2024年1月12日
本方案采用基于直接线性变换校准的立体成像相机系统,用于采集三维数据 原位 拉伸状态下周围神经的位移。通过捕捉这些位移,可确定在不同拉伸程度下所诱发的应变,从而明确与拉伸相关的神经损伤阈值,推动基于拉伸机制的神经修复科学的发展。
首先,准备三块透明的丙烯酸有机玻璃方板。在每块板上创建一个网格,并标记至少10个点,确保在X、Y和Z坐标平面上的三维控制体积内共有不少于30个点。将这些板以不同高度堆叠,以覆盖预期录制范围的最大高度。
使用配备脚踏板的数字化仪,对三维控制体积上的所有点进行数字化处理。建立三维控制立方体的原点,并定义正X轴和Y轴方向,以获取X、Y和Z坐标。在数字化仪软件界面上,分别在参考坐标系上设置原点以及正X轴和Y轴。
打开一个新的 Excel 工作表,用于保存控制体积的 X、Y 和 Z 坐标。然后在数字化仪软件界面上,将格式字符串设置为 Excel,以便将坐标数据存储到三维控制体积中。当使用数字化仪和脚踏板采集 X、Y 和 Z 坐标时,这些坐标将被实时记录到已打开的 Excel 工作表中。
为了记录这些数据,打开一个 Excel 表格并将坐标保存为 csv 文件。首先,运行 MATLAB 代码,将拉伸神经位移视频拆分为左相机和右相机文件。单击“运行”以启动 DLTdv7m22 图形用户界面。
DLTdv7 控制窗口将出现,提供项目、加载项目和退出等选项。要开始一个新项目,请在 DLTdv7 控制窗口中点击“新建项目”。在弹出的对话框中,选择 2 以表示将使用 2 个视频文件来追踪标记点轨迹。
选择左侧相机视角的第一个视频文件,然后点击“打开”。接着选择并打开右侧相机视角的第二个视频文件。在选中两个视频文件后,点击“是”以确认它们已使用DLT进行校准。
从相机系统中选择适当的 DLT 系数 csv 文件,然后点击打开。加载视频文件后,DLTdv7 控件将被启用,新建项目按钮将变为重新计算三维点,而加载项目按钮将变为保存。随后,在 DLTdv7 控件窗口中,确认帧号已设置为 1。
当前点为1,自动追踪模式已关闭。确保已选中“更新所有视频”、“DLT视觉反馈”和“显示2D轨迹”。在视频1中,将0.1精确置于插入标记的中心。
使用键盘快捷键精确调整点的位置。在视频2中,一条蓝色的极线用于引导插入标记上0.1点的放置。使用键盘快捷键调整点的位置,使其与插入标记的中心对齐。
接下来,使用 DLTdv7 控制面板中的添加点功能依次追踪每个组织标记点,然后单击“添加点”并在视频 1 的标记点 2 上放置 0.2。利用蓝色极线和键盘快捷键,在视频 2 的标记点 1 上放置 0.2。从插入位置到夹钳位置,继续在两个视频中依次添加并放置各点。
在两个视频中放置完所有初始点后,将帧号设置为1,并确保在DLTdv7控制面板中当前点也设置为1。将自动跟踪模式更改为自动前进,在DLTdv7控制面板中将自动跟踪预测器设置为扩展卡尔曼滤波(Extend Kalman)。
开始在视频1中跟踪0.1,根据需要放大或缩小以提高精度。逐帧点击,直到达到失效点或视频结束。完成后,重置到第1帧,并在DLTdv7控制面板中切换至0.2。
被追踪的点将显示为不同的颜色,以便于识别。要追踪视频1中的所有点,请逐帧点击,直至达到失效点或视频结束。在视频2中,使用蓝色极线进行点的追踪,并参考视频1。
在 DLTdv7 控制窗口中,将帧数返回至 1。将当前点设置为 1,并开始在视频 2 中追踪点 1 的轨迹。在视频 1 和视频 2 的追踪完成后,单击 DLTdv7 控制窗口中的“导出点”按钮,以导出被追踪点的 X、Y 和 Z 坐标。
选择所需的直接重定位路径以保存输出文件。在另一个对话框中设置输出文件的名称。然后选择保存格式为平面格式。
随后,在另一个对话框中选择“否”,以确定不计算 95% 置信区间。确认数据的导出与保存,提示 4 个输出文件已导出至所选目录。在 DLTdv7 Controls 窗口中点击“保存项目”,将当前项目保存至与输出文件相同的目录中。
运行自定义的 MATLAB 代码,导入在 X、Y 和 Z 三个维度上追踪到的 3D 标记轨迹。输入特定细节,例如破裂时间以及追踪点的数量。选择包含 3D 轨迹数据的 X、Y、Z 点 CSV 文件。
选择一个目录以保存输出的图表以及包含时间、长度、长度变化和应变等详细数据的 xls 文件。然后使用给定的公式计算长度、长度变化和应变百分比。
本方案采用基于直接线性变换校准的立体成像相机系统,用于捕捉拉伸状态下周围神经的三维原位位移。通过记录这些位移,可确定在不同拉伸程度下所诱发的应变,从而明确与拉伸相关的神经损伤阈值,推动依赖拉伸机制的神经修复科学的发展。
在拉伸过程中对原位周围神经应变进行定量测量,填补了神经损伤与修复策略在机械机制风险评估方面的重要空白。本方案可实现精确、无创的生物力学评估,有助于提高早期发现和转化研究流程中的预测可信度。该方法通过提供关于神经对机械负荷响应的可靠数据,支持靶点验证和干预优化,从而提升项目决策的科学性。
该方法通过实现假设验证、定量检测以及针对神经干预的机制性风险排除,融入了从发现到临床前研究的连续过程。