的數量、初始搜索長度和最小容許搜索長度。第一步驟是計算骨網格上的每個頂點的頂點法線。這些法線方向表示每個頂點的變形方向。通過平均網格中的相鄰三角的法線計算這些法線。由法線方向限定的每個頂點的搜索線是以頂點為中心從骨模型向內和向外延伸的路徑。搜索線的長度隨著過程的行進而減小。搜索線的強度值經由三線性內插被計算，原因是搜索線的採樣速度可以高於給定的體積解析度。首先經由降噪濾波器平滑輪廓線，在這裡我們使用Mvitsky-Golay濾波。 假定MRI圖像的噪聲性質，這尤其重要。在降噪之後，沿著輪廓線的梯度被計算。該初始梯度不足以確定骨邊緣位置，原因是存在具有強梯度的若干組織界面，例如皮膚-空氣界面。 這可以在圖11和12中看到。由於初始自動對準被認為很精確，因此假設患者特定骨邊緣位於經對準的頂點附近是安全的。為了建模該假設，梯度輪廓線由高斯函數加權，使得中心頂點被賦予1. O的初始權重，當搜索遠離中心位置進行時權重減小。在各種階段的輪廓線的例示可以在圖13中看到。在加權之後，確定梯度的絕對最大值，以及它的位置。該位置表示骨邊緣；舊頂點位置然後用新邊緣位置代替。對於CT，該過程尋找下降邊緣的位置，或當搜索從內向外移動時從高強度走向低強度的邊緣。對於MR情況相反。所以，必要時，在以上步驟之前翻轉輪廓線以解決模態差異。在執行每個頂點的變形之後使用在初始對準步驟中計算的變換的逆變換使模型與圖譜對準。該模型可以被認為是有噪聲的，原因是一些邊緣位置位於錯誤位置。為了約束變形並且去除儘可能多的噪聲點，我們使用主成分的特定數量將噪聲模型的頂點投影到圖譜空間上，所述數量由基於殘餘誤差變化的參數確定，與圖14中一樣。得到的模型將是最佳地表示患者特定噪聲模型的健康股骨。這些模型然後被變換回到體積空間。在投影之後，參數被更新，使得搜索長度減小，除非加入新的主成分。然後略微增加搜索長度，使得可以捕捉新的局部信息。當殘餘RMS達到足夠低的閾值時加入新的主成分。開始於法線方向計算的以上過程重複，直到使用了所有主成分並且殘餘RMS足夠低，或者直到達到迭代的設定最大次數。包含患者特定信息的結果噪聲模型然後在更高解析度下被平滑並且重新網格化[圖15、16]。更高解析度允許捕捉可能在較低解析度分割過程中丟失的諸如骨贅的小局部變形。然後通過執行分割過程的一次迭代、使用足夠小的搜索長度來防止錯誤骨定位、在將骨投影到圖譜上之前停止而鬆弛高解析度模型。這樣得到的骨是患者解剖結構的高度精確的表示。這樣，分割的輸出是高解析度患者特定骨模型和平滑模型，表示在鬆弛之前由圖譜生成的最近健康骨[圖17]。在自動分割完成之後我們具有2個骨，投影到圖譜上的骨以及鬆弛的患者特定骨。如果骨是高度退化的，則我們可以使用梯度向量流(GVF)蛇形模型(snake)執行無約束鬆弛。這些蛇形模型對應於存在於圖像中的梯度信息，並且梯度流用作導致蛇形輪廓局部膨脹和收縮到最小化輪廓上的力的邊界的力。如果輪廓不是高度退化的，則初始鬆弛步驟最有可能很靠近實際患者解剖結構並且蛇形方法是非必要的。蛇形模型和迭代分割工具可以在圖7和8中看到。在模型生成之前的最終分割步驟是迭代幹涉以校正分割過程中的任何誤差。若干工具被提供用於迭代分割，例如輪廓加入或減去、噴塗等。一旦分割被確認， 通過在高解析度下內插輪廓生成最終模型以保證平滑的結果。在圖18中示出了來自MRI的軟骨分割的過程，在患者體積分割時，得到的患者特定的股骨遠端、脛骨近端和髕骨的骨模型可以用於獲得患者特定軟骨模型。如果足夠的信息存在於掃描中(在使用MRI或具有突出顯示軟骨組織的造影劑(圖19)的CT的情況下)， 則可以通過使用先驗信息以及測得的患者特定信息來分割軟骨。先驗信息可以被認為是特徵向量。在軟骨的情況下這可以是相對於關節骨的厚度或位置信息。置於先驗數據中的置信經由每個特徵的概率模型表示。例如，軟骨在骨上的某個點處為χ mm厚的置信在從先前經分割的軟骨模型建立的軟骨厚度圖中被建模。為了確定後驗概率，也就是說在新點處的軟骨厚度，使用呈以下形式的貝葉斯推理模型
P(m)在這裡，p(x|m)是給定測量值m的後驗概率。值p(m|x)是概率函數，表示給定χ 的值時將出現給定測量值m的概率。p(m)項是歸一化項。先驗概率存在於先驗概率密度 ppr(x)中。給定某一測量值m可以對χ的值進行的最佳推測於是為最大化後驗概率的χ。 這被稱為最大後驗估計(MAP)。對於軟骨厚度估計(X)，給定關節間隔(m)和先驗厚度圖 (ppr(x))以尋找MAP估計。該相同概念可以被應用於BCI定位。初始地，搜索被限制到關節連接表面。這通過使用存在於圖譜中的先驗信息完成。 接觸表面由圖譜中的頂點組成，所述頂點最有可能位於骨-軟骨界面(BCI)上並且與相對骨緊密接觸。非接觸表面被限制到很可能包含軟骨、但不與骨接觸的那些頂點。這些表面可以在圖20中看到。沿著當前骨的頂點和接觸骨上的最近頂點之間的路徑計算每個接觸表面的輪廓線。沿著骨表面的法線方向一直到Icm計算非接觸表面的輪廓線。計算每個輪廓線的局部極大值和極小值並且將輪廓線置於三個不同類別的一個內。在圖21中示出了每個類別的平均輪廓線。如果輪廓線包含單個極大值，則它屬於類別1。這些是最短輪廓線並且對應於脛骨和股骨軟骨緊密接觸並且彼此不可區分的位置。包含2個極大值和一個極小值的輪廓線被認為屬於類別2。這些對應於在股骨和脛骨軟骨之間有明顯的間隔的中間長度的輪廓線。類別3的輪廓線是最長的輪廓線，其中股骨軟骨通常很好地被表示，但是類別3中的曲線變化很大並且常常是不規則的。具有屬於類別1或類別2的輪廓線的任何頂點可以立即被分類為屬於BCI。基於強度水平是否靠近其他BCI點和所述點屬於BCI的可能性從BCI加入或減去類別3的輪廓線，所述可能性從BCI的概率圖確定。在自動確定BCI之後，為用戶呈現用於手動確認的選項，並且可以使用類似於在骨分割編輯器中找到的多個工具編輯BCI。當BCI被確定為足夠精確時，軟骨模型的分割繼續進行。軟骨使用來自與軟骨厚度的先驗知識聯繫的掃描體積的梯度信息沿著輪廓線維度被分割。該先驗知識提供可能的軟骨邊緣的初始估計，然後通過尋找輪廓線梯度的絕對值的局部極大值來更新所述初始估計。對於類別1的輪廓線，軟骨邊緣被認為處於局部極大值。對於類別2和3的輪廓線，使用梯度的局部極大值。必要時然後可以在輸出最終軟骨模型之前交互地調節軟骨分割。經分割的股骨軟骨可以在圖22中看到。在圖23中概述了 X射線骨重建過程。使用傳統的螢光透視或放射線攝影術拍攝X射線圖像。圖像的數量可以是一個或多個。通過以大角度差異進行掃描而拍攝(一個或多個)圖像投影圖以最大化可獲得的信息。系統的精確度與圖像的數量成正比，而速度成反比。如果在圖像的文件頭中不容易獲得，(照相機數位化器或膠捲掃描器的)放射線攝影場景屬性焦距和圖像解析度手動地被輸入系統。
預處理的目的是通過減小圖像噪聲、增加圖像對比度和準備圖像供進一步分析而增強輸入圖像。這將自動完成，有可能為極端圖像失真進行手動幹涉。將使用高斯、中值和索貝爾(Sobel)濾波器。校準涉及在放射線攝影場景內提取被成像骨姿勢。在圖像採集之前，將校準目標附連到腿[圖。該目標將包含將出現在被採集圖像上的不透射線小珠[圖25、26]。小珠投影將自動地從圖像被提取並且用於大致地估計相對於χ射線源的骨姿勢。然後可以使用形態操作在圖像中自動檢測標記物。標記物在受試者上的放置被選擇成在所有幀中覆蓋儘可能大的圖像區域。足夠的標記物用於允許精確的姿勢估計，即使特徵檢測算法丟失它們中的一些，或即使它們中的一些在視場的外部。通過在各種水平下閾值化和去除(用形態操作)包含長於小珠直徑的任何對象， 可以隔離這些小珠。通過尋找連接成分並且然後確定每個成分的形心而尋找小珠的形心。 校準目標被設計成最小化小珠投影的可能交迭，這最大化檢測到的小珠的數量。通過尋找圖像中的檢測到的小珠位置和3D小珠位置之間的正確關聯(或對應) 計算傳感器的姿勢。這使用判讀樹搜索方法實現。在該方法中，樹的每一級表示圖像點和所有可能模型點之間的對應，並且在完整的樹中從根部到葉節點的每個路徑表示一個可能的對應。當沿著樹下行的搜索到達假設至少四個對應的節點時，對應用於計算姿勢解。通常，僅需要三個點來解出姿勢，但是可能有一個以上的解，原因是三個點總是共面的。我們需要使用至少四個點。一旦具有四個對應，則可以計算姿勢。該姿勢解用於將對象點投影回到圖像上以用於作為該解擬合完整數據集的程度如何的量度與被檢測標記物比較。如果姿勢解很好地擬合數據，則對應和計算出的姿勢是正確的。如果姿勢解不擬合數據，則對應是錯誤的，並且進一步遍歷樹以檢查附加對應。由於對於大量的點該樹可能很大，因此我們不搜索整個樹。實際上，只有當前對應產生大於一定閾值的誤差時才進一步搜索樹。如果低於，則假設已找到正確對應。一旦已找到正確對應，則使用非線性最小二乘方法計算姿勢。具體地，給定圖像點 P，3D模型點Q和包含正確姿勢參數β的六維向量，使投影到圖像上的變換由函數f (β，Q) 提供，使得P = f(0，Q)。向量函數f還表示透視投影(其參數從校準已知)。圍繞當前姿勢解β線性化，得到AP = I-U^.給定至少四個點對應，我們可以解出正確項Δ β。該過程被迭代直到解收斂。最終解是最小化觀察到的圖像點和圖像平面上的投影模型點之間的歐氏距離平方的姿勢β。骨圖像分割塊接收預處理圖像作為輸入。它的目標是提取所有圖像的實際骨輪廓。這使用使用我們的3D骨的資料庫生成的骨輪廓的統計學圖譜自動完成。來自統計學圖譜的模板平均骨輪廓初始被置於圖像內，並且然後被平移和旋轉到與骨的圖像對準。其後，統計地進行輪廓變換以基於圖像的強度值和從預處理步驟獲得的邊緣擬合目標骨。手動和半自動輪廓編輯工具也可用於自動過程的檢驗[圖27]。特徵提取模塊負責從圖像提取圖像參數。這些參數從經預處理的和經分割的形式兩者的圖像被提取。特徵的類型包括從經分割的骨輪廓(曲率、幾何形狀、縱橫比等)或從
權利要求
1.一種用於生成表示處於其當前狀態的患者的骨的至少部分的患者特定骨外形的方法，所述方法包括成像患者的解剖結構的至少一部分以創建正交於延伸通過所述患者的解剖結構的軸線拍攝的所述患者的解剖結構的多個2D圖像切片，其中所述多個2D圖像切片中的每一個包括骨段，所述骨段包括對應於患者的骨的外表的封閉邊界；構建為其拍攝患者的骨的所述多個2D圖像切片的所述患者的骨的至少部分的3D圖像骨外形，其中所述3D圖像骨外形的構建包括通過使用非患者特定的模板3D圖像骨外形而使用軟體來識別每個骨段的所述封閉邊界，並且其中所述3D圖像骨外形描繪患者的骨的當前狀態。
2.根據權利要求1所述的方法，其中所述成像包括磁共振成像和計算機斷層攝影中的至少一種。
3.根據權利要求1所述的方法，其中所述患者的骨包括股骨、脛骨和肱骨中的至少一種。
4.根據權利要求1所述的方法，還包括通過軟體部件生成3D圖像外科夾具以與所述 3D圖像骨外形配合，其中所述3D圖像外科夾具包括根據所述3D圖像骨外形的外表特徵定製的形貌特徵。
5.根據權利要求4所述的方法，其中所述軟體部件可操作地輸出用於製造外科夾具的指令文件，所述外科夾具具有所述3D圖像外科夾具的有形形貌特徵。
6.根據權利要求1所述的方法，還包括使用患者的解剖結構的所述多個2D圖像切片來構建表示患者的軟骨的至少部分的3D圖像軟骨外形，其中所述3D圖像軟骨外形的構建包括使用軟體來識別出現在2D圖像切片中的軟骨輪廓圖。
7.一種在不使用任何現成的外部CAD或醫學成像系統的情況下從任何2D或3D成像模態創建夾具的方法。
8.—種在一個GUI界面中在小於20分鐘內分割MRI或CT 3D體積數據並創建夾具的方法。
9.一種使用統計學形狀圖譜和貝葉斯反演概率從多個成像模態測量或估計軟骨厚度的方法。
10.一種在最小限度的或無手動幹涉的情況下執行完全非監督分割的方法。
11.一種使用不需要手動配準的自動對準的對準算法進行分割的方法。
12.一種使用無創成像分類並預測軟骨退化的區域的方法。
13.一種使用統計學和概率圖譜複製處於非退化狀況的患者的解剖結構的假體部件的植入方法。
14.一種使用患者特定數據模擬經重建的關節的對準和運動學的方法。
全文摘要
下面描述和例示了本公開的示例性實施例以包含用於設計患者特定假體切割夾具的方法和設備，並且更具體地，包括用於分割膝的骨的設備和方法以及得到的切割引導器自身。而且，本公開涉及用於製造定製外科裝置的系統和方法，更具體地，本公開涉及關節成形切割引導器的自動系統和方法，用於在生成膝關節的計算機模型中進行圖像分割的系統和方法。
文檔編號A61F5/00GK102438559SQ201080013944
公開日2012年5月2日 申請日期2010年2月25日 優先權日2009年2月25日
發明者穆罕默德·拉什萬·馬赫福茲 申請人:穆罕默德·拉什萬·馬赫福茲