본 연구는 PointNet—요추 척추체 점군(point cloud)으로 학습된 딥 신경망—을 활용하여 나사(screw) 궤적을 정의하기 위한 새로운 프레임워크를 제시하며, 수기(manual) 수술 계획 절차를 개선하고자 한다. 기존 PointNet의 아키텍처는 다양한 척추 방향을 수용하고 6개의 값을 예측하도록 수정되었고, 이를 선형 궤적을 정의하는 두 개의 제어 점(control point)으로 재구성하였다. 예측된 궤적이 정답(ground-truth) 궤적과 일치하도록 맞춤형 손실함수(custom loss function)를 설계하였다. 신경망은 척추체 4,284개의 점군으로 학습하였으며, 28개의 보지 않은 점군(unseen point cloud)을 사용하여 모델 성능을 전방(이동) 오차(translational error), 각도 오차(angular error), 임상적 정확도를 기준으로 평가하였다. 좌측 페디클(left pedicle)의 경우, 평균 이동 오차는 진입점(entry point)에서 1.5 ± 0.8 mm, 표적점(target point)에서 2.3 ± 1.2 mm였다. 우측 페디클(right pedicle)의 경우, 평균 이동 오차는 진입점에서 1.5 ± 0.7 mm, 표적점에서 2.3 ± 1.0 mm였다. 평균 각도 오차는 좌측 페디클에서 3.5 ± 2.3°, 우측 페디클에서 3.9 ± 1.7°였다. 임상적으로 신경망은 척추관(spinal canal)에서 내측 피질(medial-cortical) 침범 없이 56개 중 52개의 궤적을 생성하였다. 학습된 신경망은 다양한 척추 방향에서 실행 가능한 나사 궤적을 생성함으로써 기술적 및 임상적 정확도 측면에서 유망한 결과를 보였다. 제안된 프레임워크에 척추 분할(segmentation) 네트워크를 통합하면 향후 완전 자동화된 수술 계획이 가능할 수 있다.

목적: 본 연구에서는 평균 인구 모델을 기반으로 한 자동 컴퓨터 보조 수술 계획 접근법을 정립하고자 하였다. 방법: 우리는 Advanced Normalization Toolkits(ANTs)와 Shapeworks를 사용하여 상완골(humerus) 데이터셋으로부터 평균 인구 모델을 구축하였다. 실험에는 (1) 수술 계획 이전 단계에서의 평균 인구 모델 평가와 (2) 평균 인구 모델 구축 과정에 사용되지 않은 새로운 데이터셋에서 상완골의 임상적 랜드마크를 예측하는 상황에서 평균 인구 모델의 검증이 포함된다. 평가 실험은 설명분산(explained variation) 및 거리 모델(distance model)로 구성된다. 검증 실험에서는 전문가가 결정한 임상적 지표(ground truth)와 평균 인구 모델에서 새로운 데이터셋으로 전이된 랜드마크 간의 제곱근평균오차(root-mean-square error, RMSE)를 계산하였다. 결과: ANTs로 구축한 템플릿을 사용하였을 때의 평가 및 검증 결과는 Shapeworks로 생성한 평균 형(mean shape)을 사용하였을 때와 비교하였다. ANTs로 구축한 평균 인구 모델은 전문가가 결정한 지표와 비교했을 때 수용 가능한 오차로 새로운 데이터셋에서 임상 위치를 예측할 수 있었다. 그러나 Shapeworks로 구축한 평균 형에 비해 ANTs로 구축한 템플릿은 랜드마크 예측 정확도가 더 우수하였다. 결론: 평균 인구 모델은 평균 인구 모델을 생성하는 데 사용된 데이터셋에 포함되지 않은 새로운 환자에 대해 해부학적 랜드마크를 자동으로 점검하고 수술 결정을 추적하는 데 활용될 수 있다.

X선 영상(X-ray imaging)은 X선 유도 혈관 중재 시술 절차에서 가장 흔히 사용되는 영상 양식이다. 컴퓨터 단층촬영(computed tomography, CT) 데이터는 시술을 시작하기 전 의료진에게 신체 부위의 위치 정보를 제공함으로써, 시술이 정확하고 안전하게 수행되도록 보장한다. 특히 섬세한 시술에 사용되는 카테터의 3차원(three-dimensional, 3D) 위치를 정확하게 계산하기 위해서는 영상 장비의 정확한 기하학적 정보가 필수적이다. 그러나 수술 전에 이러한 정보를 수집하기는 어렵다. 따라서 본 연구는 시술 직전에 즉시 사용할 수 있으면서도 시술의 안정성을 보장할 수 있는 새로운 보정(calibration) 방법을 제안한다. 보정은 3D CT 영상 획득 과정에서 얻은 시노그램(sinogram) 데이터를 사용하여 추가적인 방사선 촬영 없이 수행하였고, 혈관 중재 시술실에서 사용 가능한 계산 정확도와 계산 시간 모두 허용 범위 내에 있었다. 실험 결과, 계산과 정확도 관점에서 최적의 각도 조건은 각도 범위 −40도에서 40도 사이이며 각도 간격 1.6도일 때로 나타났다. 그 결과, 계산 시간 2.92 s, 평균 정확도 0.36 mm를 달성하였으며, 이는 계산에 소요되는 1분 이내에 정확도 1 mm 미만이라는 목표를 충족한다.