Summary
Denna studie syftar till att skapa en 3D-printad modell av en patientspecifik ländkota, som innehåller både kot- och ryggmärgsmodeller smälta från högupplöst datortomografi (HRCT) och MRI-Dixon-data.
Abstract
Selektiv dorsal rhizotomi (SDR) är en svår, riskabel och sofistikerad operation, där en laminektomi inte bara ska exponera ett adekvat kirurgiskt synfält utan också skydda patientens ryggmärg från skada. Digitala modeller spelar en viktig roll i SDR: s för- och intraoperation, eftersom de inte bara kan göra läkare mer bekanta med den anatomiska strukturen på operationsplatsen utan också ge exakta kirurgiska navigationskoordinater för manipulatorn. Denna studie syftar till att skapa en digital 3D-modell av en patientspecifik ländkota som kan användas för planering, kirurgisk navigering och träning av SDR-operationen. 3D-utskriftsmodellen är också tillverkad för effektivare arbete under dessa processer.
Traditionella ortopediska digitala modeller förlitar sig nästan helt på datortomografi (CT) -data, vilket är mindre känsligt för mjuka vävnader. Fusion av benstrukturen från CT och den neurala strukturen från magnetisk resonanstomografi (MRT) är nyckelelementet för modellrekonstruktionen i denna studie. Patientens specifika digitala 3D-modell rekonstrueras för det kirurgiska områdets verkliga utseende och visar noggrann mätning av interstrukturella avstånd och regional segmentering, vilket effektivt kan hjälpa till vid preoperativ planering och träning av SDR. Det transparenta benstrukturmaterialet i den 3D-tryckta modellen gör det möjligt för kirurger att tydligt skilja det relativa förhållandet mellan ryggmärgen och ryggradsplattan i det opererade segmentet, vilket förbättrar deras anatomiska förståelse och rumsliga känsla av strukturen. Fördelarna med den individualiserade digitala 3D-modellen och dess exakta förhållande mellan ryggmärgsnerv och benstrukturer gör denna metod till ett bra val för preoperativ planering av SDR-kirurgi.
Introduction
Spastisk cerebral pares drabbar över hälften av alla barn med cerebral pares1, vilket leder till senkontrakturer, onormal skelettutveckling och minskad rörlighet, vilket i hög grad påverkar livskvaliteten hos drabbade barn2. Som den huvudsakliga kirurgiska metoden för behandling av spastisk cerebral pares har selektiv dorsal rhizotomi (SDR) validerats fullt ut och rekommenderats av många länder 3,4. Den invecklade och högriskkaraktären av SDR-kirurgi, inklusive exakt skärning av lamina, positionering och dissociation av nervrötter och avskiljning av nervfibrer, utgör emellertid en betydande utmaning för unga läkare som just börjat engagera sig i SDR i klinisk praxis; Vidare är inlärningskurvan för SDR mycket brant.
I traditionell ortopedisk kirurgi måste kirurger mentalt integrera alla preoperativa tvådimensionella (2D) bilder och skapa en 3D-kirurgisk plan5. Detta tillvägagångssätt är särskilt svårt för preoperativ planering som involverar komplexa anatomiska strukturer och kirurgiska manipulationer, såsom SDR. Med framsteg inom medicinsk bildbehandling och datorteknik kan 2D-axiella bilder, såsom datortomografi (CT) och magnetisk resonanstomografi (MRT) bearbetas för att skapa virtuella 3D-modeller med patientspecifik anatomi6. Med förbättrad visualisering kan kirurger analysera denna bearbetade information för att göra mer detaljerade diagnoser, planering och kirurgiska ingrepp skräddarsydda för patientens tillstånd. Under de senaste åren har tillämpningen av multimodal bildfusionsteknik inom ortopedi gradvis uppmärksammats7. Denna teknik kan smälta CT- och MR-bilder, vilket avsevärt förbättrar noggrannheten hos den digitala 3D-analoga modellen. Tillämpningen av denna teknik i preoperativa modeller av SDR har emellertid inte undersökts ännu.
Noggrann positionering av lamina och ryggmärgsnerven och exakt skärning under SDR-kirurgi är avgörande för framgångsrika resultat. Vanligtvis bygger dessa uppgifter på experternas erfarenhet och bekräftas upprepade gånger av en C-arm under operationen, vilket resulterar i en komplex och tidskrävande kirurgisk process. Den digitala 3D-modellen fungerar som grund för framtida SDR-kirurgisk navigering och kan också användas för preoperativ planering av laminektomiprocedurer. Denna modell smälter samman benstrukturen från CT och ryggmärgsstrukturen från MR och tilldelar olika färger till ländryggskotsektionerna markerade för skärning enligt operationsplanen. Sådana holografiska 3D-utskriftsmodeller för SDR underlättar inte bara preoperativ planering och simulering, utan matar också ut exakta 3D-navigationskoordinater till den intraoperativa robotarmen för exakt skärning.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Alla data kommer från den kliniska patienten, vars SDR-operation utfördes på BJ Dongzhimen Hospital. Protokollet följer riktlinjerna från och godkändes av Dongzhimen Hospital forskningsetiska kommitté.
Hela kartan över modellrekonstruktionsprotokollet visas i figur 1. Högupplösta datortomografidata (HRCT) och Dixon-data är råmaterial för modellering; sedan består skapandet av 3D-modellen av bildregistrering och fusion. Den slutliga digitala 3D-modellen skrivs ut med PolyJet-teknik, som är en 3D-utskriftsprocess med hög precision som producerar smidiga och exakta delar med ett brett utbud av material. För att beskriva det rumsliga förhållandet mellan kotan och ryggmärgsnerven exakt används HRCT-data och Dixon-bildserier. Dixon-skanningen kan identifiera vatten- och fettseparationsbilder, där Dixon-vattenfasbildserien kan användas för att extrahera strukturen i ryggmärgen, och Dixon-in-fasbildserien kan användas för att kontrollera registreringen av benstrukturen.
Figur 1: Hela kartan över protokollet. Forskningsmetodiken för denna studie innefattar fusion av CT och magnetisk resonans Dixon-sekvenser. Specifikt registreras CT-kotstrukturen med den identiska kotstrukturen som finns i Dixon-in-sekvensen, följt av fusion med Dixon-w-sekvensen för ryggradsnerven. Klicka här för att se en större version av denna figur.
1. Insamling och förberedelse av data
- Högupplöst CT för ryggkotor
OBS: Parameterskillnaden är inte känslig för forskningsmetoden.- Ställ in dataresurserna från CT-maskinstationen.
OBS: Här används SIEMENS-CTAWP73396 CT-maskinen. - Öppna Syngo CT 2012B-programvaran för att ta emot data från skanningsprotokollet SpineRoutine_1. Välj pixelstorlek och segmenttjocklek (ST) för datauppsättningen för att anpassa sig till storleken på kotorna som är avsedda att representeras i den digitala 3D-modellen.
- Använd en ST på 1 mm med en matrisstorlek på 512 pixlar x 512 pixlar, där pixelavståndet är 0,3320 mm. Den faktiska storleken på den uppnådda 3D-volymen är 512 x 512 x 204 voxlar.
- Ställ in dataresurserna från CT-maskinstationen.
- Dixonsekvens för ryggmärgsnerven
OBS: En 1,5 T MR-maskin används i denna studie.- Ställ in Dixon-bildupplösningen som 290 pixlar x 320 pixlar, pixelavståndet som 0,9375 mm och segmenttjockleken som 3 mm för att få exakta data.
- Ställ in repetitionstiden som 5,160 ms och Echo Time som 94 ms.
- Se till att varje skannat lager består av fyrfasbilder, som är Dixon-in, Dixon-opp, Dixon-F och Dixon-w.
- Förbered datalagringsfiler för modellrekonstruktion.
OBS: En väldefinierad datalagringsstruktur är bekvämare för uppföljningsarbete.- Skapa en projektmapp som innehåller alla data som tillhör patienten.
- Förbered olika filsökvägar för HRCT- och MRI-Dixon-data genom att skapa olika mappar för DICOM-data (Digital Imaging and Communications in Medicine).
- Gör en separat mapp under projektet för alla analysresultat.
2. Den digitala ryggkotmodellen i 3D
OBS: Alla delprocessfunktioner kommer från programvaruverktyg, vars egendom tillhör Beijing Intelligent Entropy Science & Technology Co Ltd.
- Anropa Dicom2Mat-delprocessen på MATLAB-arbetsplatsen för att hämta 3D-volymen från DICOM-filerna som lagras i HRCT-datamappen.
- När du har genomgått Dicom2Mat-underprocessen visar du varje segment i 3D-volymen via det grafiska användargränssnittet (GUI), som visas i figur 2.
- Visualisera sedan intensitetsfördelningen av ryggkotornas HRCT-data med histfunktionen (figur 3).
- Anropa NoiseClean-underprocessen för att radera signalbrus som bildas av enheten under HRCT-datafilens sökvägar.
- Använd delprocessen Kotfunktion under samma väg för att få kotmodellen, som också är en 3D-volym men endast med benstrukturen (figur 4). Högpassfilterparametrarna, intensiteten sträcker sig från 190 till 1 656.
3. Den digitala ryggmärgsmodellen i 3D
OBS: Dixon-in innehåller benstruktur, medan Dixon-w beskriver neural struktur.
- Använd Dicom2Mat-delprocessen i båda banorna i Dixon-in- och Dixon-w-sekvenserna och få deras 3D-volym.
- Visualisera dessutom varje enskilt segment som utgör en 3D-volym med hjälp av det grafiska användargränssnittet som presenteras i figur 5. Öppna den här visualiseringen när Dicom2Mat-delprocessen har slutförts.
- Använd funktionen Spinal_Nerve för att rekonstruera ryggmärgsmodellen med högpassfilterparametrar, intensiteten sträcker sig från 180 till 643. Eftersom signalerna från nerven i Dixon-w-sekvensen är mycket höga, extrahera ryggmärgens 3D-volym genom att filtrera bort punkter med låg intensitet.
- När den Spinal_Nerve underprocessen är klar kontrollerar du modellen som genereras i det grafiska användargränssnittet som visas i figur 6.
4. Registrering och fusion
OBS: Den viktigaste insikten är att benarkitektur finns i både HRCT- och Dixon-in-bildsekvens.
- Kopiera de tre 3D-volymer som hittills erhållits till filsökvägen för projektet som gjordes i steg 3.1. Modellerna från HRCT och Dixon-in har samma kotstruktur, och modellerna från Dixon-in och Dixon-w har samma koordinater.
- Placera sedan de tre modellernas filnamn i vertebra_fusion-underprocessen som indata för att generera fusionsmodellen. Detta kan visualiseras i figur 7.
- Fusionen är vanligtvis bra gjort. Om finjustering är nödvändig ur läkarens perspektiv, lägg till koordinatparametrar i alla riktningar till samma funktion för att korrigera fusionsmodellen. Om små fel observeras vid fusion ur ett kliniskt perspektiv, använd funktionen vertebra_fusion för att finjustera fusionskoordinaterna. Denna process innefattar parameterjusteringar av de sex dimensionerna av koordinatriktning (XYZ-koordinater och deras rotation).
- Skapa en separat mapp i projektkatalogen för att mata ut resultatet av fusionsmodellen.
5. Digitala modellfiler för 3D-utskrift
OBS: En fullt utvecklad 3D-utskriftsapparat används för tillverkning av ovannämnda digitala modell, med implementering av Delaunay-trianguleringar. Här användes Stratasys J55 Prime 3D-skrivare.
- Exportera fusionsmodellerna som ska användas för 3D-utskrift i DICOM-formatsekvenser under filsökvägen i fusionskatalogen. Använd Mat2Dicom-algoritmen för att utföra exportåtgärden genom att mata in fusionsmodellen.
- Öppna DICOM-filsekvensen som exporterats tidigare med Materialise Mimics V20. För att utföra exportåtgärden, navigera till menyn Exportera under fliken Arkiv och välj VRML-formatet. Filvägen för exporten kan fritt anpassas enligt användarens krav.
- Eftersom transparent färgstark 3D-utskrift är en professionell tjänst, komprimera och packa VRML-filerna och skicka dem till tjänsteleverantören. Resultatet av 3D-utskriften visas i figur 8.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Baserat på CT/MR-bildfusionsdata för ländryggen hos barn med cerebal pares skapade vi en representativ modell av ländryggen i kombination med ryggmärgsnerver. Högpassfiltrering användes för att extrahera den höga signalen i CT-värdeintervallet 190-1 656 från HRCT, för att uppnå rekonstruktion av benstrukturen i ländryggen i operationsområdet. Spinalnervstrukturer rekonstruerades genom högpassfiltrering av Dixon-w-sekvenser i MRT. Den digitala modellen och punktmolnsdatakoordinaterna för ländryggsstrukturen och spinalnervfusionen erhölls genom styv registrering, och filen sparades i stereolitografi (STL) -format för datamätning och vidare tryckbehandling. STL digitala modellfiler konverteras till VRML-format för överföring till Stratasys J55 Prime 3D-skrivare. För att aktivt demonstrera operationsområdets anatomi under SDR-operationen tryckte vi benen i transparent harts och tryckte de andra delarna i olika färger. Den 3D-utskrivna modellen kan sedan avslöja det rumsliga förhållandet mellan viktiga kirurgiska platser i SDR för kirurger och patienter under preoperativ planering och träning.
Den erhållna personliga 3D-ländryggsmodellen ger möjlighet till preoperativ planering och träning av SDR. Olika färgfärger används för att fläcka och skilja strukturerna, såsom ben och nerver. Som visas i figur 8 färgas ryggmärgsnervstrukturen gul, och lamina av L4- och L5-segment i motsvarande operationsområde kännetecknas av röd respektive blå färgning. Benstrukturen skrivs ut med ett transparent hartsmaterial, som har ett bra perspektiv, vilket gör det möjligt för läkare att observera nervstrukturen under lamina genom benstrukturen. Den personliga, anpassade modellen återställer verkligen motsvarande förhållande mellan ländryggsbenstrukturen i operationsområdet och ryggradsnervens anatomi, vilket gör det möjligt för läkare att bättre definiera lämplig skärriktning och intervall före operationen.
Bild 2: Det grafiska användargränssnittet för segment i volymen från HRCT-data. Genom GUI som visas i figuren kan kirurger se ryggradsstrukturen i alla CT-data. Klicka här för att se en större version av denna figur.
Figur 3: Intensitetsfördelningen av HRCT-data för kotor. Denna kvantitativa information är till hjälp vid bestämning av filtreringsområdet för ryggkotans struktur. Klicka här för att se en större version av denna figur.
Figur 4: GUI för ryggkotornas 3D-volym. Figuren visar de tre vyerna av ryggkotorna och 3D-volymen samtidigt. Genom detta GUI kan kirurger observera ryggkotorna hos patienter från önskat perspektiv. Klicka här för att se en större version av denna figur.
Figur 5: GUI för segment i volymen från Dixon-in och Dixon-w. Dixon-avbildning kan snabbt bläddras och bilderna av patienternas ryggkotor och ryggmärgsnerver kan kontrolleras. Klicka här för att se en större version av denna figur.
Figur 6: GUI för 3D-volymen i ryggmärgen. 3D-rekonstruktionen av patientens Dixon-w-sekvens för att observera 3D-strukturen hos patientens ryggmärg. Klicka här för att se en större version av denna figur.
Figur 7: Fusionsmodellens grafiska gränssnitt (digital 3D-volym). 3D-volymen innehåller både ryggradsstrukturen från CT-data och 3D-strukturen hos ryggmärgen från magnetisk resonans. Klicka här för att se en större version av denna figur.
Figur 8: 3D-utskriftsmodellen för SDR-planering och utbildning. Den transparenta färgglada 3D-utskriftsmodellen visar den anatomiska strukturen i området där SDR-kirurgi behöver utföras på patienten. Klicka här för att se en större version av denna figur.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Denna studie ger ett arbetsflöde för att etablera en preoperativ 3D-utskriftsmodell av ländryggen hos patienter med cerebral pares, i syfte att underlätta preoperativ planering för SDR-kirurgi och förbättra anatomisk träning baserat på patientens specifika modell. Studien syftar till att etablera en mycket tillförlitlig 3D-printad modell som noggrant visar patientens ländrygg, kotor och nervstrukturer. Genom att mäta positionen för lamina och ryggmärgen i modellen före operationen kan exakt planering av laminaskärningen uppnås, vilket leder till optimering av kirurgiska ingrepp och förvärv av behärskning inom SDR-kirurgisk teknik.
Det primära nyckelsteget som undersöktes i denna studie var fusionen av CT- och Dixon-sekvenser. Fusionen förlitade sig på närvaron av samma benstrukturer i både CT-data och Dixon-in-sekvenser, liksom det faktum att Dixon-in- och Dixon-w-data var i samma koordinatsystem. Detta möjliggjorde den slutliga fusionen av ryggmärgen och ryggradsbenstrukturerna. Det andra viktiga steget var användningen av färgtransparent tryckteknik för att tillverka den digitala 3D-modellen. Denna tryckteknik kunde lyfta fram patientens anatomiska strukturer, den exakta platsen för laminektomi och den relativa positionen för intervertebrala foramina och nervrötter.
Under de senaste decennierna har många kirurgiska team utvecklat innovativa tekniker för SDR8,9, med ett primärt fokus på att minimera ryggmärgsskador under proceduren. Detta härrör från den väletablerade effekten av långsegmentkirurgi vid spasmavlastning, tillsammans med oro över effekterna av omfattande laminektomi på ryggradsstabilitet10. Framgångsrik SDR-kirurgi kräver en kritisk laminektomi, vilket kräver både tillräckliga snitt av lamina för att möjliggöra ytterligare neurokirurgisk manipulation och bevarande av tillräckligt med lamina för att undvika spinal destabilisering. Exakt laminär skärning utan skador eller negativa effekter under operationen kräver en omfattande förståelse av skärets position, storlek och sektion. För närvarande bygger preoperativ SDR-utvärdering främst på CT / MR-avbildning och klinisk erfarenhet, som kanske inte helt uppfyller kraven för exakta skäroperationer. Under de senaste åren har tillämpningen av multimodal bildfusion inom ryggkirurgi visat stort potentiellt värde, medan relevant forskning fortfarande är sällsynt. Således syftade denna studie till att smälta samman preoperativ CT och MR i ländryggen för att rekonstruera en digital 3D-modell som exakt representerar både benstrukturen och ryggmärgen. Den rekonstruerade digitala 3D-modellen var ytterligare 3D-printad och kunde användas för effektiv kommunikation mellan läkare och patient och preoperativ planering. Modellens exakta positionering av ländryggens nervrotsutlopp möjliggjorde en bättre förståelse för det rumsliga förhållandet mellan kotorna och nervroten, vilket underlättar en effektiv operation för både kirurger och kirurgiska robotar.
Vidare uppvisar barn med cerebral pares distinkt ryggrads- och skelettutveckling, kännetecknad av en hypoplastisk trabekulär benmikrostruktur, tunn cortex och låg benstyrka11. Dessa unika anatomiska egenskaper och komplexa manipulationer gör SDR-kirurgi utmanande att bemästra. Därför använde vi 3D-utskriftsteknik för att tillverka anatomiskt exakta ländryggskotor modeller av verkliga patienter, vilket ger en objektiv referens för kirurgiskt lärande. Denna teknik är idealisk för mindre erfarna kirurger och kan potentiellt minska inlärningstiden12. Dessutom erbjuder individuellt anpassade modeller den extra fördelen att helt återställa patientens unika struktur, vilket ger värdefull insikt för dem med komplexa anatomiska variationer13,14.
Högkvalitativ initial bildinsamling är avgörande för framgångsrik 3D-utskrift15. I denna studie erhölls en realistisk och exakt 3D-utskriftsmodell genom registrering av HRCT- och MR-data. Transparent utskrift av benstrukturen och färgning av laminernas planeringsområde förbättrade ytterligare modellens intuitiva representation av kirurgisk anatomi. Traditionellt förvärvar kirurger kirurgiska färdigheter främst i operationssalen, vilket ökar riskerna med kirurgi när yngre kirurger först försöker förvärva sådana färdigheter i praktiken12. Med objektiva fysiska 3D-utskriftsmodeller kan seniorkirurger lättare kommunicera sin kirurgiska erfarenhet till yngre läkare. Dessutom kan 3D-utskriftsmodellerna unikt ge individer simulerad kirurgisk utbildning baserad på en verklig patientstrukturell rekonstruktion, vilket potentiellt påskyndar läkarinlärningsprocessen för SDR samtidigt som säkerheten för medicinska procedurer förbättras. Sammantaget är detta tillvägagångssätt mycket lovande när det gäller att förbättra kirurgisk utbildning och förbättra patientresultaten.
För närvarande är tillämpningen av 3D-utskrift inom ortopedi fortfarande i prospekteringsstadiet, och befintlig biomaterialteknik misslyckas med att exakt representera materialen i olika mänskliga vävnader och simulera biomekaniken i lederna5. Under en laminektomi är de elastiska modellerna av olika vävnader komplexa och utsatta för störningar genom skivrörelse och andningsrörelse16,17. Därför kan denna studie inte helt replikera det verkliga tillståndet hos den intraoperativa patienten under skäroperationen, vilket kräver ytterligare forskning om 3D-utskriftsmodellen inom biomekanik och materialvetenskap. Dessutom kan fusionsproceduren som används i denna studie förbättras ytterligare om en koordinatregistreringsmetod kan utformas under de medicinska avbildningsprocedurerna för både CT- och MR-utrustningen, vilket potentiellt förbättrar noggrannheten.
Om en koordinatregistreringsmetod kan utformas under medicinska avbildningsprocedurer för både CT- och MR-utrustning, kan fusionsproceduren i denna studie ytterligare förbättra noggrannheten. Den förväntade gradvisa förbättringen i denna del av forskningen pågår. För närvarande kan modellen inte helt visa information om ryggmärgsfiberbuntar. I det kommande vetenskapliga arbetet kommer diffusionstensoravbildning att användas ytterligare för att spåra spinalnervfiberbuntar och smälta samman för att få en mer detaljerad 3D-digital modell för SDR.
Sammanfattningsvis ger 3D-utskriftsmodellen för SDR i denna studie inte bara detaljerade och exakta data för preoperativ planering, utan ger också ett kärnmedium för SDR-träning. Modellen lyckas smälta samman benstruktur från CT med mjukvävnadsstruktur från MR. Framgången för detta bildgruppsfusionsparadigm utnyttjar respektive fördelar med två viktiga medicinska bildkällor för att bilda ett komplement. Detta forskningsparadigm kommer också att spela en lika viktig roll inom andra områden av medicinsk bilddiagnostik, behandling och prognosutvärdering.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
De digitala modellerna i denna studie rekonstrueras av medförfattaren Fangliang Xing.
Acknowledgments
Denna publikation stöddes av Beijing Municipal Natural Science Foundation (L192059).
Materials
| Name | Company | Catalog Number | Comments |
| J55 Prime 3D-Printer | Stratasys | J55 Prime | Manufacturing the model |
| MATLAB | MathWorks | 2022B | Computing and visualization |
| Mimics | Materialise | Mimics Research V20 | Model format transformation |
| Tools for volum fusion | Intelligent Entropy | VolumeFusion V1.0 | Beijing Intelligent Entropy Science & Technology Co Ltd. Modeling for CT/MRI fusion |
References
- Rosenbaum, P., et al. A report: the definition and classification of cerebral palsy April 2006. Developmental Medicine and Child Neurology. Supplement. 109, 8-14 (2007).
- Krigger, K. W.
- Davidson, B., Fehlings, D., Milo-Manson, G., Ibrahim, G. M. Improving access to selective dorsal rhizotomy for children with cerebral palsy. Canadian Medical Association Journal. 191 (44), E1205-E1206 (2019).
- Buizer, A. I. Selective dorsal rhizotomy in children with cerebral palsy. The Lancet. Child & Adolescent Health. 3 (7), 438-439 (2019).
- Wong, K. C.
- Wong, K. C., Kumta, S. M., Geel, N. V., Demol, J. One-step reconstruction with a 3D-printed, biomechanically evaluated custom implant after complex pelvic tumor resection. Computer Aided Surgery. 20 (1), 14-23 (2015).
- Zhu, R., Li, X., Zhang, X., Ma, M. MRI and CT medical image fusion based on synchronized-anisotropic diffusion model. IEEE Access. 8, 91336-91350 (2020).
- Park, T. S., Gaffney, P. E., Kaufman, B. A., Molleston, M. C. Selective lumbosacral dorsal rhizotomy immediately caudal to the conus medullaris for cerebral palsy spasticity. Neurosurgery. 33 (5), 929-934 (1993).
- Sindou, M., Georgoulis, G. Keyhole interlaminar dorsal rhizotomy for spastic diplegia in cerebral palsy. Acta Neurochirurgica. 157 (7), 1187-1196 (2015).
- Peacock, W. J., Staudt, L. A. Selective posterior rhizotomy: evolution of theory and practice. Pediatric Neurosurgery. 17 (3), 128-134 (1991).
- Vitrikas, K., Dalton, H., Breish, D.
- Niikura, T., et al. Tactile surgical navigation system for complex acetabular fracture surgery. Orthopedics. 37 (4), 237-242 (2014).
- Lepisto, J., Armand, M., Armiger, R. S. Periacetabular osteotomy in adult hip dysplasia-developing a computer aided real-time biome-chanical guiding system (BGS). Finnish Journal of Orthopaedics and Traumatology. 31 (2), 186-190 (2008).
- Armiger, R. S., Armand, M., Tallroth, K., Lepisto, J., Mears, S. C. Three-dimensional mechanical evaluation of joint contact pressure in 12 periacetabular osteotomy patients with 10-year follow-up. Acta Orthopaedica. 80 (2), 155-161 (2009).
- Rengier, F., et al. 3D printing based on imaging data: review of medical applications. International Journal of Computer Assisted Radiology and Surgery. 5 (4), 335-341 (2010).
- Jiang, Z., et al. Model-based compensation of moving tissue for state recognition in robotic-assisted pedicle drilling. IEEE Transactions on Medical Robotics and Bionics. 2 (3), 463-473 (2020).
- Setton, L. A., Chen, J. Mechanobiology of the intervertebral disc and relevance to disc degeneration. The Journal of Bone and Joint Surgery. American. 88, 52-57 (2006).
