Summary
Vi analyserade gemensamma kinematik från fyrdimensionella datortomografi data. Den sekventiella 3D-3D-registreringsmetoden semiautomatiskt ger den rörliga benens kinematik med avseende på ämnet ben från fyrdimensionella datortomografidata.
Abstract
Fyrdimensionell datortomografi (4DCT) ger en serie av volymdata och visualiserar gemensamma rörelser. Numerisk analys av 4DCT-data är dock fortfarande svårt eftersom segmentering i alla volymetriska ramar är tidskrävande. Vi syftade till att analysera gemensam kinematik med hjälp av en sekventiell 3D-3D-registreringsteknik för att ge den rörliga benens kinematik med avseende på det fasta benet semiautomatiskt med hjälp av 4DCT DICOM data och befintlig programvara. Ytdata av käll benen rekonstrueras från 3DCT. De trimmade ytdata matchas respektive med Surface-data från den första bildrutan i 4DCT. Dessa putsade ytor matchas sekventiellt till den sista bildrutan. Dessa processer ger positionell information för mål benen i alla ramar i 4DCT. När koordinatsystemen för mål benen bestäms, kan översättnings-och rotationsvinklar mellan två ben beräknas. Denna 4DCT-analys ger fördelar i kinematiska analyser av komplexa strukturer som karpalben eller tarsalbenen. Snabba eller storskaliga rörelser kan dock inte spåras på grund av rörelse artefakter.
Introduction
Gemensam kinematik har beskrivits med hjälp av ett antal metoder, såsom motion capture-sensorer, 2D-3D-registrering, och från döda studier. Varje metod har specifika fördelar och nackdelar. Motion capture-sensorer kan till exempel mäta snabba, storskaliga rörelser med hjälp av infraröda kameror med eller utan sensorer i ämnet1,2. Men dessa metoder mäter hudens rörelse för att härleda ledkinematik, och innehåller därför hud rörelse fel3.
Cadaveric studier har använts för att utvärdera rörelseomfång, instabilitet, och kontaktytor4,5,6. Denna metod kan mäta små förändringar i små fogar med hjälp av CT eller optiska sensorer fäst direkt på ben med hjälp av stift eller skruvar. Cadaveric modeller kan främst utvärdera passiv rörelser, även om flera ställdon har använts för att tillämpa externa krafter till senor att simulera Dynamic motion7. Aktiv gemensam rörelse kan mätas med 2D-3D registrerings tekniker, matchande 3dct bilder till 2D fluoroskopi bilder. Även om noggrannheten i registreringsprocessen förblir kontroversiell, är den rapporterade noggrannheten i allmänhet tillräckligt hög för stora gemensamma kinematik8,9. Den här metoden kan dock inte tillämpas på små ben eller flera ben i trånga utrymmen.
Däremot är 4DCT en dynamisk CT-metod som erhåller en serie volymetriska data. Aktiva gemensamma rörelser kan analyseras med denna metod10. Denna teknik ger exakta 3D positionella data av alla ämnen inuti CT gantry. 3D gemensamma rörelser visualiseras tydligt i en betraktare. Men att beskriva gemensamma kinematik från en sådan serie av volymdata är fortfarande svårt, eftersom alla ben är rörliga och inga landmärken kan spåras under de aktiva rörelserna in vivo.
Vi utvecklade en metod för 4DCT analys som ger in vivo gemensamma kinematik av hela benen runt leden under aktiva rörelser. Syftet med denna artikel är att presentera vår metod, den sekventiella 3D-3D-registrering teknik för 4DCT analys, och Visa representativa resultat som erhållits med denna metod.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Alla metoder som beskrivs här har godkänts av den institutionella prövnings nämnden för Keio University School of Medicine.
Anmärkning: LED kinematik mäts genom att man rekonstruerar rörelsen i ett rörligt ben runt ett fast ben. För knäleds kinematik definieras lårbenet som fast ben och skenben definieras som det rörliga benet.
1. protokoll för CT-avbildning
- Konfigurera CT-maskinen. Förvärva CT undersökningar med en 320-detektor-Row CT-system för att möjliggöra flera faser av 3D-volymdata med 160 mm craniocaudal täckning. Till exempel i analysen av knä kinematik, bild förvärvet består av 51 volym skanningar med en rotationstid på 0,275 s, och alla bilder rekonstrueras med hjälp av halv rekonstruktion, så att den temporala upplösningen är cirka 0,16 s.
- Använd följande skannings parametrar: Peak Tube Voltage = 100 kVp; rör ström = 40 mA; Scan täckning = 160 mm; Matrix storlek = 512 x 512 pixlar; snittjocklek och sektions intervall = 0,5 mm.
- Placera mål leden för motivet inuti CT-portal i startpositionen för 4DCT-provet (figur 1).
- Före CT-examen, repetera rörelser av leden från startpositionen till slutpositionen inom den erforderliga undersökningstiden. Be motivet att flytta leden under 10,275 s skannings tid och få en serie av volymdata. Lagra sekventiella volymdata i DICOM-format.
- Utför statisk 3DCT av alla mål benen och lagra data i DICOM-format.
2. återuppbyggnad av ytan
- Utför semiautomatisk segmentering av 3DCT data (figur 2a).
- Ladda CT DICOM data genom att välja alla DICOM filer av statisk 3DCT data.
- Öppna fältet etikett genom att klicka på Redigera nytt Etikettfält och kontrollera vilket tröskelvärde för CT-dämpning som är lämpligt för att extrahera kortikal ben från käll benet. Välj material med CT-dämpande värden över tröskeln. Till exempel, ben cortex tröskeln för ett ungt ämne anges som 250. Kontrollera etiketten för ben cortex val och manuellt ändra avgränsningen med hjälp av ett redigeringsverktyg för överensstämmelse med formen på benet.
- Generera ytan data (triangel maskor) från den märkta ben cortex positionsdata (punktmoln i programvaran). Lagra ytan data genom att exportera data i standard triangulated Language (STL)-format.
- Klicka på generera yta | Applicera på etiketten på kortikala ben. Klicka på Arkiv | Exportera data som | STL binär liten endian för att spara ytan data i stl-format.
- Utför automatisk segmentering av 4DCT-volymdata (figur 2B).
Obs: varje bildruta i DICOM-datan inkluderar fördelningen av CT-dämpningsvärdena i CT-gantry.- Ställ in tröskeln för benbarken som i statisk CT, och extrahera geometriska data som visar CT dämpning värden över tröskeln från alla 51 ramar av 4DCT data med hjälp av DICOM läsmodul i programmeringsprogrammet. Justera tröskeln enligt bentätheten hos käll benet. Till exempel för det osteoporos ben, ange tröskelvärdet lägre.
- Översätt alla positionsdata som redan har erhållits i föregående steg till ett format som kan tolkas av bildbehandlings program (t. ex. Avizo). I bildbehandlings program, rekonstruera alla ytan data i punktmoln med högre CT dämpning värden än tröskelvärdet för alla 4DCT ramar med hjälp av ett batchbearbetning skript. Bildbehandlings programmet innehåller funktionen för att läsa skriptet och exportera ytdata från DICOM-seriens data automatiskt. Kommandoskriptet visas i den kompletterande kodningsfilen.
3. bild registrering
Notera: i detta steg, rekonstruera rörelserna av det rörliga benet med avseende på det fasta benet från rå 4DCT DICOM data.
- Utför Surface-registrering från statisk 3DCT till den första ramen i 4DCT.
- Trimma benen i en statisk 3dct i delsegment data som ingår i alla ramar av 4DCT för användning med iterativ närmaste punkt (ICP) algoritm11 i 3D mesh redigeringsprogram med hjälp av välja ansikts funktion (figur 3a) genom att hänvisa 4DCT filmdata. Ytdata från 4DCT är endast delsegment som ingår i varje volym imageeftersom Surface-registrering kräver att en yta datapunkt ingår i en annan yta.
- Välj tre landmärken i den fasta och rörliga ben som lätt kan identifieras från den trimmade 3DCT ytan och ytan data i den första ramen av 4DCT i 3D-mesh redigeringsprogram med hjälp av Pickpoints funktionen (figur 3B).
- Matcha de partiella fasta och rörliga benen ungefär på den första ramen av 4DCT-ytdata (figur 3C) enligt de plockade landmärkena i 3.1.2. Utför sedan Surface-registrering med ICP-algoritmen11 med hjälp av programvaran med öppen källkod (t. ex. VTK).
Obs: denna process ger homogena transformmatriser av fasta och rörliga ben från den statiska 3DCT till den första ramen av 4DCT (figur 3D). Dessa matriser är 4 x 4 matriser som består av rotation och översättning, som visas i figur 4. Omformningsmatris som orsakar den omvända åtgärden kan också beräknas.
- Utför sekventiell ytregistrering (figur 5).
- Matcha de partiella ytorna på det fasta och rörliga benet i den första 4DCT-ramen på ytdata i den andra ramen. Nästa, matcha de partiella ytorna av ith ramen på (i + 1)th ram av 4DCT sekventiellt. Upprepa denna process tills den sista ramen av 4DCT genom programmering med användning av ICP-modulen i programvara med öppen källkod.
- Beräkna transformmatriser från den statiska 3DCT till alla ramar i 4DCT enligt resultaten av 3,1 och 3,2.
- Rekonstruera rörliga ben rörelser med avseende på det fasta benet (figur 6).
- Rekonstruera den rörliga benens kinematik med avseende på det fasta benet från matriserna som representerar omvandlingen från statisk 3DCT till varje 4DCT-ram. Definiera koordinatsystem för de fasta och rörliga benen när rotations parametrarna mäts (t. ex. flexion-vinkel eller rotationsvinkel beräknad av Euler/kardanvinkeln)12,13,14.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Vi beskriver rörelsen av skenbenet under knä förlängning. Knäleden var placerad i CT gantry. En triangel kudde användes för att stödja lårbenet vid startpositionen. Knäet utvidgades till en rak position under loppet av 10 s. strålningsexponeringen mättes. Förutom 4DCT, statisk 3DCT av hela lårbenet, Tibia, och patella utfördes. Ytbehandla data av den hela femuren och skenben rekonstruerades. Tröskeln för HU nummer av ben cortex sattes som 250 HU och ytan data för alla 51 ramar rekonstruerades.
Lårbenet och skenbenet klipptes in i partiella ytdata som ingick i alla 4DCT-framesgenom att visuellt kontrollera 4DCT-filmdata, som skapas i den förinställda 4DCT-programvaran. I de statiska 3DCT ytorna och den första ramen av 4DCT, var landmärkena i varje segment plottas. På lårbenet, den mediala och laterala epicondyles och intercondylar notch identifierades. På skenbenet, den mediala och laterala ändarna av den gemensamma ytan och Tibia ischii identifierades också som motsvarande landmärken. Partiella ytdata av lårbenet och Tibia var ungefär matchas med den första ramen av 4DCT data enligt dessa tre landmärken. Dessa ytor var sedan helt matchade med hjälp av ICP-algoritmen.
Partiella segment av lårbenet och skenbenet i den första bildrutan matchades med hela ytan i den andra ramen. Partiella fragment i den ith ramen var således matchas med hela ytan data av (i + 1)th ram sekventiellt. I ICP-algoritmen anges konvergenskriterierna för medelvärdet mellan iterationerna som 0,01 mm.
Lårbenet definierades som den fasta ben och Tibia som rörligt ben. Den 4 x 4-matris som beskriver översättning och rotation från det globala koordinatsystemet i den ursprungliga CT DICOM-datan till det lokala koordinatsystemet för det fasta benet beräknas. Det koordinatsystem av lårbenet och skenbenet definierades i enlighet med en tidigare rapport15. Vi beräknade rörelse Tibia från Euler/Cardan vinklar i "zxy" ordning, vilket innebär flexion, Varus, och intern rotation, i den ordningen14.
Vår metod beror på noggrannheten i bild registrering från delsegmenten på hela ytan data. Vi validerade noggrannheten av partiell ytregistrering genom att minska längden på lårbenet och Tibia stegvis med 1% längs den långa axeln från 20%-1%. Ytan registrering av partiella segment till hela benen utfördes för hela uppsättningen längder av lårbenet och Tibia, och fel för rotation och översättning från de parametrar som beräknats från hela benen utvärderades.
Resultaten visade att Varus vinkel skenben gradvis minskade när skenbenet förlängdes (figur 7). Yttre rotation ökade i slutet av förlängningen. Denna yttre rotation motsvarar med "skruv hem rörelsen" av knäet i tidigare rapporter16,17.
Den effektiva dos uppskattningen för detta CT-protokoll var 0,075 mSv, som bestäms av dos längds mätningen av produkten (187,5 mGy ∙ cm) och lämpliga normaliserade koefficienter (0,0004) enligt vad som anges i litteraturen18.
I validering visar grafer över felet för översättning och rotation att felet var tolererbart för lårben längder längre än 9% av hela längd och Tibia längder längre än 7% av hela längden (figur 8). Vid 10% av längden på lårbenet och 8% av längden på skenbenet, fel var 0,02 ° för Varus/valgus rotation, 0,02 ° för intern/extern rotation, 0,01 ° för förlängning/flexion rotation, 0,10 mm för främre/bakre översättning, 0,14 mm för proximala/distala översättning, och 0,11 mm lateral/medial översättning. Dessa översättningsfel anses vara försumbara eftersom CT-segmentstjocklek är 0,5 mm och överskrider fel storleken. Interna och externa rotations fel tenderade att fluktuera. Detta ansågs bero på lokal minimum passning för iterativ rotation längs den långa axeln på grund av den symmetriska formen på den tibial gemensamma ytan.
Som ytterligare data beräknades även patellar kinematik med samma metod. Vi visade den laterala lutningen på patella genom att spåra normen av patellar yta som motsvarar knäböjning vinkeln som beräknats från analys av skenbenet (kompletterande figur 1).
Figur 1: förvärv av 4DCT. Den 4DCT undersökning för knä förlängning. Motivet instrueras att ligga ner och placera knäet i CT gantry. Vid startpositionen sätts knäet i böjt läge och förlängs inom 10 s efter undersökningen startar. I denna siffra, ämnet förlänger knäet från 60 ° av flexion till maximal förlängning i 10 s. vänligen klicka här för att se en större version av denna siffra.
Figur 2: rekonstruktion av ytdata. A) ytdata för hela lårbenet (fast ben) och hela skenbenet (rörligt ben) rekonstrueras. (B) genom att använda DICOM-data från 4DCT extraheras positionsdata för benbarken som visar CT-dämpande värden över tröskeln i varje ram. Dessa positionsdata matas in i programvaran och ytdata för alla ramar rekonstrueras. Lårbenet rör sig också (grön pil) med avseende på skenbenet (blå pil). Vänligen klicka här för att se en större version av denna siffra.
Figur 3: ytregistrering. A)ytdata för de fasta och rörliga benen från 3dct trimmas in i partiella segment som ingår i alla 4DCT-ramar eftersom ytdata från 4DCT endast är partiella segment, som ingår i CT-gantry. (B) Tre landmärken plockas i de partiella segmenten av statisk 3dct och den första ramen i 4DCT. (C) delsegmenten matchas med den första ramen enligt landmärkena. (D) algoritmen för iterativ närmaste punkt (ICP) används för att matcha ytdata. Vänligen klicka här för att se en större version av denna siffra.
Figur 4: omformningsmatris beräknas utifrån Surface-registrering. (A) översättning och rotation av ytdata kan beskrivas i en 4 x 4 matris (homogen omvandlingsmatris). Mref representerar matrisen för det fasta benet och mobj representerar matrisen för det rörliga benet. Det nedre högra värdet representerar startpositionen och det övre vänstra värdet representerar målpositionen. 1mrefs översätter till exempel det fasta benet i den statiska 3dct-positionen till det fasta benet i den första ramen av 4DCT. (B) rotations matrisen är en matris med 4 x 4. R3 är en 3 x 3 matris som definierar rotation och d är en 1 x 3 matris som definierar översättning. tr3 är en tvärgående matris av R3. (C) den övre högra "inv" avser den omvända actionmatrisen. Vänligen klicka här för att se en större version av denna siffra.
Figur 5: steg i sekventiell ytregistrering av alla ramar. Skillnaden mellan ith och (i + 1)th ramar är mycket liten. Partiella segment av ith -ramen kan matchas med hela ytdata från (i + 1)th -ramen endast av ICP-algoritmen. Surface-registreringen upprepas sekventiellt till den sista bildrutan. Omformningsmatris från statisk 3DCT till varje bildruta (iMs) beräknas. Vänligen klicka här för att se en större version av denna siffra.
Figur 6: rotationsvinklar beräknas med hjälp av de definierade koordinatsystemen i de fasta och rörliga benen. A) det fasta benens koordinatsystem definieras som15. Rotations matriserna från statisk 3DCT till det lokala koordinatsystemet för det fasta benet (LmrefS) beräknas. Bdet rörliga benens koordinatsystem definieras och ritas över det fasta benet i det lokala koordinatsystemet15. Rotations matriserna från det lokala rörliga benet till det fasta benens lokala koordinatsystem beräknas (mi). Från dessa matriser beräknas de rörliga benens vinklar med avseende på det fasta benet med hjälp av Eulers/Kardanvinkeln. Vänligen klicka här för att se en större version av denna siffra.
Figur 7: representativa resultat visar kinematik av skenbenet under knä förlängning. (A) förlängning av skenbenet. Från startramen, skenbenet förlängs nästan ständigt och förlängnings hastighet ökar runt slutramen. B) den interna rotationen av Tibia. Den tvärgående axeln är den Tibia förlängnings vinkeln. Skenbenet roterar internt till 10 ° av flexion och roterar externt till slutramen. (C) valgus vinklar ökar hela tiden under alla ramar av knä förlängning. Vänligen klicka här för att se en större version av denna siffra.
Figur 8: validering av ytregistrering av delsegmentet på hela benet. Längderna på lårbenet och skenben minskas stegvis med 1% längs den långa axeln från 20%-1%. Ytan registrering av partiella segment till hela ben utförs för alla uppsättningar längder av lårbenet och Tibia, och fel för rotation och översättning från de parametrar som beräknats från hela benen utvärderas. Perturbation analys visas i kompletterande figur 2. Vänligen klicka här för att se en större version av denna siffra.
Kompletterande figur 1: patellar kinematik under knä förlängning. Patellar kinematik beräknas också med samma metod. A) enyta var lämplig på patellas ytdata. Normen för ytan pekar anteriorly beräknas. Den laterala lutningen definieras som den laterala lutningsvinkeln av normen i koordinatsystemet av lårbenet. (B) den patellära laterala lutningen under knä förlängningen är plottas motsvarande knä förlängning som beräknas från tibial kinematik. Vänligen klicka här för att se en större version av denna siffra.
Kompletterande figur 2: störnings analys. Vänligen klicka här för att se en större version av denna siffra.
Kompletterande kodnings fil. Vänligen klicka här för att ladda ner denna fil.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Vår metod möjliggör visualisering och kvantifiering av hela benens rörelser och ger numeriska positionsdata för det rörliga benet med avseende på det fasta benet från 4DCT-data. Många verktyg har föreslagits för att mäta gemensam kinematik. Motion Skin markörer kan analysera kroppens totala rörelser under lång tid. Emellertid, denna metod innehåller hud rörelse fel3. Den gemensamma kinematiken bör uppskattas från rörelser i angränsande ben. 2D-3D-registreringsmetoden använder fluoroskopi och utnyttjar 3D-kinematik från sekventiella 2D-bilder. Det finns fortfarande translationella fel, även om analysprogram varan har utvecklats till att ta hänsyn till detta. Många kadaveriska studier har mätt gemensam kinematik genom att ta CT-bilder i olika kadaver positioner19. Dessa representerar dock passiva rörelser från sekventiella statiska 3D-bilder, och skiljer sig därför kvalitativt från aktiva rörelser.
Det finns flera kritiska steg i det här protokollet. Ytan data från 3DCT bör skapas just eftersom denna kvalitet påverkar noggrannheten i den ursprungliga ytan registreringen till den första ramen av 4DCT. Runt det gemensamma området kan tröskeln för benbarken skilja sig från Ben skaftet. Tröskel justering kommer att behövas när gränsen för benbarken är oklar. När ytan registreringen av alla ramar är klar, bör rekonstruerad rörelse kontrolleras. Om Surface-registrering för en ram misslyckas, kan automatisk Surface-registrering startas om från nästa bildruta genom att välja landmärken i nästa bildruta och upprepa protokollet.
Den 4DCT metoden ger sekventiella volymdata med noggrannhet nästan lika hög som statisk 3DCT eftersom CT DICOM data innehåller absoluta koordinatvärden av alla vävnader i CT gantry. Flera studier har använt 4DCT för utredningar av gemensam kinematik20,21. Men i de flesta, observatörerna plockade landmärken från flera ramar och beräknade parametrarna (t. ex. vinklar, översättning). Dessa dataanalys processer innehåller mänskliga fel som leder till mätfel. Vår metod för ytregistrering ger hög noggrannhet bild matchning. När plottas, landmärken för parametrarna kan spåras enligt formen på ytan i varje ram. Teoretiskt, manuell ytsegmentering för alla 4DCT ramar ger den mest exakta data, men denna process är alltför tidskrävande. Nyligen har 4DCT använts för rörelseanalys för handled lederna eftersom handlovsbenen är små och överlappade strukturer22. Det har förekommit flera rapporter om automatiserad ben spårning23,24. Goto et al. analyserade fingerrörelser med hjälp av normaliserade korrelationskoefficienter som detekterar likheten mellan två bilder25. Vi använde ytregistrering eftersom positionen för ben cortex ytan är det viktigaste landmärke för att beskriva gemensam kinematik.
Vi använde en iterativ närmast punkt algoritm för att spåra rörelse av ytan data i alla ramar. En iterativ närmast punkt algoritm matchar två grupper av punktmoln eller ytdata för att minimera avståndet från ytan till ytan11 men har flera nackdelar. Denna algoritm används vanligtvis för att matcha två nära ytor. Därför, när de två ytorna är placerade långt till varandra, registrering skulle ske i "lokala minimum" position, inte den sanna matchade position26. Vi övervinna denna nackdel genom att ta tre landmärken i varje ben i början. De två ytorna är ungefär matchade enligt dessa tre landmärken. Från dessa två positioner fungerar ICP som närmaste position. Bildrutehastigheten för 4DCT är mycket kort (0,2 s), så att ytan position i den aktuella ramen är nära ytan positionen i nästa bildruta. I fall av långsam gemensam rörelse, det grova match steget kommer inte att behövas för ytterligare ram-till-Frame sekventiell yta registrering. Dessutom är förhållandet mellan helheten av de två benen återges genom att matcha hela statiska 3DCT ytdata på den partiella 4DCT ram ytan data. Generellt är det koordinatsystem av benet definieras från sin helhet12,27. Rekonstruktion av hela ben rörelse bidrar således till beskrivningen av gemensamma vinklar. Denna noggrannhet beror till stor del på ytan registrering av den partiella ytan på hela ytan data. I de representativa uppgifterna visade vi att tillgängligheten av över 10% av segmenten ger tillräcklig noggrannhet för knäleden.
CT-data ger alla positionsdata som ingår i CT Portal-området. Kvaliteten på data beror enbart på kvaliteten på CT-maskinen. Denna metod kan således tillämpas på små ben eller flera ben såsom handlederna ben, som är svåra att spåra genom 2D-3D-registrering.
Flera begränsningar måste nämnas. För det första beror ICP på formen på delsegmentet. ICP är mer exakt när ytan har geometriska egenskaper som ben sporrar eller kortikala kanter. Å andra sidan, när ytan formen är symmetrisk, såsom det radiella huvudet eller sesamoid, ICP kommer att ge en felaktig rotation av den ursprungliga ytan. Dessutom, ICP beror också på kvaliteten på ytan data. I händelse av osteoporos ben, yta rekonstruktion beror till stor del på manuell segmentering. Som kan leda till interobserver-fel. Nyligen har datoriserad vävnadssegmentering på CT skivor utvecklats. Emellertid, mänsklig manuell segmentering anses fortfarande mer tillförlitlig när man identifierar specifika vävnader28,29. Även om kvaliteten på CT-bilden inte kan ändras, kan andra begränsningar övervinnas genom manuell ytsegmentering och registrering. För det andra, när det gemensamma förslaget är för snabbt, kan denna metod inte spåra ben rörelserna, eftersom CT-bilder blir suddiga30. Ram-till-Frame yta registrering sedan misslyckas eftersom de två ytorna är alltför avlägsen. Tolerabel hastighet beror på målet gemensamma, eftersom den gemensamma morfologin påverkar framgången för ytan registrering. Studier av hastighets tolerans för varje led kommer att behövas i framtiden. Dessutom bör gemensamma förslag utföras inuti CT gantry. Därför, för analys av lastning kinematik, optiska sensorer eller 2D-2D-registrering är bäst.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Författarna har inga konkurrerande ekonomiska intressen.
Acknowledgments
Denna studie godkändes av institutionens institutions granskningsnämnd (godkännandenummer: 20150128).
Materials
| Name | Company | Catalog Number | Comments |
| 4DCT scanner | Canon medical systems (Tochigi, Japan) | N/A | 4DCT scan, Static 3DCT scan |
| AVIZO(9.3.0)* | Thermo Fisher Scientific (OR, USA) | Image processing software. Surface reconstruction from CT DICOM data and point cloud data. * Ryan, T. M. & Walker, A. Trabecular bone structure in the humeral and femoral heads of anthropoid primates. Anat Rec (Hoboken). 293 (4), 719-729, doi:10.1002/ar.21139, (2010). |
|
| Meshlab** | ISTI (Pisa, Italy) | N/A | Surface trimming and landmark picking ** MeshLab: an Open-Source Mesh Processing Tool. Sixth Eurographics Italian Chapter Conference, page 129-136, 2008. P. Cignoni, M. Callieri, M. Corsini, M. Dellepiane, F. Ganovelli, G. Ranzuglia |
| VTK(6.3.0)*** | Kitware (New York, USA) | N/A | Iterative Closest Points algorithm. Used in python language programming. *** https://vtk.org |
| Python(3.6.1) | Python Software Foundation | N/A | DICOM file processing to extract the point cloud from the bone cortex ('dicom.py' module). Calculation of the rotation matrices. (Numpy module) Sequential image regestration using ICP algorithm |
References
- Andriacchi, T. P., Alexander, E. J., Toney, M. K., Dyrby, C., Sum, J. A point cluster method for in vivo motion analysis: applied to a study of knee kinematics. Journal of Biomechanical Engineering. 120 (6), 743-749 (1998).
- Corazza, S., et al. A markerless motion capture system to study musculoskeletal biomechanics: visual hull and simulated annealing approach. Annals of Biomedical Engineering. 34 (6), 1019-1029 (2006).
- Reinschmidt, C., van den Bogert, A. J., Nigg, B. M., Lundberg, A., Murphy, N. Effect of skin movement on the analysis of skeletal knee joint motion during running. Journal of Biomechanics. 30 (7), 729-732 (1997).
- Burgess, R. C. The effect of a simulated scaphoid malunion on wrist motion. Journal of Hand Surgery. 12 (5 Pt 1), 774-776 (1987).
- Shoemaker, S. C., Markolf, K. L. Effects of joint load on the stiffness and laxity of ligament-deficient knees. An in vitro study of the anterior cruciate and medial collateral ligaments. Journal of Bone and Joint Surgery (American Volume). 67 (1), 136-146 (1985).
- Eckstein, F., Lohe, F., Muller-Gerbl, M., Steinlechner, M., Putz, R. Stress distribution in the trochlear notch. A model of bicentric load transmission through joints. Journal of Bone and Joint Surgery (British Volume). 76 (4), 647-653 (1994).
- Omid, R., et al. Biomechanical analysis of latissimus dorsi tendon transfer with and without superior capsule reconstruction using dermal allograft. Journal of Shoulder and Elbow Surgery. 28 (8), 1523-1530 (2019).
- Tsai, T. Y., Lu, T. W., Chen, C. M., Kuo, M. Y., Hsu, H. C. A volumetric model-based 2D to 3D registration method for measuring kinematics of natural knees with single-plane fluoroscopy. Medical Physics. 37 (3), 1273-1284 (2010).
- Ohnishi, T., et al. Three-dimensional motion study of femur, tibia, and patella at the knee joint from bi-plane fluoroscopy and CT images. Radiological Physics and Technology. 3 (2), 151-158 (2010).
- Dobbe, J. G. G., de Roo, M. G. A., Visschers, J. C., Strackee, S. D., Streekstra, G. J. Evaluation of a Quantitative Method for Carpal Motion Analysis Using Clinical 3-D and 4-D CT Protocols. IEEE Transactions on Medical Imaging. 38 (4), 1048-1057 (2019).
- Besl, P. J., McKay, N. D. A method for registration of 3-D shapes. IEEE Transactions on Pattern Analysis and Machine Intelligence. 14 (2), 239-256 (1992).
- Wu, G., et al. ISB recommendation on definitions of joint coordinate system of various joints for the reporting of human joint motion--part I: ankle, hip, and spine. Journal of Biomechanics. 35 (4), 543-548 (2002).
- Wu, G., et al. ISB recommendation on definitions of joint coordinate systems of various joints for the reporting of human joint motion--Part II: shoulder, elbow, wrist and hand. Journal of Biomechanics. 38 (5), 981-992 (2005).
- Crawford, N. R., Yamaguchi, G. T., Dickman, C. A. A new technique for determining 3-D joint angles: the tilt/twist method. Clinical Biomechanics (Bristol, Avon). 14 (3), 153-165 (1999).
- Sato, T., Koga, Y., Omori, G. Three-dimensional lower extremity alignment assessment system: application to evaluation of component position after total knee arthroplasty. Journal of Arthroplasty. 19 (5), 620-628 (2004).
- Ishii, Y., Terajima, K., Terashima, S., Koga, Y. Three-dimensional kinematics of the human knee with intracortical pin fixation. Clinical Orthopaedics and Related Research. (343), 144-150 (1997).
- Asano, T., Akagi, M., Tanaka, K., Tamura, J., Nakamura, T. In vivo three-dimensional knee kinematics using a biplanar image-matching technique. Clinical Orthopaedics and Related Research. (388), 157-166 (2001).
- Saltybaeva, N., Jafari, M. E., Hupfer, M., Kalender, W. A. Estimates of effective dose for CT scans of the lower extremities. Radiology. 273 (1), 153-159 (2014).
- Mat Jais, I. S., Tay, S. C. Kinematic analysis of the scaphoid using gated four-dimensional CT. Clinical Radiology. 72 (9), e791-e799 (2017).
- Tanaka, M. J., Elias, J. J., Williams, A. A., Demehri, S., Cosgarea, A. J. Characterization of patellar maltracking using dynamic kinematic CT imaging in patients with patellar instability. Knee Surgery, Sports Traumatology, Arthroscopy. 24 (11), 3634-3641 (2016).
- Troupis, J. M., Amis, B. Four-dimensional computed tomography and trigger lunate syndrome. Journal of Computer Assisted Tomography. 37 (4), 639-643 (2013).
- Kakar, S., et al. The Role of Dynamic (4D) CT in the Detection of Scapholunate Ligament Injury. Journal of Wrist Surgery. 5 (4), 306-310 (2016).
- Zhao, K., et al. A technique for quantifying wrist motion using four-dimensional computed tomography: approach and validation. Journal of Biomechanical Engineering. 137 (7), (2015).
- Breighner, R., et al. Relative accuracy of spin-image-based registration of partial capitate bones. in 4DCT of the wrist. Computer Methods in Biomechanics and Biomedical Engineering: Imaging & Visualization. 4 (6), 360-367 (2016).
- Goto, A., et al. In vivo pilot study evaluating the thumb carpometacarpal joint during circumduction. Clinical Orthopaedics and Related Research. 472 (4), 1106-1113 (2014).
- Zhang, X., Jian, L., Xu, M. Robust 3D point cloud registration based on bidirectional Maximum Correntropy Criterion. PloS One. 13 (5), e0197542 (2018).
- Baker, R. ISB recommendation on definition of joint coordinate systems for the reporting of human joint motion-part I: ankle, hip and spine. Journal of Biomechanics. 36 (2), 300-302 (2003).
- Qiu, B., et al. Automatic segmentation of the mandible from computed tomography scans for 3D virtual surgical planning using the convolutional neural network. Physics in Medicine and Biology. , (2019).
- Hemke, R., Buckless, C. G., Tsao, A., Wang, B., Torriani, M. Deep learning for automated segmentation of pelvic muscles, fat, and bone from CT studies for body composition assessment. Skeletal Radiology. , (2019).
- Lee, S., et al. Impact of scanning parameters and breathing patterns on image quality and accuracy of tumor motion reconstruction in 4D CBCT: a phantom study. Journal of Applied Clinical Medical Physics. 16 (6), 195-212 (2015).
