概述 新的医疗器械技术使开发高质量、完全定制化的 3D 打印器械成为可能，有助于提高手术效率并改善患者预后。然而，随着对这些高度定制化器械需求的增长，为适应更高的处理量，在改进工作流的过程中受到了手动操作任务的限制，因为需要投入大量的劳动力和时间。急需克服的一些关键瓶颈包括分割患者图像数据和开展针对患者增材制造设计（Design for Additive Manufacturing，DfAM）的工作流程创建 3D 打印器械。 Simpleware 软件团队与 nTopology 合作，为定制手术导板开发了一个无缝、针对特定患者的设计工作流程，利用支持 AI 的图像处理和设计自动化应对共同的挑战。 图1 亮点 Simpleware – nTopology工 作流程可以高效地将 3D 解剖的 DICOM 数据转换为高质量模型。nTopology 工具利用扫描数据和参考标志点为患者提供功能性和形状匹配的个性化解决方案。通过自动化加速手术导板制作过程可以节省时间、提高产量。 Simpleware中的图像分割 针对本项目中的膝关节 CT 数据，Simpleware 软件中有几种不同的分割选项。手动图像分割涉及对图像数据进行各种操作，包括裁剪、阈值分割和应用掩膜洪水填充去除不需要的部分后获得所需的解剖结构，在这里指的是胫骨。Split regions 工具还可以采用算法标记不同的区域以分割出不同的掩膜，分离出胫骨。此外，Close 和 Cavity fill 等工具可以进一步填充掩膜内部，平滑和创建高质量的三角形表面后导出至 nTopology。 图2：在Simpleware软件中使用Split regions工具进行膝关节分割 然而，这些手动步骤也可以使用一系列基础和更高级的脚本选项实现自动化。比如，在手动分割过程中录制宏，显示和运行所有的功能/操作。脚本可以用 Python 和 C# 编译，包括删除脚本中不需要或不可用的任何工作流步骤。通过重放脚本即可生成相同的输出。更进一步地，还能使用脚本创建一个插件添加到 Simpleware 中，可以设置允许宏在不同阶段运行，取决于仍然需要手动完成的操作（例如 split regions）。 基于AI的机器学习自动化 为了扩展自动化，基于 AI 的机器学习模块 Simpleware AS Ortho / CMF 可以在大约两分钟内完成分割，然后通过脚本执行任何其他的步骤。在该模块还可以选择为分割后的胫骨自动添加标志点作为测量点，用于设计手术导板。 在这个项目中，需要处理大约 50 个患者的胫骨模型。Simpleware AI 解决方案意味着可以快速地完成一个大型的工作流程，不必进行重复的手动分割操作。如果需要将所有的胫骨放在大致相同的位置，标志点则可以作为配准工具的参考点将所有的胫骨表面组合在一起。 图3：使用Simpleware AS Ortho / CMF进行胫骨自动分割 nTopology的设计过程 然后将 Simpleware 软件导出的数据作为 nTopology 软件的输入，用于创建可重复的设计过程。nTopology 可以使工作人员根据患者模型自动生成导板匹配面的共形几何，并根据 Simpleware 软件提供的标志点参数化切割孔和缝的位置。 另外，设计工作流程中包含可制造性的考虑以及结构支撑柱、平齐基底结构的添加。设计流程的输出是为增材制造准备的网格文件。 为胫骨手术导板设计这种完整端到端的工作流程意味着临床医生或技术人员可以轻松地按需更改，例如调整导板的设计、用包含一组特定标志点的患者扫描数据定制切割角度。在设计过程的编码中已经综合考虑了专业的可制造性，因此即使没有工程或设计经验的用户也可以无门槛地使用该工作流。 图4：nTopology软件中的最终手术导板 使用脚本自动生成设计 采用这种方法，有一个清晰的路径可以改进和自动化设计患者个性化器械的生成。一旦为单个切割导板创建并验证了设计过程，就可以使用简单的脚本和 n TopCL – n Topology 的命令行界面自动批量处理患者扫描数据的整个文件夹。 在这个概念验证中，研究团队创建了一个 Python 脚本处理 50 个胫骨，并自动为每一个数据生成独特的患者个性化导板。仅用数分钟编写的几行代码即可节省人工设计工作的时间。对于更复杂的项目，可以使用相同的方法把复杂的逻辑构建到工作流中，这样可以将多个来源的数据结合起来- […]
