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.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.