Summary
Vi analyserede fælles kinematik fra fire-dimensionelle computertomografi data. Den sekventielle 3D-3D-registreringsmetode semiautomatisk giver kinematik af den bevægende knogle med hensyn til emnet knogle fra fire-dimensionelle computertomografi data.
Abstract
4-dimensionel computertomografi (4DCT) giver en serie af volumen data og visualiserer fælles bevægelser. Numerisk analyse af 4DCT-data er dog fortsat vanskelig, fordi segmentering i alle volumetriske rammer er tidskrævende. Vi havde til formål at analysere fælles kinematik ved hjælp af en sekventiel 3D-3D registrerings teknik for at give kinematik af den bevægende knogle med hensyn til den faste knogle semiautomatisk ved hjælp af 4DCT DICOM data og eksisterende software. Overflade data af kilden knogler er rekonstrueret fra 3DCT. De trimmede overflade data matches henholdsvis med overflade data fra det første billede i 4DCT. Disse trimmede overflader matches sekventielt indtil den sidste ramme. Disse processer giver positionelle oplysninger for Target knogler i alle rammer af 4DCT. Når Koordinatsystemerne for målknoglerne er afgjort, kan der beregnes oversættelses-og rotationsvinkler mellem to knogler. Denne 4dct analyse giver fordele i kinematiske analyser af komplekse strukturer som karpaltunnel eller haseleddet knogler. Men, hurtig eller storstilet bevægelser kan ikke spores på grund af motion artefakter.
Introduction
Fælles kinematik er blevet beskrevet ved hjælp af en række metoder, såsom motion capture sensorer, 2D-3D registrering, og nekro undersøgelser. Hver metode har specifikke fordele og ulemper. For eksempel kan bevægelses optagelses sensorer måle hurtige bevægelser i stor skala ved hjælp af infrarøde kameraer med eller uden sensorer på motivet1,2. Disse metoder måler dog hudens bevægelse for at udlede fælles kinematik og indeholder derfor hudbevægelses fejl3.
Cadaveric undersøgelser er blevet anvendt til at evaluere intervaller af bevægelse, ustabilitet, og kontaktområder4,5,6. Denne fremgangsmåde kan måle små ændringer i små samlinger ved hjælp af CT eller optiske sensorer fastgjort direkte til knoglen ved hjælp af stifter eller skruer. Cadaveric-modeller kan hovedsageligt evaluere passive bevægelser, selv om flere aktuatorer er blevet brugt til at anvende eksterne kræfter på sener for at simulere dynamisk bevægelse7. Aktiv fælles bevægelse kan måles ved 2D-3D registrerings teknikker, der matcher 3dct billeder til 2D gennemlysning billeder. Selv om nøjagtigheden af registreringsprocessen forbliver kontroversiel, den rapporterede nøjagtighed er generelt høj nok til store fælles kinematik8,9. Denne metode kan dog ikke anvendes på små knogler eller flere knogler i smalle rum.
I modsætning hertil er 4DCT en dynamisk CT-metode, der opnår en række volumetriske data. Aktive fælles beslutningsforslag kan analyseres ved hjælp af denne fremgangsmåde10. Denne teknologi giver præcise 3D positionelle data for alle stoffer inde i CT Gantry. De fælles 3D-bevægelser visualiseres tydeligt i en seer. Men at beskrive fælles kinematik fra en sådan serie af volumen data er stadig vanskeligt, fordi alle knoglerne er i bevægelse, og ingen landemærker kan spores under de aktive bevægelser in vivo.
Vi udviklede en metode til 4DCT analyse, der giver in vivo fælles kinematik af hele knogler omkring leddet under aktive bevægelser. Formålet med denne artikel er at præsentere vores metode, den sekventielle 3D-3D registrerings teknik for 4DCT analyse, og vise repræsentative resultater opnået ved hjælp af denne metode.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Alle de metoder, der er beskrevet her, er blevet godkendt af den institutionelle revisions bestyrelse på Keio University School of Medicine.
Bemærk: fælles kinematik måles ved at rekonstruere bevægelsen af en bevægende knogle omkring en fast knogle. For knæleddet kinematik defineres femur som den faste knogle, og skinneben defineres som den bevægelige knogle.
1. CT Imaging Protocol
- Indstil CT-maskinen. Erhverve CT-undersøgelser med en 320-detektor-Row CT-system for at give mulighed for flere faser af 3D-volumen data med 160 mm kraniokaudal dækning. For eksempel, i analysen af knæ kinematik, billedet erhvervelse består af 51 volumen scanninger med en rotations tidspunkt på 0,275 s, og alle billeder er rekonstrueret ved hjælp af halv genopbygning, således at den tidsmæssige opløsning er ca 0,16 s.
- Brug følgende scanningsparametre: peak tube spænding = 100 kVp; Rørstrøm = 40 mA; scannings dækning = 160 mm; matrix størrelse = 512 x 512 pixels; og rekonstruktion sektion tykkelse og sektions interval = 0,5 mm.
- Placer målleddet for motivet inde i CT Gantry i startpositionen af 4DCT eksamen (figur 1).
- Før CT-eksamen, øve bevægelser af leddet fra startpositionen til slutpositionen inden for den krævede eksamen tid. Bed motivet om at flytte leddet i løbet af 10,275 s scanningstid og få en serie af volumen data. Gem de sekventielle diskenheds data i DICOM-format.
- Udfør statisk 3DCT af alle målknoglerne, og Gem dataene i DICOM-format.
2. genopbygning af overfladen
- Udfør halvautomatisk segmentering af 3DCT-data (figur 2A).
- Indlæs CT DICOM-data ved at vælge alle DICOM-filer af de statiske 3DCT-data.
- Åbn feltet etiket ved at klikke på Rediger nyt etiketfelt og kontrollere, hvilken tærskelværdi for CT-dæmpning der er passende for at udtrække kortikal knogle fra kilde knoglen. Vælg materialer med CT-dæmpningsværdier over tærskelværdien. For eksempel er knogle cortex tærsklen for et ungt motiv indstillet til 250. Kontroller etiketten for knogle cortex udvælgelse og manuelt ændre afgrænsningen ved hjælp af et redigeringsværktøj for konsistens med formen af knoglen.
- Generer overflade data (trekants masker) fra de mærkede knogle cortex positionsdata (punkt Cloud i softwaren). Opbevar Surface-dataene ved at eksportere data i STL-format (standard trianguleret sprog).
- Klik på Generer Surface | Påfør etiketten på den kortikale knogle. Klik på filer | Eksportér data som | STL binær lille endian at gemme Surface data i STL format.
- Udfør automatisk segmentering af 4 DCT-volumen data (figur 2B).
Bemærk: hver ramme af DICOM-dataene omfatter fordelingen af CT-dæmpnings værdierne i CT-Gantry.- Indstil tærsklen for knogle cortex som i statisk CT, og uddrag geometriske data, der viser CT dæmpning værdier over tærsklen fra alle 51 rammer af 4DCT data ved hjælp af DICOM læsning modul i programmeringssoftwaren. Juster tærskelværdien i forhold til knogletætheden i kilde knoglen. For eksempel, for osteoporotisk knogle, sætte tærsklen lavere.
- Oversætte alle positionsdata, der allerede er indhentet i det foregående trin, til et format, der kan fortolkes af software til billedbehandling (f. eks. Avizo). I billedbehandlings softwaren rekonstruere alle overflade data i punktskyen med højere CT-dæmpningsværdier end tærsklen for alle 4DCT-rammer ved hjælp af et batch behandlings script. Den billedbehandling programmel indeholder den funktion hen til læse den skrift og eksport den overflade data af den DICOM serie data automatisk. Batchscriptet vises i den supplerende kodnings fil.
3. billedregistrering
Bemærk: i dette trin rekonstruere bevægelserne af den bevægelige knogle med hensyn til den faste knogle fra de rå 4DCT DICOM data.
- Udfør Surface-registrering fra statisk 3DCT til den første ramme i 4DCT.
- Trim knoglerne i en statisk 3dct til delvise segmentdata, der er inkluderet i alle rammer af 4dct til brug med den iterativ nærmeste punkt (ICP) algoritme11 i 3D mesh redigeringssoftware ved hjælp af valg Face funktion (figur 3a) ved at henvise 4dct film data. Surface-data fra 4DCT er kun delvise segmenter, der er inkluderet i hver diskenhed, fordi Surface-registrering kræver, at ét overflade datapunkt er inkluderet i en anden overflade.
- Vælg tre vartegn i de faste og bevægelige knogler, der let kan identificeres fra den trimmede 3DCT-overflade og overflade dataene for det første billede af 4DCT i 3D-maske redigeringssoftwaren ved hjælp af Pickpoints -funktionen (figur 3B).
- Matche de delvise faste og bevægelige knogler groft på den første ramme af 4dct overflade data (figur 3C) i henhold til de udvalgte landemærker i 3.1.2. Udfør derefter Surface-registrering ved hjælp af ICP-algoritmen11 ved hjælp af open source-softwaren (f. eks. vtk).
Bemærk: denne proces giver homogene Transformations matricer af de faste og bevægelige knogler fra den statiske 3DCT til den første ramme af 4DCT (figur 3D). Disse matricer er 4 x 4 matricer bestående af rotation og oversættelse, som vist i figur 4. Den Transformations matrix, der forårsager den omvendte handling, kan også beregnes.
- Udfør sekventiel registrering af Surface (figur 5).
- Match de delvise overflader af den faste og bevægelige knogle i den første 4DCT ramme på overfladen data i den anden ramme. Dernæst matche de delvise overflader af ith frame på (i + 1)th ramme af 4dct sekventielt. Gentag denne proces indtil den sidste ramme i 4DCT ved programmering med brug af ICP-modulet i open source-softwaren.
- Beregn Transformations matricer fra den statiske 3DCT til alle rammer i 4DCT i henhold til resultaterne af 3,1 og 3,2.
- Rekonstruere bevægelige knogle bevægelser med hensyn til den faste knogle (figur 6).
- Rekonstruere kinematik af den bevægelige knogle med hensyn til den faste knogle fra matricer, der repræsenterer omdannelsen fra den statiske 3DCT til hver 4DCT ramme. Definer Koordinatsystemerne for de faste og bevægelige knogler, når rotations parametrene måles (f. eks. fleksvinkel eller rotationsvinkel beregnet af Euler/Cardan-vinklen)12,13,14.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Vi beskriver bevægelsen af skinneben under knæet forlængelse. Knæleddet var placeret i CT-Gantry. En trekant pude blev brugt til at støtte femur ved udgangspositionen. Knæet blev udvidet til en lige position i løbet af 10 s. strålingseksponering blev målt. Ud over 4DCT, statisk 3DCT af hele femur, skinneben, og patella blev udført. Overflade data for hele femur og skinneben blev rekonstrueret. Tærsklen for HU-numre af knogle cortex blev fastsat som 250 HU og overflade data for alle 51 frames blev rekonstrueret.
Femur og skinneben blev trimmet til delvis overflade data, der var inkluderet i alle 4DCT framesby visuelt kontrollere 4DCT film data, som er skabt i den forudindstillede 4DCT software. I de statiske 3DCT overflader og den første ramme af 4DCT, blev Landemærkerne for hvert segment plottet. På femur blev de mediale og laterale epikondyler og intercondylar hak identificeret. På skinneben, de mediale og laterale ender af den fælles overflade og tibiale tuberositas blev også identificeret som tilsvarende landemærker. Delvise overflade data for femur og skinneben blev nogenlunde matchet med den første ramme af 4DCT data i henhold til disse tre vartegn. Disse overflader blev derefter fuldstændig matchet ved hjælp af ICP-algoritmen.
Delsegmenter af femur og skinneben i det første stel blev matchet med hele overfladen i den anden ramme. Partielle fragmenter i den ith frame blev således matchet med hele overfladen data af (i + 1)th ramme sekventielt. I ICP-algoritmen blev konvergenskriterierne for den gennemsnitlige afstand mellem iterationer fastsat til 0,01 mm.
Femur blev defineret som den faste knogle og skinneben som den bevægende knogle. Den 4 x 4 matrix, der beskriver oversættelse og rotation fra det globale koordinatsystem i de oprindelige CT DICOM-data til det lokale koordinatsystem for den faste knogle, beregnes. Koordinatsystemet for femur og skinneben blev defineret i overensstemmelse med en tidligere rapport15. Vi beregnede bevægelsen af skinneben fra Euler/Cardan vinkler i ' zxy ' orden, hvilket betyder flexion, Varus, og intern rotation, i denne rækkefølge14.
Vores metode afhænger af nøjagtigheden af billedregistrering fra de delvise segmenter på hele overflade data. Vi validerede nøjagtigheden af delvis overflade registrering ved at reducere længden af femur og skinneben trinvist med 1% langs den lange akse fra 20%-1%. Overfladen registrering af delsegmenter til hele knogler blev udført for hele sæt af længderne af femur og skinneben, og fejl for rotation og oversættelse fra de parametre, der beregnes fra hele knoglerne blev evalueret.
Resultaterne viste, at Varus-vinklen på skinneben gradvist faldt, efterhånden som skinneben blev forlænget (figur 7). Tibial ekstern rotation steg i slutningen af forlængelsen. Denne eksterne rotation svarer til "skrue hjem bevægelse" af knæet i tidligere rapporter16,17.
Den effektive dosis vurdering for denne CT-protokol var 0,075 mSv, som bestemmes af produkt målingen for dosis længde (187,5 mGy ∙ cm) og passende normaliserede koefficienter (0,0004) som rapporteret i litteraturen18.
Ved valideringen viser grafer over oversættelses-og rotations fejlen, at fejlen var acceptabel for femurlængder, der var længere end 9% af hele længden, og skinneben længder længere end 7% af hele længden (figur 8). 10% af lårbenet og 8% af længden af skinneben, fejl var 0,02 ° for Varus/valgus rotation, 0,02 ° for intern/udvendig rotation, 0,01 ° for forlængelse/fleksrotation, 0,10 mm for anterior/posterior oversættelse, 0,14 mm for proksimal/distal oversættelse og 0,11 mm lateral/medial oversættelse. Disse oversættelsesfejl anses for at være ubetydelige, fordi CT-skive tykkelsen er 0,5 mm og overskrider fejl størrelsen. Interne og eksterne rotations fejl havde tendens til at svinge. Dette menes at være forårsaget af lokale minimum pasform for iterativ rotation langs den lange akse på grund af den symmetriske form af den tibiale fælles overflade.
Som yderligere data blev laterale kinematik også beregnet ved hjælp af samme metode. Vi demonstrerede den laterale hældning af patella ved at spore normen for den patellære overflade svarende til knæets flektivinkel som beregnet ud fra analyse af skinneben (supplerende figur 1).
Figur 1: erhvervelse af 4DCT. Den 4DCT undersøgelse for knæ forlængelse. Motivet er instrueret om at ligge ned og placere knæet i CT Gantry. Ved startpositionen indstilles knæet i den bøjet position og forlænges inden for 10 s efter undersøgelsen påbegyndes. I denne figur udvider motivet knæet fra 60 ° fleksion til maksimal udvidelse i 10 s. Klik her for at se en større version af dette tal.
Figur 2: genopbygning af overflade data. A) overflade data for hele femur (fast knogle) og hele skinneben (bevægelige knogler) rekonstrueres. (B) ved hjælp af DICOM-data fra 4DCT udvindes de positionelle data for knogle cortex, der viser CT-dæmpningsværdier over tærskelværdien, i hver ramme. Disse positionsdata er input til softwaren, og overflade data for alle rammer er rekonstrueret. Femur bevæger sig også (grøn pil) med hensyn til skinneben (blå pil). Venligst klik her for at se en større version af dette tal.
Figur 3: registrering af Surface. A) overflade data for de faste og bevægelige knogler fra 3dct beskæres til delvise segmenter, der er inkluderet i alle 4dct rammer, fordi overflade data fra 4dct kun er delvise segmenter, som er inkluderet i CT Gantry. (B) tre vartegn er plukket i de delvise segmenter af den statiske 3dct og den første ramme af 4dct. (C) delsegmenterne matches med den første ramme i henhold til Landemærkerne. (D) den iterativ nærmeste punkt (ICP) algoritme anvendes til at matche Surface data. Venligst klik her for at se en større version af dette tal.
Figur 4: Transformations matrix beregnes ud fra registrering af Surface. A) oversættelse og rotation af overflade data kan beskrives i en 4 x 4 matrix (homogen Transformations matrix). Mref repræsenterer matrixen for den faste knogle og mobj repræsenterer matrixen for den bevægelige knogle. Den nederste højre værdi repræsenterer startpositionen, og den øverste venstre værdi repræsenterer målpositionen. For eksempel oversætter 1mrefs den faste knogle i den statiske 3dct position til den faste knogle i det første billede af 4dct. B) rotations matrixen er en 4 x 4 matrix. R3 er en 3 x 3 matrix, der definerer rotation og d er en 1 x 3 matrix, der definerer oversættelse. tr3 er en tværgående matrix af R3. C) øverst til højre "Inv": den omvendte aktions matrix. Venligst klik her for at se en større version af dette tal.
Figur 5: trin i sekventiel overflade registrering af alle frames. Forskellen mellem ith og (i + 1)th frames er meget lille. Delvise segmenter af den ith frame kan matches med hele overfladen data af (i + 1)th frame kun ved ICP algoritme. Surface-registrering gentages sekventielt indtil den sidste ramme. Transformations matrixen fra den statiske 3DCT til hver ramme (iMs) beregnes. Venligst klik her for at se en større version af dette tal.
Figur 6: rotationsvinkler beregnes ved hjælp af de definerede koordinatsystemer for de faste og bevægelige knogler. A) koordinatsystemet for den faste knogle er defineret15. Rotations matricer fra statisk 3DCT til det lokale koordinatsystem for den faste knogle (LmrefS) beregnes. B) koordinatsystemet for den bevægelige knogle defineres og trækkes over den faste knogle i det lokale koordinatsystem15. Rotations matricer fra den lokale bevægelige knogle til det lokale koordinatsystem for den faste knogle beregnes (mi). Fra disse matricer beregnes vinkler af den bevægelige knogle med hensyn til den faste knogle ved hjælp af Euler/Cardan vinkel. Venligst klik her for at se en større version af dette tal.
Figur 7: repræsentative resultater viser kinematik af skinneben under knæet forlængelse. A) forlængelse af skinneben. Fra start rammen forlænges skinneben næsten konstant, og udvidelses hastigheden øges omkring rammen. B) tibial intern rotation. Den tværgående akse er den tibiale udvidelses vinkel. Skinneben roterer internt til 10 ° flekon og roterer eksternt indtil rammen. (C) valgus vinkler stiger konstant under alle rammer af knæet forlængelse. Venligst klik her for at se en større version af dette tal.
Figur 8: validering af areal registrering af delsegmentet på hele knoglen. Længderne af femur og skinneben er faldet trinvist med 1% langs den lange akse fra 20%-1%. Overflade registrering af delsegmenter til hele knogler udføres for alle sæt af længderne af femur og skinneben, og fejl for rotation og oversættelse fra de parametre, der beregnes fra hele knoglerne evalueres. Analyse af perturbation er vist i supplerende figur 2. Venligst klik her for at se en større version af dette tal.
Supplerende figur 1: patellar kinematik under knæet forlængelse. Patellar kinematik beregnes også ved hjælp af den samme metode. A) en overflade var egnet til patellas overflade data. Normen for overfladen peger anteriorly beregnes. Den laterale hældning defineres som den laterale vippevinkel for normen i femurs koordinatsystem. B) laterale lateral Tilt under knæforlængelsen plottet svarende til knæet forlængelse som beregnet ud fra tibiale kinematik. Venligst klik her for at se en større version af dette tal.
Supplerende figur 2: analyse af Perturbation. Venligst klik her for at se en større version af dette tal.
Supplerende kodnings fil. Venligst klik her for at downloade denne fil.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Vores metode tillader visualisering og kvantificering af bevægelserne af hele knogler og giver numeriske positionelle data af den bevægende knogle med hensyn til den faste knogle fra 4DCT data. Mange værktøjer er blevet foreslået til måling af fælles kinematik. Motion hud markører kan analysere samlede kropsbevægelser over en lang tid. Denne metode indeholder dog hudbevægelses fejl3. Fælles kinematik bør estimeres ud fra bevægelsen af tilstødende knogler. 2D-3D-registrerings metoden bruger fluoroskopi og udleder 3D kinematik fra sekventielle 2D-billeder. Translationelle fejl er stadig til stede, selv om analyse software har udviklet sig til at højde for dette. Mange nekro undersøgelser har målt fælles kinematik ved at tage CT-billeder i forskellige Kadaver positioner19. Men disse repræsenterer passive bevægelser fra sekventielle statiske 3D-billeder, og dermed afviger kvalitativt fra aktive bevægelser.
Der er flere kritiske trin i denne protokol. Surface-data fra 3DCT skal oprettes, netop fordi denne kvalitet påvirker nøjagtigheden af den oprindelige overflade registrering til den første ramme af 4DCT. Omkring det fælles område kan tærsklen for knogle cortex være forskellig fra knogle akslen. Tærskel justering vil være nødvendig, når grænsen af knogle cortex er uklar. Når overfladen registrering af alle frames er færdig, rekonstrueret bevægelse skal kontrolleres. Hvis Surface-registrering for én ramme mislykkes, kan automatiseret Surface-registrering genstartes fra den næste ramme ved at vælge Landemærkerne i den næste ramme og gentage protokollen.
4DCT-metoden giver sekventielle volumen data med nøjagtighed næsten så højt som statisk 3DCT, fordi CT DICOM data indeholder absolutte koordinat værdier af alle væv i CT Gantry. Flere undersøgelser har brugt 4dct til undersøgelser af fælles kinematik20,21. Men i de fleste, observatørerne plukket landemærker fra flere rammer og beregnede parametrene (f. eks, vinkler, oversættelse). Disse dataanalyse processer indeholder menneskelige fejl, der fører til målingsfejl. Vores metode til overflade registrering giver høj nøjagtighed billed matchning. Når de er afbildet, kan Landemærkerne for parametrene spores i henhold til overfladens form i hver ramme. Teoretisk set giver manuel overflade segmentering for alle 4DCT-rammer de mest nøjagtige data, men denne proces er alt for tidskrævende. For nylig, 4DCT er blevet brugt til motion analyse for håndled leddene, fordi karpben knogler er små og overlappede strukturer22. Der har været flere rapporter om automatiseret knogle sporing23,24. Goto et al. analyserede fingerbevægelser ved hjælp af normaliserede korrelationskoefficienter, der registrerer ligheden mellem to billeder25. Vi brugte Surface registrering, fordi positionen af knogle cortex overflade er det vigtigste vartegn for at beskrive fælles kinematik.
Vi benyttede en iterativ nærmeste punkt algoritme til at spore bevægelsen af overflade data i alle rammer. En iterativ nærmeste punkt algoritme matcher to grupper af punktskyer eller overflade data for at minimere Surface-til-Surface-afstanden11 , men har flere ulemper. Denne algoritme bruges generelt til at matche to tætte overflader. Derfor, når de to overflader er placeret fjernt til hinanden, registrering ville ske i den "lokale minimum" position, ikke den sande matchede position26. Vi overvinder denne ulempe ved først at tage tre vartegn i hver knogle. De to overflader er nogenlunde matchede i henhold til disse tre vartegn. Fra disse to positioner fungerer ICP som den tætteste position. Billedhastigheden på 4 DCT er meget kort (0,2 s), så overflade positionen i den aktuelle ramme er tæt på overflade positionen i den næste ramme. I tilfælde af langsom fælles bevægelse, vil det uslebne match trin ikke være nødvendigt for yderligere frame-til-frame sekventiel overflade registrering. Desuden gengives forholdet mellem alle de to knogler ved at matche hele de statiske 3DCT-overflade data til de delvise 4DCT-ramme overflade data. Generelt er knoglen koordinatsystem defineret fra sin helhed12,27. Genopbygning af hele knogle bevægelsen således bidrager til beskrivelsen af fælles vinkler. Denne nøjagtighed afhænger i høj grad af overfladen registrering af den delvise overflade på hele overfladen data. I de repræsentative data viste vi, at tilgængeligheden af over 10% af segmenterne giver tilstrækkelig nøjagtighed for knæleddet.
CT-data giver alle positionelle data inkluderet i CT Gantry-området. Kvaliteten af dataene afhænger udelukkende af kvaliteten af CT-maskinen. Denne metode kan således anvendes på små knogler eller flere knogler såsom karpskelben, som er svære at spore ved 2D-3D registrering.
Flere begrænsninger skal nævnes. For det første afhænger ICP af formen på det delvise segment. ICP er mere præcist, når overfladen har geometriske egenskaber såsom knogle sporer eller kortikale kanter. På den anden side, når overflade formen er symmetrisk, såsom radial hovedet eller sesamoid, vil ICP give en forkert rotation af den oprindelige overflade. Desuden afhænger ICP også af kvaliteten af overflade data. I tilfælde af osteoporotiske knogler afhænger overfladen genopbygning i høj grad af manuel segmentering. Det kan føre til interobserver-fejl. For nylig er datamatiseret vævs segmentering på CT-skiver blevet udviklet. Men, menneskelig manuel segmentering er stadig betragtes som mere pålidelige, når de identificerer specifikke væv28,29. Selvom kvaliteten af CT-billedet ikke kan ændres, kan andre begrænsninger overvindes ved manuel overflade segmentering og registrering. For det andet, når det fælles beslutningsforslag er for hurtigt, kan denne metode ikke spore knogle bevægelserne, fordi CT-billederne bliver slørede30. Registrering af ramme-til-ramme-Surface mislykkes, fordi de to overflader er for fjerne. Tolerabel hastighed afhænger af målet joint, fordi den fælles morfologi påvirker succesraten for overfladen registrering. Undersøgelser af hastigheds tolerance for hver fælles vil være behov for i fremtiden. Desuden, fælles bevægelse bør udføres inde i CT Gantry. Derfor, til analyse af lastning kinematik, optiske sensorer eller 2D-2D registrering er bedst.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Forfatterne har ingen konkurrerende finansielle interesser.
Acknowledgments
Denne undersøgelse blev godkendt af den institutionelle revisions bestyrelse i vores institution (godkendelsesnummer: 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).
