מודל הדפסה תלת מימדית של החוליה המותנית הספציפית של המטופל

Summary

מחקר זה נועד ליצור מודל מודפס בתלת-ממד של חוליה מותנית ספציפית למטופל, המכיל הן את החוליות והן את המודלים של עצבי עמוד השדרה המאוחים מטומוגרפיה ממוחשבת ברזולוציה גבוהה (HRCT) ומנתוני MRI-Dixon.

Abstract

ריזוטומיה גבית סלקטיבית (SDR) היא פעולה קשה, מסוכנת ומתוחכמת, שבה כריתת למינקטומיה אמורה לא רק לחשוף שדה ראייה כירורגי הולם, אלא גם להגן על עצבי עמוד השדרה של המטופל מפני פגיעה. מודלים דיגיטליים ממלאים תפקיד חשוב לפני ותוך הפעולה של SDR, מכיוון שהם יכולים לא רק להכיר יותר את המבנה האנטומי של האתר הכירורגי, אלא גם לספק קואורדינטות ניווט כירורגיות מדויקות עבור המניפולטור. מחקר זה נועד ליצור מודל דיגיטלי תלת-ממדי של חוליה מותנית ספציפית למטופל שניתן להשתמש בו לתכנון, ניווט כירורגי ואימון של פעולת SDR. מודל ההדפסה התלת-ממדית מיוצר גם לעבודה יעילה יותר בתהליכים אלה.

מודלים דיגיטליים אורתופדיים מסורתיים מסתמכים כמעט לחלוטין על נתוני טומוגרפיה ממוחשבת (CT), שהיא פחות רגישה לרקמות רכות. איחוי מבנה העצם מ-CT והמבנה העצבי מהדמיית תהודה מגנטית (MRI) הוא מרכיב המפתח לשחזור המודל במחקר זה. המודל הדיגיטלי התלת-ממדי הספציפי של המטופל משוחזר למראה האמיתי של אזור הניתוח ומציג מדידה מדויקת של מרחקים בין-מבניים ופילוח אזורי, מה שיכול לסייע ביעילות בתכנון והכשרה טרום ניתוחיים של SDR. מבנה העצם השקוף של המודל המודפס בתלת-ממד מאפשר למנתחים להבחין בבירור בקשר היחסי בין עצב עמוד השדרה לבין לוחית החוליות של המקטע המנותח, ובכך לשפר את ההבנה האנטומית שלהם ואת התחושה המרחבית של המבנה. היתרונות של המודל הדיגיטלי התלת-ממדי האישי והקשר המדויק שלו בין עצב עמוד השדרה למבני העצם הופכים שיטה זו לבחירה טובה לתכנון טרום ניתוחי SDR.

Introduction

שיתוק מוחין ספסטי משפיע על יותר ממחצית מכלל הילדים עם שיתוק מוחין¹, מה שמוביל להתכווצויות גידים, התפתחות שלד לא תקינה וירידה בניידות, מה שמשפיע מאוד על איכות החיים של הילדים שנפגעו². כשיטה הכירורגית העיקרית לטיפול בשיתוק מוחין ספסטי, ריזוטומיה גבית סלקטיבית (SDR) אומתה במלואה ומומלצת על ידי מדינות רבות ^3,4. עם זאת, אופיו המורכב ועתיר הסיכון של ניתוח SDR, כולל חיתוך מדויק של הלמינה, מיקום ודיסוציאציה של שורשי העצבים וניתוק סיבי עצב, מציב אתגר משמעותי בפני רופאים צעירים שרק מתחילים לעסוק ב- SDR בפרקטיקה קלינית; יתר על כן, עקומת הלמידה של SDR תלולה מאוד.

בניתוחים אורתופדיים מסורתיים, על המנתחים לשלב מנטלית את כל התמונות הדו-ממדיות (2D) לפני הניתוח וליצור תוכנית כירורגית תלת-ממדית⁵. גישה זו קשה במיוחד לתכנון טרום ניתוחי הכולל מבנים אנטומיים מורכבים ומניפולציות כירורגיות, כגון SDR. עם ההתקדמות בדימות רפואי ובטכנולוגיית המחשב, ניתן לעבד תמונות ציריות דו-ממדיות, כגון טומוגרפיה ממוחשבת (CT) והדמיית תהודה מגנטית (MRI) כדי ליצור מודלים וירטואליים תלת-ממדיים עם אנטומיה ספציפית^{למטופל 6}. עם הדמיה משופרת, מנתחים יכולים לנתח מידע מעובד זה כדי לבצע אבחונים, תכנון והתערבויות כירורגיות מפורטות יותר המותאמות למצבו של המטופל. בשנים האחרונות, היישום של טכנולוגיית היתוך תמונה multimodal באורתופדיה משך בהדרגה תשומת לב⁷. טכנולוגיה זו יכולה להתיך תמונות CT ו- MRI, ולשפר מאוד את הדיוק של המודל האנלוגי digital3D. עם זאת, היישום של טכניקה זו במודלים טרום ניתוחיים של SDR עדיין לא נחקר.

מיקום מדויק של הלמינה ועצב עמוד השדרה וחיתוך מדויק במהלך ניתוח SDR הם קריטיים לתוצאות מוצלחות. בדרך כלל, משימות אלה מסתמכות על ניסיונם של מומחים ומאושרות שוב ושוב על ידי זרוע C במהלך הניתוח, וכתוצאה מכך תהליך כירורגי מורכב וגוזל זמן. המודל הדיגיטלי התלת-ממדי משמש כבסיס לניווט ניתוחי SDR עתידי וניתן להשתמש בו גם לתכנון טרום ניתוחי של הליכי למינקטומיה. מודל זה ממזג את מבנה העצם מ-CT ואת מבנה עצב עמוד השדרה מ-MRI, ומקצה צבעים שונים לחלקי החוליות המותניות המסומנים לחיתוך בהתאם לתוכנית הניתוח. מודלים הולוגרפיים כאלה להדפסה תלת-ממדית עבור SDR לא רק מאפשרים תכנון וסימולציה טרום ניתוחיים, אלא גם מפיקים קואורדינטות ניווט תלת-ממדיות מדויקות לזרוע הרובוטית התוך ניתוחית לחיתוך מדויק.

Protocol

כל הנתונים מגיעים מהמטופל הקליני, שפעולת SDR שלו בוצעה בבית החולים BJ Dongzhimen. הפרוטוקול עוקב אחר ההנחיות של ועדת האתיקה למחקר של בית החולים דונג-ג'ימן ואושר על ידה.

הערה: המפה המלאה של פרוטוקול שחזור המודל מוצגת באיור 1. נתוני הטומוגרפיה הממוחשבת ברזולוציה גבוהה (HRCT) ונתוני דיקסון הם חומרי גלם למידול; לאחר מכן, יצירת המודל התלת-ממדי מורכבת מרישום תמונה ואיחוי. המודל הדיגיטלי התלת-ממדי הסופי מודפס בטכנולוגיית PolyJet שהוא תהליך הדפסה תלת-ממדית בדיוק גבוה המייצר חלקים חלקים חלקים ומדויקים תוך שימוש במגוון רחב של חומרים. על מנת לתאר בדיוק את הקשר המרחבי בין החוליה לעצב עמוד השדרה, נעשה שימוש בנתוני HRCT ובסדרת התמונות של דיקסון. סריקת דיקסון יכולה לזהות תמונות הפרדת מים ושומנים, שבהן ניתן להשתמש בסדרת תמונות פאזת המים של דיקסון כדי לחלץ את מבנה עצבי עמוד השדרה, וניתן להשתמש בסדרת תמונות הפאזה של דיקסון כדי לבדוק את הרישום של מבנה העצם.

איור 1: כל המפה של הפרוטוקול. מתודולוגיית המחקר של מחקר זה כוללת מיזוג של רצפי CT ותהודה מגנטית של דיקסון. באופן ספציפי, מבנה חוליות ה-CT רשום עם מבנה החוליות הזהה הכלול ברצף דיקסון-אין, ואחריו איחוי עם רצף דיקסון-w עבור עצב עמוד השדרה. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

1. איסוף נתונים והכנתם

1. CT ברזולוציה גבוהה לחוליות
   הערה: הפרש הפרמטרים אינו רגיש לשיטת המחקר.
   1. הגדר את משאבי הנתונים מתחנת מכונת ה- CT.
      הערה: כאן, מכשיר SIEMENS-CTAWP73396 CT משמש.
   2. פתח את תוכנת Syngo CT 2012B כדי לקבל נתונים מפרוטוקול הסריקה SpineRoutine_1. בחר את גודל הפיקסלים ואת עובי הפרוסה (ST) של ערכת הנתונים כדי להתאים לגודל החוליות המיועדות להיות מיוצגות במודל הדיגיטלי התלת-ממדי.
   3. השתמש ב- ST של 1 מ"מ עם גודל מטריצה של 512 פיקסלים x 512 פיקסלים, כאשר המרווח בין הפיקסלים הוא 0.3320 מ"מ. הגודל האמיתי של נפח 3D שהושג הוא 512 x 512 x 204 voxels.
2. רצף דיקסון לעצב עמוד השדרה
   הערה: במחקר זה נעשה שימוש במכשיר MRI 1.5 T.
   1. הגדר את רזולוציית התמונה של Dixon כ- 290 פיקסלים x 320 פיקסלים, את מרווח הפיקסלים כ- 0.9375 מ"מ ואת עובי הפרוסה כ- 3 מ"מ לקבלת נתונים מדויקים.
   2. הגדר את זמן החזרה כ- 5,160 אלפיות השנייה ואת זמן ההד כ- 94 אלפיות השנייה.
   3. ודאו שכל שכבה סרוקה מורכבת מתמונות בנות ארבעה פאזות, שהן Dixon-in, Dixon-opp, Dixon-F ו-Dixon-w.
3. הכן קובצי אחסון נתונים לשחזור מודל.
   הערה: מבנה אחסון נתונים מוגדר היטב נוח יותר לעבודת המשך.
   1. צור תיקיית פרוייקט שתכיל את כל הנתונים השייכים לחולה.
   2. הכן נתיבי קובץ שונים עבור נתוני HRCT ו- MRI-Dixon על-ידי יצירת תיקיות שונות עבור נתוני הדמיה דיגיטלית ותקשורת ברפואה (DICOM).
   3. צור תיקיה נפרדת תחת הפרוייקט עבור כל תוצאות הניתוח.

2. מודל החוליות הדיגיטליות התלת-ממדיות

הערה: כל פונקציות תת-התהליך מגיעות מכלי תוכנה, שרכושם שייך ל-Beijing Intelligent Entropy Science & Technology Co Ltd.

1. התקשר לתהליך המשנה Dicom2Mat במקום העבודה של MATLAB כדי לקבל את אמצעי האחסון התלת-ממדי מקובצי DICOM המאוחסנים בתיקיית הנתונים HRCT.
2. לאחר שעברתם את תהליך המשנה של Dicom2Mat , צפו בכל פרוסה בתוך אמצעי האחסון התלת-ממדיים דרך ממשק המשתמש הגרפי (GUI), כפי שמתואר באיור 2.
3. לאחר מכן, דמיינו את התפלגות העוצמה של נתוני HRCT של החוליות לפי פונקציית hist (איור 3).
4. התקשר לתהליך המשנה NoiseClean כדי למחוק רעשי אות שנוצרו על-ידי ההתקן תחת נתיבי קובץ הנתונים HRCT.
5. השתמשו בתת-התהליך של תפקוד החוליות תחת אותו נתיב כדי לקבל את מודל החוליות, שגם הוא נפח תלת-ממדי אבל רק עם מבנה העצם (איור 4). פרמטרי המסנן במעבר גבוה, העוצמה נעה בין 190 ל -1,656.

3. מודל עצב עמוד השדרה הדיגיטלי התלת-ממדי

הערה: Dixon-in מכיל מבנה עצם, בעוד Dixon-w מתאר מבנה עצבי.

1. השתמש בתהליך המשנה Dicom2Mat בשני הנתיבים של רצפי Dixon-in ו- Dixon-w וקבל את נפח התלת-ממד שלהם.
2. יתר על כן, דמיינו כל פרוסה בודדת שמהווה נפח תלת-ממדי באמצעות ממשק המשתמש הגרפי המוצג באיור 5. גש לתצוגה חזותית זו לאחר השלמת תהליך המשנה של Dicom2Mat .
3. השתמש בפונקציית Spinal_Nerve כדי לשחזר את מודל עצב עמוד השדרה עם פרמטרים של מסנן מעבר גבוה, בעוצמה הנעה בין 180 ל -643. מכיוון שהאותות של העצב ברצף Dixon-w גבוהים מאוד, חלץ את נפח התלת-ממד של עצב עמוד השדרה על ידי סינון נקודות בעוצמה נמוכה.
4. כאשר תהליך המשנה של Spinal_Nerve מסתיים, בדוק את המודל שנוצר בממשק המשתמש הגרפי המוצג באיור 6.

4. רישום ואיחוי

הערה: התובנה העיקרית היא שארכיטקטורת העצם קיימת הן ברצף ההדמיה HRCT והן ברצף ההדמיה של דיקסון.

1. העתק את שלושת אמצעי האחסון התלת-ממדיים שהושגו עד כה לנתיב הקובץ של הפרויקט שנעשה בשלב 3.1. המודלים מ-HRCT ו-Dixon-in כוללים את אותו מבנה חוליות, ולמודלים של Dixon-in ו-Dixon-w יש את אותן קואורדינטות.
2. לאחר מכן, הכניסו את שמות הקבצים של שלושת המודלים לתת-התהליך vertebra_fusion כקלט ליצירת מודל האיחוי. ניתן להמחיש זאת באיור 7.
3. ההיתוך בדרך כלל עשוי היטב. אם יש צורך בכוונון עדין מנקודת מבטו של הרופא, הוסף פרמטרים של קואורדינטות לכל הכיוונים לאותה פונקציה כדי לתקן את מודל האיחוי. אם נצפות שגיאות קלות בהיתוך מנקודת מבט קלינית, השתמש בפונקציית vertebra_fusion כדי לכוונן את קואורדינטות האיחוי. תהליך זה כולל התאמות פרמטרים לששת הממדים של כיוון הקואורדינטות (קואורדינטות XYZ וסיבובן).
4. צור תיקיה נפרדת בספריית הפרוייקט להפקת התוצאה של מודל האיחוי.

5. קבצי מודל דיגיטליים להדפסה תלת מימדית

הערה: מכשיר הדפסה תלת מימדי מפותח במלואו משמש לייצור המודל הדיגיטלי הנ"ל, עם יישום טריאנגולציות Delaunay. כאן, מדפסת Stratasys J55 Prime 3D שימש.

1. יצא את מודלי המיזוג שישמשו להדפסה תלת-ממדית ברצפי תבנית DICOM תחת נתיב הקובץ של ספריית ההיתוך. השתמש באלגוריתם Mat2Dicom כדי לבצע את פעולת הייצוא על ידי הזנת מודל ההיתוך.
2. פתח את רצף הקבצים DICOM שיוצאו בעבר באמצעות Materialise Mimics V20. כדי לבצע את פעולת הייצוא, נווט לתפריט ייצוא תחת הכרטיסייה קובץ ובחר בתבנית VRML. נתיב הקובץ לייצוא ניתן להתאמה אישית חופשית בהתאם לדרישות המשתמש.
3. מכיוון שהדפסת תלת מימד צבעונית ושקופה היא שירות מקצועי, דחסו וארזו את קבצי VRML ושלחו אותם לספק השירות. תוצאת ההדפסה בתלת-ממד מוצגת באיור 8.

תוצאות

בהתבסס על נתוני איחוי תמונות CT/MRI מותני בילדים עם שיתוק מוחין, יצרנו מודל מייצג של עמוד השדרה המותני בשילוב עם עצבי עמוד השדרה. סינון במעבר גבוה שימש לחילוץ האות הגבוה בטווח ערכי CT של 190-1,656 מ- HRCT, כדי להשיג שחזור של מבנה העצם של עמוד השדרה המותני באזור הניתוח. מבני עצבי עמוד השדרה שוחזרו על יד?...

Discussion

מחקר זה מספק זרימת עבודה לביסוס מודל הדפסה תלת-ממדית טרום ניתוחית של עמוד השדרה המותני בחולים עם שיתוק מוחין, במטרה להקל על התכנון הטרום-ניתוחי לניתוח SDR ולשפר את האימון האנטומי המבוסס על המודל הספציפי של המטופל. מטרת המחקר היא לבסס מודל אמין ביותר המודפס בתלת-ממד המדגים במדויק את מבנה החו?...

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