全自动系统VPSEAR：高精度徒手VP分流入口推荐系统

智能系统与应用18（2023）200205VP分流道入口区域推荐器（VPSEAR）：一种计算机辅助系统用于VP分流操作Kritsanavis Chongsrida，Leon Wirz a，Sasikan Sukhor b，Anusorn Mungmee b，Vich Yindeedej b，Pakinee Aimmaneea，*a信息、计算机和通信技术系，诗琳通国际技术学院，泰国国立法政大学，Meung，泰国巴吞他尼b泰国巴吞他尼，Klong Luang，Thammasat大学医院，Thammasat大学医学院神经外科A R T I C L EI N FO保留字：脑室-腹腔分流（VP分流）脑积水脑室术前手术计划计算机辅助系统脑CT引导软件A B标准脑积水是一种脑室内异常脑脊液（CSF）积聚导致脑室扩大的疾病。脑积水最常见的手术治疗之一是脑室腹膜（VP）分流术。由于其简单性和低成本，使用表面解剖脑室导管放置的徒手技术已广泛用于VP分流术。然而，这种技术以中等精度进行权衡。为了提高准确性，大多数现有的徒手技术涉及使用工具或软件手动测量距离和/或 钻孔 角度 从CT或 MRI载 玻片 。 在这 项工 作 中， 我 们开 发了 第一 个 全自 动系 统 VP分 流入 口区 域 推荐 器（VPSEAR），用于预先计划的徒手放置。具有用户界面的程序获取患者的CT切片，计算颅骨上的圆形进入部位，并报告唯一的圆形进入区域。该程序集成了多种数学知识和三维数据处理技术，以确保高精度和可接受的运行时间。我们在15名患者的30个头侧的CT切片集合上测试了发明的程序，并使用3D Slicer软件评估了系统相对于传统Keen方法的准确性。我们实现了95.33%的平均精度使用五个内部点评估，与Keen的方法的准确性提高了40.33%。程序运行时间小于15 min/头侧。1. 导言和文献综述脑积水是一种神经系统疾病，常见于老年人、先天性异常的儿科患者和脑出血、脑膜炎或创伤性脑损伤的成人患者。脑积水涉及脑脊髓液（CSF）在称为脑室的脑腔中的异常积聚。这种CSF扩张引起脑室扩大，不仅压迫和损害脑组织，还导致几种脑功能障碍（Lowery &Sive，2009）。有几种原因导致上述CSF蓄积，例如脑室中CSF产生率异常高，以及CSF吸收率低，返回蛛网膜颗粒。此外，脑室中CSF循环的障碍，如肿瘤或脑出血，也可引起脑积水。脑积水患者有可能出现意识改变，并出现严重头痛等急性症状。此外，慢性脑积水患者可能会出现步态障碍。在某些情况下，患者会出现尿失禁和尿频，不能及时上厕所，还有痴呆。脑积水是世界范围内神经外科的常见疾病。根据全球统计，每年约有400，000例脑积水病例（Isaacs等人，2018年）。平均发病率为老年人175例，儿科88例，成人11例，所有类型的平均发病率为每10万人口85例。低收入至中等收入国家的患病率往往较高（Dewan等人， 2019年）。一般来说，神经外科医生会根据脑积水的原因进行治疗。当脑脊液（CSF）的产生和吸收速率不平衡时，一种常见的治疗方法是脑室腹膜（VP）分流术。在VP分流术中，使用穿孔器在颅骨上的入口点钻一个小孔，将脑室导管（VC）朝向侧脑室放置，以通过皮下管道将CSF引流到腹腔，如图所* 通讯作者。电子邮件地址：pakinee@siit.tu.ac.th（P. Aimmanee）。https://doi.org/10.1016/j.iswa.2023.200205接收日期：2022年9月4日;接收日期：2022年11月30日;接受日期：2023年2月16日在线预订2023年2月20日2667-3053/© 2023作者。由爱思唯尔有限公司出版。这是一篇开放获取的文章，获得了CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表智能系统及其应用杂志首页：www.journals.elsevier.com/intelligent-systems-with-applicationsK. Chongsrid等人智能系统与应用18（2023）2002052Fig. 1. VP分流手术的插图（Children图1.一、在徒手操作中，找到进入侧脑室的入口点和轨迹是VP分流术最关键的步骤之一。VC可能无法进入脑室，损伤脑组织，并可能导致脑出血，当在错误的位置和角度操作进入点和通道时。因此，可能需要多次尝试找到新的入口点（Lecker Chang，2021&）。现在，可以实时或预先计划确定进入点。在第一种方法中，现代和非常精确的工具被用来实时查看大脑的组成部分。先进的工具用于数字扫描头部，并显示大脑内部的三维可视化。它不仅可以用来确定一个合适的进入点，而且还可以方便地确定钻机的方位和分流器的深度。不同种类的机器已经被建造并用于这些目的。内窥镜检查（Kestle等人，2003 ） 、 立 体 定 向 （ Roberts 等 人 ， 1986 ） 、 神 经 导 航 （ Azeem&Origitano ， 2007 ） 、 超 声 （ Whitehead 等 人 ， 2008 ） 、 电 磁（Hayhurst等人， 2010年;Mahan，Spetzler和Nakaji，2013年），以及机器人导航（Jerb i'c等人， 2020年;Rag uJorz等人， 2022年），是这种方法中使用的工具的例子。一般来说，这些机器有助于大大提高VC的准确性。然而，准确性付出了高昂的代价。此外，在资源有限的公立医院或紧急情况下，一般不提供这种服务。在过去的几年里，增强现实（AR）也被用于实时VP分流操作。一些研究试图使用AR来帮助VC操作（Hooten等人，2014; Schneider等人，2021; Yudkowsky等人，2013年）。然而，AR的准确性不如神经导航仪用于VP分流，因为该技术尚未完全开发用于医疗领域。对于预先计划的方法，在操作之前预先计算进入点和轨迹。传统的入路点是基于神经解剖学预先评估的，由浅表解剖标志引导。这种技术被称为徒手放置，它被认为是简单和广泛使用的。近一个世纪以来，已经提出并使用了几个条目，但它们的缺点之一是该技术在所有患者中使用相同的测量。因此，由于患者的个体差异，它们的准确性不是很高差异在1971年和1977年发明了CT和MRI扫描仪之后，一些工作试图从患者的扫描载玻片中找到适当的入口点和相应的轨迹。大多数作品（Eisenring等人，2019; Lollis等人，2008年; Mrsale等人，2012年，2017年）选择非特定的入口点，并使用软件或应用程序作为测量设备，手动找到合适的角度。他们的尝试是相当不方便的，因为它仍然需要人的努力。此外，从弯曲的头骨测量角度是耗时的。在这项工作中提出的VPSEAR软件克服了昂贵的成本的工具或设备中使用的实时方法和中等精度的非自动现有的预先计划的方法。该程序需要一台计算机来操作它，和CT扫描的幻灯片输入，所以它是经济和易于使用。它是全自动的，并带有图形用户界面，所以很方便。在与颅骨表面固定90度的钻孔角度下，程序建议在侧颅骨上形成一个圆形区域，其中任何内部点都可以用作切入点。推荐的圆形区域允许神经外科医生灵活地选择进入点。此外，与其他角度相比，90度角被认为是最容易手动评估的角度。90度钻孔角度还与著名的传统Keen 然而，一些 作品（Anantha-nandorn，2017; Woo等人， 2021;Yamada 等 人， 2022） 报告 说 ，接 受 的位 置 的精 度 只有 中 等（ 约62%）。当人工读片时，VP分流术的准确性也取决于每个神经外科医生的经验。Keen'S点通常是从耳轮顶部向后3厘米测量的， 垂直向上3厘米。由于无论个体患者的解剖结构如何，进入点都是普遍近似的，因此，外科医生通常需要考虑CT数据信息来调整不同于传统Keen的进入点（Yamada等人，2022年）。由于VPSEAR程序将患者的CT数据纳入计算以推荐进入区域，因此理论上它比传统的Keen进入点更准确。我们的系统集成了多种三维数据处理技术，先进的数学知识，为传统的VP操作产生高度准确的结果。此外，所提出的系统允许神经外科医生通过用户界面选择他的偏好来查看2-D和3-D模型。二维模型显示了相关组件的侧视图和推荐的圆形区域，而三维模型则以三维方式显示这些组件，以实现详细的可视化。实验证明，该系统比传统的Keen方法更精确，并且可以以可接受的速度产生输出，该程序可以实际用于临床。快速、低成本、高精度的辅助刨削器对神经外科医生进行徒手常规VP手术具有重要意义。患者直接受益于该系统，因为他们可以节省手术费用。据我们所知，我们的工作是第一个全自动计算机辅助系统，为预先计划的方法推荐一个入口区域。2. 方法VPSEAR 系 统 基 于 MATLAB 平 台 版 本 R2021b 和 MATLAB 的 AppDesigner（MathWorks Inc.，2022年）。该系统设计有基于所需解剖结构的有效算法，以最小化计算机内存，从而确保在平均计算机规范中可接受的计算时间。第2.1节中提供了将在后面章节中提及的重要部件及其在Hounsfield单位中测量的CT值的独特范围的简要信息。系统由前端和后端两部分组成。它们的实现细节在第第2.2节和第2.3节。K. Chongsrid等人智能系统与应用18（2023）2002053图二. 头部解剖的基本组成部分。颞肌和眼球的图像取自©Kenhub（Kenhub2012，2022）（咀嚼肌，2022）和眼眶神经血管，2022。2.1. 涉及组件和CT值在本节中，我们将简要介绍大脑的部分，这些部分将在后面的章节中提到。图2描绘了参与这项工作的大脑部分。头骨是头部的骨架。它是VP分流的外部入口组件。因此，颅骨表面是VPSEAR中需要获得的重要组成部分。外耳包括耳道和耳廓。羽片的外缘称为螺旋X。螺旋X在这项工作中是必不可少的，因为它有点用作传统基恩方法和我们的圆形推荐区域的参考。螺旋可分为三部分：上升螺旋（浅蓝色）、后螺旋（棕色）和上螺旋（紫色），如图2所示。耳轮的根部是耳朵的中部，像一个隆起的脊。在我们的工作中，以下点被用作参考：后螺旋线x的最后点，上螺旋线x的顶部，以及上升螺旋线x的最前点，这是螺旋线X的根。用户可以选择该人更喜欢在UI中使用的参考点的选项。表1基本组织/物质的CT值（Hounsfield单位）范围皮肤+1至+15皮肤-100至200大脑皮层+40至+50空气-800<2.2.1. 设计组件如图形、按钮和文本字段可以独立拖放。App Designer的这一功能使我们能够直接设计前端的UI组件排列，而无需使用任何第三方软件。设计如图3所示。界面左侧是主显示区，右侧是选项面板。主显示器显示了用户通过选项面板选择选项面板中有七个子面板，从上到下排列选项面板的布局和功能如图3（B）所示。第一个子面板用于浏览输入的CT图像。第二个是选择显示输出的种类。选择是2-D模型，3-D模型和深度图。第三子面板用于用户选择头部的侧面（左侧或右侧）。第四个子面板用于耳朵的参考点选择。第五个子面板用于选择应如何显示侧脑室：整个、仅心房或仅选定侧的心室。第六个子面板用于其他附加设置。最后一个子面板有三个按钮，用于与后端通信。首先是显示按钮。当点击它时，程序会根据用户选择的选项显示图像保存二维模型心室系统是由四个相互连接的腔组成在大脑中。它由一对侧脑室、第三脑室和第四脑室组成。 二、其中最大的腔室为左右侧脑室。心房，也被称为侧脑室三角区，是与颞角和枕主要用于带Keen点的VP分流的内部进入部位。侧脑室与第三脑室通过一个叫做室间孔的通道相连。同样，第三脑室和第四脑室由大脑导水管连接。这些腔和通道充满了由脉络丛产生的CSF。生理学上，侧脑室内脉络丛可能有一些钙化。falX cerebri是硬脑膜（大脑）的一个大的新月形褶皱脑膜），垂直下降到人脑大脑半球之间的纵裂中。fal X cerebri可用于识别分隔两个半球的正中矢状面（Qian等人，2017年）。图2显示了淡黄色的falXcerebri。孔和眶被用作标识法兰克福平面的标志（Cheng等人，2012年）。孔位于每个外耳孔的顶部。眼眶是每个眼窝的下缘。 这两个部分可以在图中观察到。 二、每种组织/物质的CT值（Hounsfield值）的范围在表1中提供（Ali等人， 2013; Karjodkar等人， 2009; Lepor，2000; Qian等人， 2017年; Wu等人，（2009年）2.2. 前端由于该系统是为神经外科医生设计的，无论他们的计算机编程背景如何，它都提供了一个用户友好的界面，可以与编写复杂代码的后端模块进行通信。图三. VPSEAR的UI布局，包括主显示区域和选项面板（A），以及具有子面板功能的选项面板（B）。组织/物质亨氏单位组织/物质亨氏单位头骨>100个钙化>100个脂肪-120至-90软骨+80至+130K. Chongsrid等人智能系统与应用18（2023）2002054图四、 VPSEAR的 用户 界 面 与主 显 示 （ 中心 ） 和 选项 面 板 （右 ） 。图五、 描述后端 模块整体流程的框架。和保存文本报告按钮允许用户保存输出的2-D模型（扩展名为.jpeg或.png）或文本报告（扩展名为.tX t）。在运行过程中，状态文本显示在主显示器的左下方。该程序显示当前状态，以及当前总运行时间和预计完成时间。图4描绘了VPSEAR的用户界面2.2.2. 前端实现前端模块的实现是在后端模块的基础上通过构建多个功能来完成的。此外，每个函数都有一个额外的应用程序参数用于当前应用程序的上下文中，使其能够在应用程序设计器中调用。每个可交互的UI组件都有一些事件控制器绑定到自己，影响过程和输出。用户必须通过第一个子面板选择医学数字成像和通信（DICOM）文件文件夹的路径。启动程序的主函数与Display按钮绑定。用户点击Display按钮后，主算法启动，图六、点云的数据表示的 插 图 。其中所有选项都是从复选框、单选按钮和滑块中提取的。这些选项选择工作流分支以与用户的首选项密切相关。2.3. 后端模块图5示出了后端模块内的总体过程。以下小节提供了每个步骤的详细信息2.3.1. 二维CT图像到点云输入的CT切片DICOM图像保留了患者头部内部解剖结构的多个横截面信息。然而，逐层查看数据并不能帮助我们看到有用的特征，例如3D形状和连通性。为了获得这些特征，我们首先使用三个DICOM标签将一系列CT图像转换为点云（pc）：实例编号、切片间距和像素间距。在CT图像系列中，总是可以将图像中的位置转换为 空间中的点（x，y，z使用以下公式计算行号R、列号C和切片号I处的x、yx=（R-1）×PS（1）y=（C-1）×PS（2）z=（I-1）×SS（3K. Chongsrid等人智能系统与应用18（2023）2002055）K. Chongsrid等人智能系统与应用18（2023）2002056=图7.第一次会议。 分割过程的一个例子。其中PS是像素间距，SS是切片间距。点云是以三维坐标表示的这些数据点的集合。每个点具有以亨氏单位（HU）表示的CT数的值。因此，我们可以将每个点视为四维。图6示出了包括被示为红点的18个数据的点云。点云是由两个相邻的切片在不同的灰度像素。蓝色和粉红色的线分别显示像素间距和切片间距2.3.2. 基本成分通常，使用阈值方法从点云分割三个基本部分：颅骨、侧脑室和耳轮，在阈值化之后，我们使用形态学处理和连接分量标记（CCL）（Aissou &Aissa，2020; Balado等人，2020），以消除不相关的组件。各组成部分的详细划分程序如下。由于颅骨被假设为阈值化后最大的连通分量，因此我们仅使用CCL来找到颅骨点云，而忽略了其他不相关的岛屿，例如较小的钙化点。对于侧脑室，离群值成分是包含CSF的区域，例如第三和第四脑室，或与侧脑室共享类似HU的区域，例如脑病变。与颅骨不同，CCL不能很好地分离上述成分，因为这些离群成分与侧脑室相连。第三脑室通过狭窄的室间孔与侧脑室相连（见图2）。我们应用形态学腐蚀与球形结构元素，以消除室间孔。由于侧脑室的一些区域也被侵蚀，我们应用形态学扩张来补偿缺失的部分。最后，我们用三维形态学闭合术填充侧脑室，去除侧脑室出现的空洞。 形态学过程也可以帮助平滑心室边缘。螺旋的一些初始点云可能包括以下部分：皮肤和颞部脂肪垫因此，通过对具有球形结构元素的初始点云应用形态学开口来通过从原始三维模型中剔除非螺旋点云，得到最终的螺旋图 图7示出了颅骨、脑室和螺旋的3D分割过程。分割算法的伪代码在Al-出租m 1中提供。它需要这三个功能。Threshold（pc，t）采用4-D点云pc和恒定值t。它返回一个3D点云，其中pc中的Hounsfield值大于t。算法1一个伪代码的分割过程的基本部分。输入：pc=输入DICOM的4-D点云t颅骨=颅骨的阈值thelix=heliX的阈值t心室，低=心室阈值的下限t心室，高=心室阈值的上限ND=邻域距离%颅骨分割温度=阈值（pc，t颅骨）pcskull=LargestConnectedComponent（temp，ND）%侧脑室分段温度=阈值（pc，t心室，低）-阈值（pc，t心室，高）温度=侵蚀（温度）pc心室=最大连接组件（温度，ND）温度=扩张（温度）temp=关闭（temp）%螺旋X分割温度=阈值（pc，t螺旋）温度=温度-开口（温度）pchelix=LargestConnectedComponent（temp，ND）输出：pcskull=颅骨的三维点云pcLV=心室的三维点云pchelix=耳朵螺旋的三维点云LargestConnectedComponent（pc，ND）采用三维点云pc。它返回另一个三维点云，这是pc中数据点的最大连接簇，其中同一簇内的最大邻域距离为ND。Erosion（pc）、Dilation（pc）、Closing（pc）和Opening（pc）是将3-D点云pc作为输入并将通过应用相应的形态学运算符而得到的点云返回的函数：分别具有球形结构元素的侵蚀、膨胀、闭合和打开。颅骨、螺旋X和脑室T颅骨的阈值参数根据表1中提供的CT值选择t螺旋、t心室、低和t心室、高。 即t颅骨=100，t螺旋=-200，t心室，低= 1，t心室，高15，分别。 邻域距离ND，确定连通性被设置为0.87。2.3.3. 头部对准调整由于患者的图像可以处于如图所示的倾斜角度，因此，在图8（左）中，必须调整正中矢状面和法兰克福平面的对准，以获得如图8（中）所示的分流手术计划中使用的正确坐标。为了实现正中矢状面对齐，我们使用falX cere- bri确定方向。我们通过从大脑中排除在前一步骤中获得的颅骨部分来计算感兴趣体积（VOI）。然后，我们确定了适合整个大脑体积的最小边界长方体。之后，我们从两个矢状面中的每一个修剪四分之一的体积。将骰骨的剩余半宽用作VOI。为了检测falXcerebri，我们将40到50 HU范围内的基于Hounsfield的阈值应用于点云。然后，我们选择VOI中最大的连通分量来获得falX cerebri。设（xi，yi，zi）对于i=1，2，见图8。应用正中矢状面对线（红色）和法兰克福平面对线（蓝色）之前（左）和之后（右）;从20°仰角观察K. Chongsrid等人智能系统与应用18（2023）2002057∑-见图9。以灰色示出的颅骨的感兴趣区域的图示其中p是点的总数设Pms为中矢状面，由以下方程Pms：αx+βy+γ-z（4）因此，正中矢状面Pms通过最小二乘拟合方法最佳拟合为直到同一侧的后端被考虑。此外，仅聚焦螺旋上部上方的区域，因为其允许导管指向侧脑室的心房。最后，在侧脑室下方的颅骨上采用枕叶入路的分流不能传播到心房。因此，只有在螺旋体尖端以上但不超过侧位最高点使用了心室 图图9（A）示出了根据本发明的感兴趣区域（ROI）。（α′，β′，γ′）=argmin（α，β，γ）pi=1（αxi+βyi+γ-Z（1）2（5）所提到的解剖结构和手术限制。图中所示的红色平面。8（中间）显示正中矢状面P ms。中间垂直平面Pmv由以下等式定义Pmv：y-（Cmax-1）≤PS/2（6）其中Cmax是CT图像的最后一列的索引，PS是像素间距。最后，我们使用3-D仿射变换将正中矢状面Pms对准正中垂直面Pmv。法兰克福平面是一个几乎平行于地球表面的平面。它通过三个标志点：左眼眶和左右孔（见图2中这些部分的图像）。我们构造了一个通过这些点的平面，以自动识别这样的平面。为了得到眼眶，我们将眼球中心投影到头骨上。由于眼球是充满凝胶状流体的球形结构，因此很容易基于圆形特征和基于Hounsfield的阈值化方法以与侧脑室的分割类似的方式进行分割。接下来，我们通过在800 HU处阈值化来检测耳孔（参见表1）。我们利用点云的凸包来确定矢状视图中耳朵螺旋的边界。最接近正中矢状面的气隙被确定为内耳道的末端。然后，我们将空气空间区域投射到头骨上，以识别孔。与正中矢状面对线中使用的方法类似，我们随后将法兰克福平面与轴向平面对线以获得最终结果，如图8（右）所示。2.3.4. 区域建议寻找感兴趣的领域。为了获得头骨的表面，我们对头骨的点云应用3- D凸脱壳以创建凸流形（水密）多面体（Brassey等人，2014年）。凸壳运算拟合点云周围的最小凸多面体，在颅骨周围的紧密贴合的外壳中，以及凸形包裹体积的最小值。为了最大限度地减少所需的计算机内存和计算时间，我们只关注目标颅骨区域。由于后螺旋前方的颅骨被一层厚厚的颞肌覆盖（见图1）。 2），仅从螺旋桨的后部向后部正在计算命中点云如图9（B）所示，我们使用ROI内颅骨表面（即黄色点）的点云来创建三角网格（深蓝色表面），该网格包括一组连接的三角形。三角形网格的选择，而不是一个四边形网格，因为较低的计算复杂度，以确保快速运行时间。每个三角形由一个面和从头骨的点云中选择 的 三 个 顶 点 组 成 。 此 外 ， 我 们 应 用 了 二 维 Delaunay 三 角 剖 分（Shewchuk，2008），以确保每个三角形的相应二维外接圆内不包含其他点云。对于侧脑室，我们使用地壳三角剖分方法（Giaccari，2022）从点云构建中空体积三角网格（浅蓝色表面）。定义命中点云的过程如下。定义命中点。我们定义了一个击中点云是一组顶点的头骨三角网格，其相应的法向量击中侧脑室的三角网格的目标表面。我们用这些命中点来确定入口点。计算命中点和对应深度的过程如下。假设S={S1，S2，设N={N1，N2，L.对于S中的每个Si，我们计算源自Si的具有与Ni相同方向的射线。我们说Si是命中点，如果它的射线遇到侧脑室三角网格中的至少一个面。命中点的集合构成命中点云。计算从击中点到心室的距离。我们使用Mol？ller-Trumbore射线-三角形相交算法（Mol？ller，1997）计算距离。之所以选择该算法，是因为它是找到矢量（射线）与三角形平面相交的最有效由于不需要预先计算公式，因此节省了时间和内存。实验证明，它是快速三角形网格（穆勒，1997年）。 该方法描述如下。假设来自Si的射线在k处与心室相遇，交点为Pi={Pi，1，Pi，2，为K. Chongsrid等人智能系统与应用18（2023）2002058.）的。）如下..）的。））/. .））..）的。））。）的。 .））见图10。图示半径为r的圆形推荐区域，距离为a和b，中心点深度为d的模型（左），以及深度的等高线图（右）。每个面L j，有三个对应的顶点A j、B j和C j，如图2所示。9（C）。我们使用归一化重心坐标来表示三角形上任何点的位置，并使用两个标量ui，j和vi，j。ui，j和vi，j形成位于具有以下约束的单位三角形首先，它们不能大于1，也不能小于0。其次，ui，j和vi，j的和不能大于1。这是为了确保如果三角形被旋转、缩放、拉伸或平移，则定义Pi，j相对于顶点Aj、Bj和Cj的位置的坐标ui，j和vi，j将不会改变。 我们使用等式计算交点Pi，j的位置。（七）、Pi，j=Aj+ui，jBj-Aj+vi，jCj-Aj（7）也可以使用以下射线的参数方程来定义Pi，jPi，j=Si+di，jNi（8）其中di，j是从S i发出的射线到P i，j的距离P i，j可以用u i，j、v i，j和di，j表示，如图11所示。 9（B）。 使用Cramer规则，ui，j和vi，j可以表示为等式1。（9）和（10）u i，j=.P i，j·。S1-Aj））/。P i，j·。Bj-Aj））（9）v i，j=N i·Si-Aj×Bj-Aj Pi，j·Bj-Aj（10）根据等式（7）-（10），距离di，j可以计算为：d i，j=S i-A j×B j-A j·Cj-Aj）/Pi，j·Bj-Aj（11）对于每个命中点，di的最大值被用作深度，脑室导管的最大插入长度。定义入口区域和深度。我们在矢状面中投影一个命中点云，然后应用凸包来定义一个封闭区域。由于入口区域是不规则形状，我们选择半径为r的最大内切圆作为圆形推荐区域。到区域中心的路径由两个参数a和b确定，如图10所示。从选定的参考点开始，向后测量参数a，垂直向上测量参数b。请注意，耳朵的参考点可以由用户在前端模块中选择。参数d定义为圆形推荐区域中心的深度，如图所示。 10个。为了在圆形推荐区域内构建等高线图，我们从离散深度计算多项式曲面函数。应用了稳健的线性最小二乘拟合和二次加权法（NIST，2022），因为它们简单，并且对于粗略的等高线图具有足够的准确度。之所以选择线性最小二乘法，是因为与其他拟合模型相比，它是最简单的，有助于保持较短的运行时间。由于我们来自异常值的误差遵循正态分布，因此双平方加权适合于去除极端异常值并按比例降低轻度异常值的权重。2.3.5. 输出模型和报告2-D模型和文本报告。2-D模型以图形方式表示头部侧视图上的标志，包括颅骨、侧脑室、螺旋图11描绘了2-D模型。其设计用于帮助神经外科医生在VP分流术前更好地可视化基本组件。2-D模型通过在矢状方向上将基本部分彼此叠加而生成。水平网格用于允许重叠区域出现在同一位置。首先列出重要的距离a、b、r和d，因为它们定义了圆形入口区域。请注意，d距离是VP分流器距区域中心文本报告是2-D模型的最小格式，包括两个部分。第一部分提供患者的基本信息以供核实。第二部分包含参考点、插入边和确定到推荐区域的路径所需的圆的信息。图12示出了从程序生成的文本报告的示例。深度图。构造深度图以描绘圆形推荐区域中我们用等高线图K. Chongsrid等人智能系统与应用18（2023）2002059见图11。 一个二维模型的例子。K. Chongsrid等人智能系统与应用18（2023）200205102=×2见图12。 一个文本报告的例子。见图14。这是一个圆形颅骨、灰质和椭圆形脑室的幻灯片示例。图十五岁圆形推荐区域的五点评价（蓝色圆圈）。进入位点（橙色点）位于中心（a，b）和。a± r，b）和图十三. 3D模型的E例，显示了螺旋（浅蓝色）、后角和选定侧侧脑室的心房和后角（深绿色）、主体、额角和选定侧侧脑室的下角（亮绿色）、入口区域（暗红色）、圆形推荐区域（浅黄色）、非选定侧侧脑室（浅绿色）、从中心的插入方向（红线）。表2在表面法线映射方法的测试中用于颅骨-脑室模型的主半轴。.a，b ± r）。最近的正交观察平面，而不是所有的x、y和z纹理平面。用户可以通过提供的UI选择要显示的模型或表面以及要显示的侧脑室部分不呈现未选中的对象，以节省内存并加快处理速度。3. 实验和评价方案我们使用回顾性CT扫描切片，包括15例脑积水病例，平均Evans 所有数据均以DICOM格式采集这些照片是由图案名称头骨模型主半轴头骨标本使用Philips IQon Elite Spectral和Philips Brilliance iCT 256层CT扫描仪数据包括3名男性和12名女性，年龄从SS球形颅骨-球形标本u=8，v=8，w=8u=5，v=5，w=55至82岁。每个CT切片为16位，尺寸为512 512。每例病例的切片数范围为327至394像素间距为EE椭圆形颅骨u=7，v=8，w=u=4，v=5，w=0.5 mm，而层间距为0.39心室SE球形颅骨-椭圆形颅骨ES椭圆形颅骨-球形骨7u=8，v=8，w=8u=7，v=8，w=73u=4，v=5，w=3u=5，v=5，w=5切片数它在装有Windows 10 Home和第10代英特尔®酷睿™i7处理器的计算机上运行，基本频率为1.30 GHz，安装了16.0 GB的RAM。整个过程大约需要将圆形推荐区域内每个位置的深度表示为二维图，称为深度图。代表深度的轮廓水平从60- 85 mm中每隔5 mm分离。 10（右）。三维模型如图13所示，3-D模型以3-D显示界标。采用正交平面二维纹理映射技术对三维数据进行体绘制.由于三维模型是可旋转的，我们使用二维纹理渲染技术代替三维纹理渲染技术，以最大限度地减少所需的计算机内存和计算时间。因此，我们只同时渲染了几个平行于我们做了两个实验。第一个是显示我们的表面法线映射方法在VPSEAR与传统的性能比较。第二是显示VPSEAR与传统徒手VP手术方法3.1. 表面法线映射方法在简单模型我们比较了使用传统技术和先进技术从颅骨到心室模型的正常映射的准确性K. Chongsrid等人智能系统与应用18（2023）20020511用于VPSEAR。椭球和球体被用来从控制方程中模拟头骨和脑室。计算分析解以用作评估的地面实况。球体和椭球体模型一般等同于Eq. （十二）、x2y2z2图16. 使用3D Slicer评估距离为a、b和d（圆形区域中心的深度）的推荐圆形区域的表3常规方法与VPSEAR在计算表2中定义的颅骨和脑室的3-D形状模式的标测点方面的性能比较。u2+v2+w2=1（12）颅骨和脑室各有两种不同的尺寸和形状，用于评估成人颅骨和脑室的典型尺寸。用于球体模型的颅骨的主半轴u、v和w如表2所示。颅骨厚度采用厚度为0.5的颅骨模型。平行于x-y平面对模型进行切片，制成300个切片。将颅骨、灰质和脑室的颜色设置为表1中提供的相应灰度值（Hounsfield单位）。噪声被添加到灰质中，使其纹理与真实纹理相似。图14示出了来自表1中定义的SE模式的载玻片的示例。将该方法计算的结果点与精确解进行比较，得到欧氏距离误差率。我们在颅骨模型上选择点常规方法的技术如下。(1) 使用阈值法计算颅骨和脑室边缘(2) 对于每个颅骨边缘点，从所选点、同一载玻片左侧的相邻点和上方相邻载玻片中的最近点(3) 使用微积分知识计算从所选择的点到平面的法向量以及法向量与心室表面相遇的点。图案名称测试的颅骨点数量平均欧氏距离（mm）时间（秒）VPSEAR使用的技术如下。(1) 采用三维点云阈值化方法得到三维物体，采用凸包法得到表面点云。(2) 采用二维Delaunay三角剖分方法建立三角网格。(3) 采用Moller-Trumbore射线-三角形从垂直于三角网格通过使用方法和分析解的心室上的结果点之间的平均欧几里德距离来测量准确度。图十七岁VPSEAR的精度性能与5点评价和Keens在深度6和7 cm。常规7.96209.70SS27,739方法VPSEAR0.7079.45常规21.88220.58EE22,093方法VPSEAR0.6964.94常规16.78200.11SE27,739方法VPSEAR0.9779.86常规7.20212.38ES22,093方法VPSEAR0.5364.49K. Chongsrid等人智能系统与应用18（2023）20020510图十八岁所选病例的Keen（左）和VPSEAR （右）结果比较。3.2. 在真实患者数据上测试推荐圆形区域的准确性我们使用3D切片器软件（Kikinis等人，2014）以验证推荐圆形区域的准确性。将CT载玻片加载到3D切片机中，以获得耳朵、颅骨和脑室的3D模型。VPSEAR返回的距离a、b和r是在3D切片机模型上从上螺旋位置到推荐区域测量的。我们测试了五个入口点，如图中橙色点所示。 十五岁第一个点是中心（a，b）。剩下的几点可能是通过它们在极坐标系中的度数与臂长可视化R 和角度：0 °、90 °、180 °和270 ° 这四点是等价于（a±2，b）和（a，b±2）。 每个点都有一个对应的可以从深度图获得的深度。这些 点 和 他们的 对应 深处 是 测试和侧脑室（左），导管头端略超过中线平面（右）。K. Chongsrid等人智能系统与应用18（2023）20020511总与传统的Keen点相比。根据文献（Haeussinger 等人， 2011; Junaid等人， 2018年）。每个入口点的分数在二元分级系统上解释，1（通过）或0（未通过）。当且仅当脑室导管可以进入侧脑室内部并且终点留在侧脑室内而不穿过正中矢状线时，确定进入部位为通过。图16示出了用于评估准确度的3D切片器的使用。假设成功是通过的次数，总的是测试的总数，我们使用等式中所示的精度公式。（13）定义入门模型的整体性能。成功=成功（13）4. 结果和讨论4.1. 表面法向映射方法在简单模型上的性能所用的平均欧几里得距离和时间见表3。测试点的数量是基于解析解的颅骨上其法向量满足心室表面的所有可能点的数量。VPSEAR显著优于传统方法，因为与传统方法相比，它产生了显著更低的错误率。传统方法的误差是由于平面作图中的选点不灵活造成的。VPSEAR的使用时间也比传统方法短得多（约2.5倍）。VPSEAR之所以运行速度快，是因为它在技术上不像传统方法那样计算平面方程。4.2. VPSEAR与传统Keen点的准确度性能结果数值结果报告于图17中。在圆形推荐区域的中心，VPSEAR的准确率高达96.67%。对于在0°、90°、180 °和270μ m，准确度分别为90.00%、100.00%、90.00%和100.00%，分别这一结果表明，当进入部位靠近推荐区域的左侧或右侧时，准确性略低。这可能是由于侧脑室垂直方向较薄的形状增加了程序丢失的机会目标心室的侧面另一方面，在90度角处，270mm时，垂直方向的空间更大，因此到达心室的机会更高。我们在这些角度上实现了100%的完美。四个相邻点的平均准确度为95.00%，略低于中心的96.67%的准确度。VPSEAR使用5点评估的平均准确率为95.33%。我们使用第4节中描述的五点评估来评估准确度。Keen法在插入长度为6 cm和7 cm时的准确率分别为73.33%和36.67%。这两种长度的平均性能为55%。我们观察到Keen点的精度随深度的增加而显著下降。请注意，在我们的评价中，我们假设导管不灵活。平均而言，我们的VPSEAR程序显著优于基恩的方法高达40.33%。图18描绘了使用3D切片器的VPSEAR和Keens的结果比较的四个示例。VPSEAR所有评价等级的失败侧占总例数的9.33%。其中71.43%是由于导管尖端超过侧脑室区域，其余是由于穿过正中矢状面。图19（左）示出了导管尖端不在侧脑室中的不成功的情况。我们的分析表明，失败的原因是不精确的选择的参考点的评价，这与VPSEAR的计算。在这种情况下，不正确的点选择是由于患者的螺旋X。螺旋X的这个区域不是唯一的，因此它使求值器选择与程序不同的点对于第二种情况，误差可能来自手动头部调整，并且评估器所做的穿刺角度与颅骨表面的夹角不正好为90°，这导致轨迹偏离程序，因此，它穿过正中矢状面，如图19（右）所示。程序VPSEAR可以改进如下。首先，我们可以考虑一个新的固定参考点，如耳道。第二，我们可以让侧脑室即时通过AR眼镜 这将是我们未来的工作。5. 结论在这项工作中，我们开发了一个用户友好的计算机辅助程序，名为VPSEAR，精确地找到一个圆形区域的头骨表面，是适合VP分流。我们对传统的基恩点的程序的准确性进行了评估。使用3D Slicer程序对15名患者的30