JP2023008873A - 整形外科手術のための骨又は軟組織異常の評価を支援するために三次元画像再構成を使用するシステム及び方法 - Google Patents

Abstract

【課題】整形外科手術を計画及び実行するときに、骨異常及び他の生理学を正確にモデル化するための術前及び術中撮像技術を増強するシステム及び方法を提供する。【解決手段】発症前関節のアラインメントのために外部骨量減少を計算するためのシステム及び方法であって、少なくとも２つの二次元（「２Ｄ」）放射線画像から手術領域の三次元（「３Ｄ」）コンピュータモデルを生成することであって、少なくとも第１の放射線画像は第１の位置でキャプチャされ、少なくとも第２の放射線画像は第２の位置でキャプチャされ、第１の位置は第２の位置とは異なる、ことと、３Ｄコンピュータモデル上の骨量減少の領域を識別することと、表面調整アルゴリズムを適用して、骨量減少の領域に適合する外部欠損骨表面を計算する。【選択図】図３

Description

（関連出願の参照）
本出願は、２０２１年７月１日に出願された米国仮特許出願第６３／２１７，５６７号の利益を主張する。この関連出願の開示は、その全体が本開示に組み込まれる。

（発明の分野）
本開示は、概して、整形外科関節置換手術の分野に関し、より具体的には、整形外科手術を計画及び実行する外科医及び技術者を支援するために写真測量及び三次元再構成技術を使用することに関する。

関節置換手術の新たな目的は、発症前の関節の自然なアラインメント及び回転軸（単数又は複数）を復元することである。しかしながら、この目的は、関節が関節接合骨だけでなく、軟骨、靭帯、筋肉、及び腱を含む補助的な支持骨及び様々な軟組織を含むため、実際に達成することが困難であり得る。従来、外科医は、自然なアラインメントを完全に復元することを回避するか、又は集団の試料から導出された平均に基づいてアラインメント角度及び他の寸法を推定していた。しかしながら、これらの平均には、患者が変形性関節症のような慢性骨変形疾患に罹患しているときは特に、特定の患者の解剖学的構造の自然な変動が考慮されないことが多かった。

この問題に対処する試みにおいて、一部の医療供給者は、患者の内部の解剖学的構造を調査して整形外科手術を計画するのを助けるために、コンピュータ断層撮影（computed tomography、「ＣＴ」）スキャン及び磁気共鳴像（magnetic resonance imaging、「ＭＲＩ」）技術を使用し始めた。これらのＣＴスキャン及びＭＲＩからのデータは、デジタル形式で三次元（「３Ｄ」）モデルを作製するために更に使用されてきた。これらのモデルは、該手術のために患者固有のインプラント及び器具を設計し、製造するために、専門家に送信され得る。積層造形技術（例えば、３Ｄ印刷）及び他の従来の製造技術が、患者の特定の解剖学的構造に適合する物理的インプラント又は器具を造るために使用され得る。

しかしながら、ＣＴスキャン及びＭＲＩを取得することは、複雑で時間がかかり、効果であり得る。ＣＴスキャンはまた、患者が、それ以外に従来の放射線撮影又は超音波などの他の非侵襲的撮像技術を使用して受け得るよりも、セッションごとにより高いレベルの放射線に患者を被曝させる傾向がある。更に、スケジュールを考慮して、実際の手術の１か月以上前にＣＴスキャン又はＭＲＩによる調査を行う場合もある。この遅延は、整形外科処置を外来患者用の通院外科診療所（ambulatory surgical center、「ＡＳＣ」）に徐々に移していく傾向によって悪化する可能性がある。ＡＳＣは、多くの場合は、高価なオンサイトＣＴスキャナ及びＭＲＩ機のない小規模な施設である傾向がある。このため、患者は、病院での調査予約をスケジュールすることが強いられることが多い。

調査予約と手術との間の時間の増加は、患者の骨組織及び軟組織の解剖学的構造が、通常の使用下で又は病気の進行によって更に悪化又は変化するリスクを高める。更なる悪化は、患者の更なる不快感を引き起こすだけでなく、外科チームにとって調査データの有用性に悪影響を及ぼすことにもなり得る。これは、古くなったデータから作製された患者固有のインプラント、及び発症前の関節の自然なアラインメントに基づいた可動域の復元を目指す外科技術で特に問題となり得る。更に、術前調査予約と手術との間の時間の増加は、外因性事象がデータに悪影響を及ぼす可能性を高める。例えば、計画された手術領域で脱臼又は骨折する事故は、通常、事前の調査データの有用性を損なわせる。そのようなリスクは、特に活発又は特に虚弱な個体において高まり得る。

更に、全ての患者が、患者固有のインプラント又は器具を作製するためにＣＴスキャン又はＭＲＩにアクセスできるわけではない。これは、データを取得し、データを医療用装置設計専門家に送信し、所望の解剖学的構造の３Ｄモデルを生成し、データ又はモデルに基づいて患者固有の器具又はインプラント設計を作製し、患者固有の器具又はインプラントを製造し、該患者固有の器具又はインプラントを外科診療所に出荷及び輸送し、処置の前に該器具又はインプラントを滅菌するために必要な時間量に部分的に起因し得る。また、患者の医療保険及び疾患の種類に応じて利用できない場合がある。

患者の軟骨及び骨量減少の正確な量を知ることは、発症前の関節の自然な可動域の復元を目指す手術において有用であり得る。例としては、主要な膝置換手術（典型的には「人工膝関節置換術（total knee arthroplasty）」又は「ＴＫＡ」と呼ばれる）、人工股関節置換術（total hip arthroplasty）「ＴＨＡ」、及び大腿骨寛骨臼インピンジメント（femoroacetabuar impingements、「ＦＡＩ」）の原因の緩和を目指す処置が挙げられる。

一例として膝関節及びＴＫＡ処置を使用する：正常な膝関節は、概して、頚骨の機械的内外（medial-lateral、「ＭＬ」）線に対して約２度（「°」）～３°内反である関節線（より具体的には、「屈伸（flexion-extension、「ＦＥ」）回転軸）を有する。解剖学的アラインメントのＴＫＡ処置では、外科医は一般に、大腿骨のＭＬ線に対して約３°外反で患者の遠位大腿骨顆の一部分を切除し、次いで頚骨の長手方向軸に垂直な頚骨を切除し、これにより、頚骨ＭＬ線の約２°～３°内反が切除される。次いで、外科医は、人工関節の構成要素を切除された領域に配置して試験し、患者の可動域を評価し、次いで必要に応じて調整する。

しかしながら、全ての患者の生理学はわずかに異なる。この理由から、及び調査データを取り巻く外因性変動のため、多くのＴＫＡ外科医は、より患者に特化した運動学的アラインメントアプローチを選び、患者の発症前の関節線を術中に特定することを意図したツール及び処置を使用する。これらのツールは、摩耗していない又は摩耗の少ない大腿骨顆の硝子関節軟骨の厚さを測定する傾向がある。そのようなツールは、ツールの測定端部に関連付けられた厚さ計を有する傾向がある。ツールの測定端部は、通常、測定端部の先端が下にある骨に到達するまで、摩耗の少ない顆の軟骨の最も厚い領域に挿入される。次いで、外科医は、厚さ計を使用して、残りの軟骨の量を測定し、記録する。次いで、外科医は、この測定値を、摩耗した顆における軟骨摩耗の量の近似値として使用する。

しかしながら、この技術にはいくつかの制限がある。第１に、摩耗の少ない顆は、正確な測定を行うための残りの軟骨が不十分である可能性がある。第２に、摩耗の少ない顆に十分な関節軟骨が存在する場合でも、この軟骨測定技術は、摩耗した顆で発生する骨量減少を考慮しない。この問題は、隣接する顆に残りの軟骨がほとんど又は全くない場合に更に深刻になり得る。その結果、既存の術中技術を使用して、全ての運動学的アラインメントＴＫＡで軟骨及び骨の両方の正確な減少量を確実に計測することができず、したがって、これらの技術は、正確な術前データの問題及び利用可能性と相まって、人工関節線と自然な発症前の関節線との正確なアラインメントを危険にさらす可能性がある。度重なる研究は、発症前の関節の自然回転軸を変える人工関節が、機能不良、早期のインプラント摩耗、及び患者の不満の原因となる傾向があることを示している。

米国特許出願第１６／２５８，３４０号

したがって、整形外科手術を計画及び実行するときに、骨異常及び他の生理学を正確にモデル化するための術前及び術中撮像技術を増強するという、長い間抱えられるも未解決の必要性が存在している。

従来の術前ＣＴ及びＭＲＩ撮像技術への限定的なアクセスの問題、術前撮像と外科手術の時間との間の骨及び軟骨の悪化によるデータ精度の問題、並びに現在利用可能な術中ツール及び技術の使用から生じる発症前の骨又は関節の自然関節線を決定することの制限についての問題は、骨異常の程度を計算するためのシステム及び／又は方法によって軽減され、該システム及び／又は該方法は、深層学習ネットワークを使用して、対象整形外科要素の少なくとも２つの別個の二次元（「２Ｄ」）入力画像の入力から骨異常の領域を識別することであって、少なくとも２つの別個の２Ｄ入力画像のうちの第１の画像は、第１の横方向位置からキャプチャされ、少なくとも２つの別個の２Ｄ入力画像のうちの第２の画像は、第１の横方向位置からオフセット角度だけオフセットされた第２の横方向位置からキャプチャされる、ことと、補正領域を計算することであって、補正領域は骨異常の領域を除去する、ことと、を含む。

特定の例示的な実施形態では、第１及び第２の入力画像は、放射線入力画像であり得ることが企図される。理論に束縛されるものではないが、放射線写真は、手術領域のインビボ分析を可能にし、靭帯拘束、耐荷重力、及び筋肉活動の影響を含む、手術領域の周りに生じる受動的な軟組織構造及び動的外力の外的合計を考慮し得ることが企図される。

本開示による特定の実施形態は、手術領域の軟骨及び骨解剖学的構造から導出されたデータ、並びに／又は手術領域の軟組織構造から導出されたデータから、患者固有の手術計画、インプラント、及び器具を作製するために使用され得ることが企図される。

上記は、添付の図面に示されるように、本開示の例示的な実施形態についての、以下に示すより具体的な説明から明らかになるであろう。図面は必ずしも縮尺どおりではなく、代わりに開示される実施形態を示すことに重点が置かれている。
内側及び外側大腿骨顆における負の骨異常（すなわち、骨量減少）の領域を示す、簡略化された左膝関節の前面図である。 外側大腿骨顆上の摩耗した骨の露出表面上に配置される、負の骨異常を通って延在する調整パッドを有する大腿切除ガイド位置決め器具の側面図である。 負の骨異常を補正する外部欠損骨表面を計算するための表面調整アルゴリズムの適用を視覚的に表す簡略化された左膝関節の前面図である。 外側大腿骨顆上の計算された外部欠損骨表面に延在する調整パッドを有する大腿切除ガイド位置決め器具の側面図である。 屈曲に配向された簡略化された遠位大腿骨の斜視図である。後顆切除ガイド位置決め器具は、大腿骨顆の後方部分に配置される。 大腿骨切除ガイド位置決め器具に取り付けられた大腿骨切除ガイドの斜視図である。 軟骨厚さ計の側面図である。 例示的な方法の工程を示すフロー図である。 例示的な較正用治具を示すＡ－Ｐ位置から取られた対象整形外科要素の画像である。 例示的な較正用治具を示すＭ－Ｌ位置から取られた図８Ａの対象整形外科要素の画像である。 エピポーラ幾何の原理を使用して、較正された画像検出器の異なる基準フレームから取られた２つの２Ｄ画像から３Ｄ空間のある点の位置が確認され得る仕組みを伝えるために使用される、ピンホールカメラモデルの概略図である。 深層学習ネットワークを使用して、骨異常を含む対象整形外科要素の特徴（例えば、その解剖学的ランドマーク）を識別し、対象整形外科要素の３Ｄモデルを生成するシステムの概略図である。 大腿骨の遠位態様及び識別された負の骨異常の逆体積の２つの３Ｄ再構成モデルの概略斜視図である。 別の例示的な方法の工程を示すフロー図である。 更に別の例示的な方法の工程を示すフロー図である。 なお更に別の例示的な方法の工程を示すフロー図である。 骨異常の物理モデルを生成するように構成されたシステムの概略図であり、物理モデルは、較正された検出器から同じ対象整形外科要素についてオフセット角度で撮影された、２つ以上の、組織を貫通する平坦化された入力画像を使用することから導出される。 ＣＮＮタイプの深層学習ネットワークを使用して、対象整形外科要素の骨異常を含む特徴（例えば、解剖学的ランドマーク）が識別され得る仕組みを示す概略図である。 例示的なシステムの概略図である。

好ましい実施形態の以下の詳細な説明は、理解を助ける説明目的でのみ提示されており、網羅的であること、又は本発明の範囲及び趣旨を限定することを意図するものではない。実施形態は、本発明の原理及びその実用的な用途を最もよく説明するために選択及び記載されている。当業者は、本発明の範囲及び趣旨から逸脱することなく、本明細書に開示される本発明に多くの変形がなされ得ることを認識するであろう。

特に明記しない限り、同様の参照符号は、いくつかの図を通して対応する部分を示す。図面は、本開示による様々な特徴及び構成要素の実施形態を表すが、図面は必ずしも縮尺どおりではなく、特定の特徴は、本開示の実施形態をよりよく説明するために誇張されている場合があり、そのような例示は、本開示の範囲を限定するものとして解釈されるべきではない。

本明細書で別途明示的に述べられたものを除いて、以下の解釈の規則が本明細書に適用される。（ａ）本明細書で使用される全ての語は、かかる状況で必要とされるかかる性別又は数（単数又は複数）であると解釈されるものとする。（ｂ）本明細書及び添付の特許請求の範囲で使用される単数形の用語「ａ」、「ａｎ」、及び「ｔｈｅ」は、文脈上明らかにそうでない場合を除き、複数形の参照を含む。（ｃ）列挙された範囲又は値に適用される先行詞「約」は、当該技術分野において既知の、又は測定から予想される範囲又は値の偏差を有する近似値を示す。（ｄ）特に明記しない限り、「本明細書に（herein、hereby、hereto）」、「前述の（hereinbefore）」、及び「後述の（hereinafter）」という語、及び類似する意味の語は、何らかの特定の段落、請求項、又は他の細目を指すのではなく、本明細書全体を指すものである。（ｅ）説明見出しはあくまでも便宜上のものであり、本明細書の一部の構成の意味を制御するものでも影響を与えるものでもない。（ｆ）「又は」及び「任意の」は排他的ではなく、「含む（include、including）」は限定的ではない。更に、「備える、含む（comprising）」、「有する（having）」、「含む（including）」、及び「収容する、含む（containing）」は、制限のない用語（すなわち、「．．．を含むがこれに限定されない」を意味する）として解釈されるべきである。

本明細書における「一実施形態（one embodimet、an embodiment）」、「例示的な実施形態」、などの言及は、記載された実施形態が特定の特徴、構造、又は特性を含み得るが、全ての実施形態が必ずしも特定の特徴、構造、又は特性を含み得るものではないことを示している。更に、そのような語句は、必ずしも同じ実施形態を指すものではない。更に、実施形態に関連して特定の特徴、構造、又は特性が記載される場合、明示的に記載されているかどうかにかかわらず、他の実施形態に関連してそのような特徴、構造、又は特性に影響を及ぼすことは当業者の知識の範囲内であることが示唆される。

記述的な支持を提供するのに必要な範囲で、添付の特許請求の範囲の主題及び／又はテキストは、それらの全体が参照により本明細書に組み込まれる。

本明細書における値の範囲の列挙は、本明細書において別途明確に示されない限り、その間の任意の部分範囲の範囲内にあるそれぞれの別個の値を個々に参照する簡単な方法としての役割を果たすことを単に意図する。列挙された範囲内のそれぞれの別個の値は、それぞれの別個の値が本明細書に個々に列挙されているかのように、本明細書又は特許請求の範囲に組み込まれる。特定の範囲の値が提供される場合、その範囲の上限と下限との間の下限の単位の１０分の１以下までのそれぞれの介在値と、その部分範囲の記載された範囲内の任意の他の記載値又は介在値とは、文脈が別段明確に指示しない限り、本明細書に含まれることが理解される。全ての部分範囲も含まれる。これらのより小さい範囲の上限及び下限も、記載された範囲内の任意の具体的かつ明示的に除外された制限に従うことを条件として、そこに含まれる。

本明細書で使用される用語のいくつかは相対的な用語であることに留意されたい。例えば、「上部」及び「下部」という用語は、場所的に互いに相対的であり、すなわち、上部構成要素は、それぞれの配向で下部構成要素よりも高位に位置するが、これらの用語は、配向が反転される場合に変わり得る。用語「入口」及び「出口」は、所与の構造に対してそれらを通って流れる流体に対するものであり、例えば、流体は、入口を通って構造に流れ込み、次いで、出口を通って構造から流れ出る。「上流」及び「下流」という用語は、下流構成要素を通って流れる前に、流体が様々な構成要素を通って流れる方向に対するものである。

「水平」及び「垂直」という用語は、絶対基準、すなわち、地表レベルに対する方向を示すために使用される。しかしながら、これらの用語は、互いに絶対的に平行又は絶対的に垂直である構造を必要とすると解釈されるべきではない。例えば、第１の垂直構造及び第２の垂直構造は、必ずしも互いに平行ではない。「上部」及び「下部」又は「基部」という用語は、上部が絶対基準、すなわち、地球の表面に対して、下部又は基部よりも常に高い場所又は表面を指すために使用される。「上向き」及び「下向き」という用語も、絶対基準に対するものである。上向きの流れは、常に地球の重力に対抗する。

本開示を通して、「遠位」、「近位」、「内側」、「外側」、「前方」、及び「後方」などの様々な位置用語は、人体解剖学的構造を指すときに慣習的な方法で使用される。より具体的には、「遠位」は、本体への取り付け点から離れた領域を指し、「近位」は、本体への取り付け点近くの領域を指す。例えば、遠位大腿骨は、頚骨の近くの大腿骨の部分を指し、近位大腿骨は、股関節の近くの大腿骨の部分を指す。「内側」及び「外側」という用語も本質的に反対である。「内側」は、本体の中央寄りに配置されるものを指す。「外側」は、あるものが、本体の中央よりも本体の右側寄り又は左側寄りに配置されることを意味する。「前方」及び「後方」に関して、「前方」は、本体の正面寄りに配置されたものを指す一方、「後方」は、本体の背面寄りに配置されたものを指す。

「内反」及び「外反」は広義の用語であり、限定するものではないが、膝関節に対する内側方向及び／又は外側方向の回転運動を含む。

本明細書で使用される場合、「骨異常」という用語は、外部又は内部の骨量減少の領域、異常な過剰骨（骨増殖体（すなわち、骨棘）など）の領域、又は、周囲の骨の自然領域と不連続である骨の任意の他の領域を指し得ることが理解されよう。

補正領域を計算する目的で骨異常の領域を識別するための全ての方法は、本開示の範囲内にあると見なされ、補正領域は、周囲の骨領域に対する骨異常の領域を除去する。例として、以下の項は、人工膝関節置換術（「ＴＫＡ」）において、発症前の膝関節の自然関節線及び回転軸を復元するために使用されるシステム及び方法の例示的な実施形態を説明する。

主要ＴＫＡを一般的に説明する：外科医は、典型的には、手術する膝の前側又は前内側でのほぼ垂直な膝蓋内側切開を行うことによって外科手術を開始する。外科医は、続けて脂肪組織を切開して、関節包を露出させる。次いで、外科医は、関節包に穿孔するために、内側膝蓋関節切開術を実行し得る。次いで開創器を使用して、膝蓋をほぼ外側に移動して大腿骨の遠位顆（１０３及び１０７、図１を参照されたい）と、近位頚骨プラトー上に静止している軟骨性半月板（一般的に、１１２、図１を参照されたい）とを露出させ得る。次いで、外科医は、半月板を取り外し、測定器具類を使用して、試験的インプラントを適応させるために遠位大腿骨１０５及び近位頚骨１１０を測定し、切除する。試験的インプラントは、実際の内部プロテーゼの同じ機能的寸法を一般的に有する試験用の内部プロテーゼであるが、試験的インプラントは、実際の内部プロテーゼの適合を評価する目的で、及び膝関節を運動学に評価する目的で、一時的に付け外しされるように設計されている。試験的インプラント及び実際の内部プロテーゼインプラントは、いったん取り付けられると、一般にこれらの切除部に隣接して配置される。したがって、これらの大腿骨及び頚骨切除の位置及び配向は、試験的インプラント及び実際の内部プロテーゼインプラント、延いては再構成された関節線の位置及び配向に大きく影響する。

次いで、この頚骨切除が実行される。いったん切除されると、頚骨の切除された領域は、「頚骨プラトー」として認識され得る。次に、外科医は、切除された近位頚骨プラトー上に試験的頚骨構成要素を配置し得る。外科医は一般に、試験的大腿骨構成要素を取り付ける目的で、異なる器具類を使用して遠位大腿骨顆を測定し、切除する。試験的構成要素が適切に着座していない場合、外科医は更なる器具類を使用して、所望の着座が達成されるまで大腿骨顆及び／又は頚骨プラトーを測定し、切除する。

次いで、外科医は、一般に、試験的頚骨トレイと試験的大腿骨構成要素との間に試験的半月板インサートを挿入して、試験的インプラントで膝の屈伸、全体的な安定性、及びの膝蓋骨トラッキングを試験する。試験的な運動特性が満たされると、外科医は、必要に応じて、骨セメントを使用して内部プロテーゼインプラントの実際の頚骨及び大腿骨構成要素を恒久的に取り付けるか、又はプレスフィットインプラントを使用して骨セメントの使用を回避し得る。

最新のアラインメント思想は、運動学的アラインメント原理である。運動学的アラインメント原理は、全ての患者の生理学がわずかに異なることを認識し、手術生理学の実際の測定を行って、自然関節線の位置を確認することによって、患者の発症前の自然な関節線の復元を目指す。いったんこれらの測定値が分かると、次いで、旋回式大腿骨切除ガイドロケータ４００（図２、図４、及び図６）又は切除ガイド４２４（図６）などのツールが露出した骨の上に配置される。切除ガイド４２４は、露出した骨を補完するためにカスタム化されてもよく、又は切除ガイド４２４は、大腿骨切除ガイドロケータ４００に選択的にロックすることができる。これらの大腿骨切除ガイドロケータ４００は、外科医が、患者の特定の測定に基づいて、露出した骨に対する切除ガイド４２４の配向を調整することができる、調整可能な位置決め機構（４４０を参照されたい）を有し得る。切除ガイド４２４が所望の配向に設定されると、切除ガイド４２４は、次いで、骨に一時的に固定される。次いで、外科医は、所望の切除面で下にある（undying）骨を切除するために、配向された切除ガイド４２４の切除スロット４５５に外科用鋸を挿入する。大腿骨及び頚骨切除の位置及び配向は、試験的インプラント及び実際の内部プロテーゼインプラントの配向に大きく影響するため、切除ガイド４２４の位置及び配向が、再構成された関節の回転軸の位置及び配向をほぼ決定する。

本明細書に記載の方法及びシステムは、運動学的アラインメントに特に有用であり得ることが企図されるが、本開示においては、本明細書に記載のシステム及び方法の使用を運動学的アラインメントに限定するものはない。例として、本明細書に記載されるシステム及び方法は、存在する骨異常がアラインメント器具の位置決めに影響を及ぼすという条件で、解剖学的アラインメント、機械的アラインメント、又は任意の他のアラインメント方法と共に使用され得る（切除ガイドロケータ４００及びアラインメントガイド６００を参照されたい）。更に、本開示において、膝関節に使用するために本明細書に記載の例示的なシステム及び方法を限定するものはない。外科医が骨又は軟組織異常の術前又は術中の知識を有することが望ましい任意の整形外科手術は、本開示の範囲内であると見なされる。そのような整形外科手術の例としては、股関節形成術、及び大腿骨寛骨臼インピンジメントの原因の緩和を目指す処置が挙げられるが、これらに限定されない。

図１は、簡略化された左膝関節（すなわち、例示的な手術領域１７０における対象整形外科要素１００の例示的な集合）の前面図である。図１～図５を参照して説明される例は、説明のための例示的な膝関節に関する。本開示全体を通して参照される「整形外科要素」１００は、膝関節の解剖学的構造に限定されないが、腱、靭帯、軟骨、及び筋肉などの任意の骨格構造及び関連する軟組織を含み得ることが理解されよう。例示的な整形外科要素１００の非限定的なリストは、大腿骨、頚骨、骨盤、椎骨、上腕骨、尺骨、橈骨、肩甲骨、頭蓋骨、腓骨、鎖骨、下顎骨、肋骨、手根骨、中手骨、中足骨、指骨、又は任意の関連する腱、靭帯、皮膚、軟骨、又は筋肉を含むがこれらに限定されない、身体の任意の部分的な骨又は完全な骨を含む。例示的な手術領域１７０は、いくつかの対象整形外科要素１００を含み得ることが理解されよう。

図１に示される例示的な整形外科要素１００は、大腿骨１０５の遠位態様、頚骨１１０の近位態様、腓骨１１の近位態様、内側側副靭帯（medial collateral ligament、「ＭＣＬ」）１１３、外側側副靭帯（lateral collateral ligament、「ＬＣＬ」）１２２、及び大腿骨遠位顆１０７、１０３にわたって配置された関節軟骨１２３である。骨異常の領域（一般に、１１５）は、大腿骨遠位顆１０７、１０３の上に示されている。骨異常の内側領域１１５ａは、内側顆１０７内に示され、骨異常の外側領域１１５ｂは、大腿骨１０５の外側顆１０３（集合的に「遠位大腿骨顆」）内に示されている。図１では、骨異常の領域１１５ａ、１１５ｂは「負の骨異常」、すなわち、骨量減少の領域である。図１は、頚骨１１０の近位態様の脛骨プラトー１１２上に配置された大腿骨１０５の遠位態様の内側顆１０７及び外側顆１０３を示す。内側Ｍでは、ＭＣＬ１１３が遠位大腿骨１０５を近位頚骨１１０に係合させている。同様に、外側Ｌでは、ＬＣＬ１２２が遠位大腿骨１０５を大腿骨１１１に係合させている。大腿頚骨の間隙１２０が、遠位大腿骨１０５を頚骨プラトー１１２から分離している。ヒアリン関節軟骨１２３は、遠位大腿骨１０５上の骨異常の領域１１５ａ、１１５ｂの周りに示されている。

自然な発症前の関節線の位置は、大腿骨顆１０７、１０３上の軟組織（例えば、関節軟骨１２３）と、下にある骨（例えば、頚骨１１０）によって支持されるような半月板との間の相互作用によってほぼ設定される。骨異常の領域１１５ａ、１１５ｂ（例えば、図１に示された骨量減少の領域）を含まない場合、発症前の軟骨１２３の厚さを知ることは、発症前の関節線の場所に密接に近似するために使用され得る。

図７は、例示的な軟骨厚さ計４０を示す。図示された厚さ計４０は、外科医が器具を保持及び操作するために使用することができる細長いハンドル部分５２を含む。肩部６２は、シャフト部分６０をハンドル部分５２に係合させる。シャフト部分６０は、近位固体部分６３と、遠位中空部分６４と、を含む。中空部分６４は、測定端部４１まで延在する。中空部分６４は、ピストン８０を受容する。ピストン８０は、中空部分６４の内部に配置され、ピストン８０とシャフト部分６０の固体部分６３との間に配置されたバネ７９に対して付勢される。ピストン８０上のマーカー（図示せず）は、シャフト部分６０の視認ポータルを通して視認され得る。これらのマーカーは、望ましくは、１ミリメートル（「ｍｍ」）増分などの一定の増分で配置される。基準線は、視認ポータルに隣接して配置され得る。同様に、視認ポータルを通して視認可能なマーカーは、基準線に対して移動する。

軟骨摩耗を評価するための全ての方法は、本開示の範囲内にあると見なされる。この例示的な軟骨厚さ計４０（図７）及び切除ガイドを使用して運動学的アラインメント技術を実行する１つの例示的な方法は、米国特許出願第１６／２５８，３４０号に更に記載されている。米国特許出願第１６／２５８，３４０号の全体は、参照により本明細書に組み込まれる。本出願に開示される方法は、軟骨厚さ計４０を使用して、摩耗していない、又は摩耗の少ない大腿骨顆（すなわち、１０７又は１０３）に隣接しているヒアリン関節軟骨１２３（図１）の厚さＴ（図１）を測定する。軟骨厚さ計４０の測定端部４１は、測定端部４１の先端部８６が下にある骨１０６（図１）に到達するまで、摩耗の少ない顆に隣接する軟骨１２３の最も厚い領域に挿入される。このように、測定端部４１の先端部８６を残りの近位軟骨１２３の最も厚い領域に押し入れて、ピストン８０がバネ７９を圧縮するようにする。同時に、ピストン８０上のマーカーは、基準線に対して移動し、視認ポータルを通して視認可能であり、それによって測定端部４１の下に配置された軟骨１２３の厚さを示す。次いで、外科医は、残りの軟骨の量（すなわち、軟骨厚さＴ）を記録し、この測定値を摩耗した顆における軟骨摩耗の量の近似値として使用する。このプロセスは、望ましくは、それぞれの遠位大腿骨顆１０３、１０７及びそれぞれの後大腿骨顆（１０７ａ、１０３ａ、図５）に対して繰り返される。

軟骨１２３の厚さを評価するための異なる例として、外科医又は技術者は、術中プローブを使用して、軟組織の場所及び物理的特性、例えば、軟組織の弾性及び密度をマッピングすることができる。システムは、このデータを使用して、顆にわたる軟骨摩耗の量を計算し得る。

ここで図２を参照すると、遠位大腿骨１０５の露出後の任意の時点で、外科医は、遠位大腿骨１０５のほぼ中央に骨髄内管を穿孔し、次いで、空にした骨髄内管に骨髄内ロッド４２０（図６も参照されたい）を入れて、遠位大腿骨１０５に対して参照用器具類を選択的に配置するための土台を提供し得る。骨髄内ロッド４２０がしっかり着座すると、旋回式大腿骨切除ガイドロケータ４００の安定部分４５１が骨髄内ロッド４２０へと摺動され得、その結果、調整パッド４４０Ａ、４４０Ｂが、内側遠位大腿骨顆１０７及び外側遠位大腿骨顆１０３にそれぞれ隣接して配置される。

安定部分４５１は、骨髄内ロッドホルダー部材、又は旋回する本体部分４１２に対して固定位置に固定されるように構成された他の装置であり得る。本体部分４１２は、安定部分４５１に対して旋回するように構成されている。ピン４１１（図６）は、安定部分４５１及び本体部分４１２内でそれぞれ位置合わせされた環状穴に密着して配置され得、このようにして、旋回式大腿骨切除ガイドロケータ４００の本体部分４１２は、安定部分４５１に対して「旋回するように構成されている」と言うことができ、又は安定部分４５１と「旋回関係」にあると言うことができる。

次いで、調整パッド４４０Ａ、４４０Ｂ（図６）は、切除ガイドロケータ４００の遠位基準面４８５から延在して、大腿骨顆１０３、１０７に接触する。基準面４８５に対するそれぞれの調整パッド４４０の長さｌは、望ましくは、それぞれの顆の関連する隣接したヒアリン関節軟骨１２３の厚さＴの測定値と同じ長さｌである。

例えば、内側Ｍに２ｍｍ、外側Ｌに０ｍｍの軟骨摩耗が存在する場合、外科医は、内側調整パッド４４０Ａを２ｍｍ伸長させる。外科医は、次いで、それぞれの調整パッド４４０を適切な顆上に配置する。この例では、外側調整パッド４４０Ｂは、遠位基準面４８５とほぼ同一平面に留まる。それによって、骨髄内ロッド４２０に対する遠位基準面４８５の位置が切除角度を設定する。次いで、切除ガイド４２４（図６）は、所望の切断角度で大腿骨１０５に固定され、大腿骨切除ガイドロケータ４００が取り外され、外科医は、所望の切除角度で切除スロット４５５を通して遠位大腿骨顆１０３、１０７を切除する。

しかしながら、これらの調整は、存在する軟骨摩耗のみを考慮する。この調整では、摩耗した顆（例えば、外側顆１０３、又は内側顆１０７）に生じ得る骨量減少などの骨異常の領域１１５ａ、１１５ｂは考慮されない。調整パッド４４０Ａ、４４０Ｂは、典型的には、軟骨厚さ計４０の測定値に基づいて設定される。患者が著しい骨量減少を患っている場合、又は著しい骨増殖体（一般に「骨棘」と称される）が存在する場合、大腿骨切除ガイドロケータ４００の遠位基準面４８５の位置は、発症前の関節面の正確な場所に配置されない。更に、外科医が調整パッド４４０を骨の残りの領域まで伸長させると（図２に示されるように）、発症前の骨が終わる場所及び関節軟骨１２３が始まる場所を正確に知ることができない。したがって、軟骨摩耗の量が、隣接する摩耗のない軟骨１２３の最も厚い領域を測定することによって合理的に近似され得る場合であっても、欠損骨の深さを正確に知ることは不可能である。したがって、著しい骨量減少の領域を有する顆に接触するための調整パッド４４０のいかなる調整も（延いては、遠位基準面４８５及び切除ガイド４２４の位置のいかなる調整も）、最善で発症前の関節面の近似である。この領域における精度不足は、関節の自然な発症前回転軸の配向を計算ミスする危険を伴う。したがって、いずれの推定誤差も、患者の快適さ及びインプラントの耐用年数に悪影響を及ぼし得る。

結果として、米国特許出願第１６／２５８，３４０号に記載されている旋回式大腿骨切除ガイドロケータ４００及び既存の術中技術を使用しても、全てのＴＫＡにおける軟骨及び骨の両方の正確な減少量を確実に計測することはできず、したがって、これらの技術は、正確な術前データの問題及び利用可能性と相まって、自然な発症前の関節線による人工関節線の正確な再構成を損ない得る。

これを例示するため、図２は、外側顆１０３の摩耗した骨１１６の露出表面上に配置される骨異常の負の領域１１５ｂを通って延在する調整パッド４４０Ｂを有する、大腿骨切除ガイドロケータ４００の側面図を示す。遠位基準面４８５に対するパッド調整器４４０の伸長された長さｌは、最初に軟骨厚さ（１２３を参照されたい）の測定値によって設定され、この測定値は、上述のように、軟骨厚さ計４０を使用するか、又は他の軟骨厚さ測定方法によって得られ得る。骨量減少を患う大腿骨顆１０３、１０７の場合、大腿骨切除ガイドロケータ４００をパッド調整器４４０Ａ、４４０Ｂと共に使用して、骨異常（例えば、この場合は骨量減少）の量を確実に把握することは、以前は不可能であった。

例えば、外側顆１０３の負の骨異常（すなわち、骨量減少）の正確な深さは、従来の方法を使用して容易に確認することはできない。パッド調整器４４０Ｂを測定された軟骨厚さの値まで伸長させ、パッド調整器４４０Ｂの端部を摩耗した骨１１６の露出表面上に配置すると、その時点でもはや発症前の関節面は示されないため、負の骨異常の深さが適切に考慮されないことで、旋回式大腿骨切除ガイドロケータ４００の位置がずれる危険が生じる。すなわち、外科医が最初に、図示されたパッド調整器４４０Ｂの伸長長さｌを（軟骨計の測定ごとに）遠位基準面４８５から２ｍｍに設定し、次いで、パッド調整器４４０が摩耗した骨１１６の露出表面に接触するようにパッド調整器４４０を配置した場合、パッド調整器は、負の骨異常１１５ｂの未知の深さだけ骨量減少の領域１１５ｂ内に延在し、それによって、骨髄内ロッド４２０に対する遠位基準面４８５（延いては、切断面）の角度が変わる。この新しい切断角度は、発症前の関節面を反映しないため、膝を運動学的に位置合わせするのに有用ではない。

外科医は、骨量減少の深さを推定することを試みるために、パッド調整器４４０の長さ（ｌを参照されたい）を追加することによって補おうとする場合があるが、正確な減少量は外科医には不明である。したがって、外科医は、減少量を過剰推定又は過少推定する可能性があり、それによって、発症前の関節の実際の関節面に対する大腿骨切除ガイドロケータ４００の位置がずれる危険が生じる。運動学的アラインメントは、大腿骨関節面を参照する技術である。したがって、関節面を参照する際に生じた間違いは、補正されない場合、近位頚骨に伝達され、それによって潜在的に初期誤差を更に悪化させる。更に、図２が示すように、骨異常の領域１１５ｂ、及び摩耗した骨１１６の露出面は、深さが均一ではない場合がある。これは、骨髄内ロッド４２０に対する切除ガイドロケータの角度付きの位置の初期安定性を損ない得る。

近年、撮像システムからのＸ線写真など、複数の２Ｄ画像を使用して、手術領域１７０の３Ｄモデルを作製することが可能になった。これらのモデルは、実際の手術の日付にはるかに近い手術を計画するために術前に使用され得る。更に、これらの３Ｄモデルは、術前モデル及び計画をチェックするために術中に生成され得るか、又はこれらの３Ｄモデルは、骨異常の領域が計算され得るネイティブモデルとして機能し得る。しかしながら、Ｘ線写真は、典型的には、画像解像度及び精度に関する懸念のため、３Ｄモデルの入力として以前は使用されていなかった。Ｘ線写真は、３Ｄ空間の２Ｄ表現である。したがって、２ＤのＸ線写真では、三次元に存在する実際の物体と比べて画像対象が必ず歪む。更に、Ｘ線が通過する物体は、Ｘ線源（典型的には、Ｘ線機械のアノード）からＸ線検出器（非限定的な例として、Ｘ線蛍光増倍管、リン材料、フラットパネル検出器（flat panel detector）「ＦＰＤ」（間接変換ＦＰＤ及び直接変換ＦＰＤを含む）、又は任意の数のデジタル若しくはアナログＸ線センサ若しくはＸ線フィルムを含み得る）へ移動する際のＸ線の経路を偏向させ得る。Ｘ線機械自体の欠陥又はその較正における欠陥はまた、Ｘ線写真測量及び３Ｄモデル再構成の有用性を損ない得る。加えて、放出されたＸ線光子は、異なるエネルギーを有する。Ｘ線がＸ線源と検出器との間に配置された物質と相互作用するとき、ノイズ及びアーチファクトは部分的に、コンプトン散乱及びレイリー散乱、光電効果、環境における外因性変異、又はＸ線生成ユニット、Ｘ線検出器、及び／若しくは処理ユニット若しくはディスプレイにおける内因性変異のために生成され得る。

更に、単一の２Ｄ画像では、実際の対象の３Ｄデータが失われる。したがって、コンピュータが実際の３Ｄ物体の３Ｄモデルを再構成するために単一の２Ｄ画像から使用し得るデータは存在しない。この理由から、ＣＴスキャン、ＭＲＩ、及び三次元データを保存する他の撮像技術は、多くの場合、１つ以上の対象整形外科要素のモデルを再構成する（すなわち、実際の３Ｄデータから３Ｄモデルを再構成して、一般に、より正確でより高い解像度のモデルを生成する）のに好ましい入力であった。しかしながら、以下で論じられる本開示の特定の例示的な実施形態は、深層学習ネットワークを使用して、Ｘ線写真測量から生成される再構成された３Ｄモデルの精度を改善し、再構成された３Ｄモデル上の又は当該３Ｄモデル内の骨異常の領域を識別することによって、これらの問題を克服する。特定の例示的な実施形態では、骨異常の領域は、曲線フィッティングアルゴリズム（すなわち、例示的な表面調整アルゴリズム）を使用して補正又は排除され得る。

骨異常の程度を計算するための例示的な方法は、少なくとも２つの２Ｄ画像から手術領域１７０の３Ｄモデルを生成することであって、第１の画像は第１の横方向位置でキャプチャされ、第２の画像は第２の横方向位置でキャプチャされ、第１の横方向位置は第２の横方向位置と異なる、ことと、３Ｄモデル上の骨異常の領域を識別することと、補正領域を計算することであって、補正領域は、３Ｄモデルから（すなわち、周囲の骨領域に対して）骨異常の領域を除去する、ことと、を含み得る。

骨異常の程度を計算するための例示的なシステムは、放射器２１及び検出器３３を含む放射線撮像機１８００（図１８）であって、放射線撮像機１８００の検出器３３は、第１の横方向位置３０ａ（図９及び図１０）で第１の画像３０（図９及び図１０）をキャプチャし、第２の横方向位置５０ａ（図９及び図１０）で第２の画像５０（図９及び図１０）をキャプチャし、第１の横方向位置３０ａは、第２の横方向位置５０ａからオフセット角度θ（図１０）だけオフセットされる、放射線撮像機１８００と、トランスミッタ２９（図１８）と、計算機１６００であって、トランスミッタ２９は、検出器３３から第１の画像３０及び第２の画像５０を計算機１６００に送信し、計算機１６００は、対象整形外科要素の３Ｄモデル１１００で骨異常の領域１１５を識別し、補正領域を計算するように構成されており、補正領域は、対象整形外科要素の３Ｄモデル１１００から（すなわち、周囲の骨領域に対して）骨異常の領域を除去する、計算機１６００と、を備え得る。

特定の例示的な実施形態では、例示的なシステムは、ディスプレイ１９を更に備え得る。

特定の例示的な実施形態では、例示的なシステムは、製造機１８を更に備え得る。製造機１８を備える例示的な実施形態では、製造機１８は積層造形機であり得る。そのような実施形態では、積層造形機は、対象整形外科要素の３Ｄモデル１１００又は骨異常の３Ｄモデル１１５ｍを製造するために使用され得る。

Ｘ線撮像システムからのＸ線写真は、Ｘ線写真がＣＴスキャンと比べて比較的安価であるため、及び蛍光透視システムなどのいくつかのＸ線撮像システムの機器は一般に、術中に使用されるのに十分にコンパクトであるため、望ましいものであり得るが、本開示においては、別途明示的に特許請求されない限り、２Ｄ画像の使用をＸ線写真に制限するものではなく、本開示のいずれも、撮像システムのタイプをＸ線撮像システムに制限するものではない。他の２Ｄ画像としては、例えば、ＣＴ画像、ＣＴ蛍光透視画像、蛍光透視画像、超音波画像、陽電子放出断層撮影（positron emission tomography、「ＰＥＴ」）画像、及びＭＲＩ画像が挙げられ得る。他の撮像システムとしては、例えば、ＣＴ、ＣＴ蛍光透視法、蛍光透視法、超音波、ＰＥＴ、及びＭＲＩシステムが挙げられ得る。

好ましくは、例示的な方法は、１つ以上の中央演算処理装置（ＣＰＵ）、ランダムアクセスメモリ（ＲＡＭ）、及び／又は入力／出力（Ｉ／Ｏ）インターフェース（複数可）などのハードウェアを有するコンピュータプラットフォーム（例えば、計算機１６００）に実装され得る。例示的な計算機１６００のアーキテクチャの例は、図１６を参照して以下に提供される。

特定の例示的な実施形態では、対象整形外科要素の３Ｄモデル１１００及び／又は骨異常の３Ｄモデル１１５ｍは、コンピュータモデルであり得る。他の例示的な実施形態では、対象整形外科要素の３Ｄモデル１１００及び／又は骨異常の３Ｄモデル１１５ｍは、物理モデルであり得る。

２Ｄの術前又は術中の画像から３Ｄモデルを生成するための様々な方法がある。例として、１つのそのような方法は、放射線撮像システムを用いて患者の手術領域１７０の２Ｄ放射線画像のセットを受信し、放射線撮像システムの座標系とそれぞれの２Ｄ画像からの射影幾何データとを用いてエピポーラ幾何原理を使用して、第１の３Ｄモデルを計算することを含み得る（図９及び図１０を参照されたい）。そのような例示的な方法は、２Ｄ放射線画像上の第１の３Ｄモデルを投影し、次いで、第１の３Ｄモデル上の第１及び第２の放射線画像３０、５０を画像間位置合わせ技術で位置合わせすることによって、初期の３Ｄモデルを調整することを更に含み得る。画像間位置合わせ技術が適用されると、修正された３Ｄモデルが生成され得る。このプロセスは、所望の明確さが達成されるまで繰り返され得る。

別の例として、畳み込みニューラルネットワーク（convolutional neural network、「ＣＮＮ」）、リカレントニューラルネットワーク（recurrent neural network、「ＲＮＮ」）、モジュール型ニューラルネットワーク（modular neural network）、又はＳｅｑｕｅｃｅ ｔｏ Ｓｅｑｕｅｎｃｅモデルなどの深層学習ネットワーク（「深層ニューラルネットワーク」（「deep neural network、ＤＮＮ」としても知られる）は、患者の手術領域１７０の少なくとも２つの２Ｄ画像のセットから対象整形外科要素の３Ｄモデル１１００及び／又は骨異常の３Ｄモデル１１５ｍを生成し、骨異常の領域１１５を識別するために使用され得る。２Ｄ画像は、望ましくは、放射線画像（例えば、Ｘ線画像又は蛍光透視画像）などの組織貫通画像である。そのような方法では、深層学習ネットワークは、それぞれの２Ｄ画像からの射影幾何データ（すなわち、空間データ４３又は体積データ７５）からモデルを生成し得る。深層学習ネットワークは、手術領域１７０における異なる対象整形外科要素１００（例えば、骨）又は骨異常１１５のマスクを生成することができ、並びに１つ以上の画像化された整形外科要素１００の体積（図１１、６１を参照）を計算することができるという利点を有し得る。

図８は、深層学習ネットワークを使用して、オフセット角度θから撮られた２つの平坦化された入力画像（３０、５０、図９及び図１０）を使用して、画像化された整形外科要素１００上又は該整形外科要素１００内の骨異常の領域１１５を識別する、例示的な方法の工程を概説するフロー図である。例示的な方法は、撮像機１８００（図１８）を較正して、画像点（Ｘ_Ｌ、ｅ_Ｌ、Ｘ_Ｒ、ｅ_Ｒ、図１０）と対応する空間座標（例えば、ｘ，ｙ平面上のデカルト座標）との間のマッピング関係を決定して空間データ４３を画定する工程１ａを含む。撮像機１８００は、望ましくは、Ｘ線画像を生成することができる放射線撮像機である（「Ｘ線画像」は、蛍光透視画像を含むものと理解され得る）が、全ての医療撮像機は、本開示の範囲内にあると見なされる。

工程２ａは、撮像技術（例えば、Ｘ線撮像技術、ＣＴ撮像技術、ＭＲＩ撮像技術、又は超音波撮像技術）を使用して、対象整形外科要素１００の第１の画像３０（図９）をキャプチャすることを含み、第１の画像３０は、第１の基準フレーム３０ａを画定する。工程３ａでは、対象整形外科要素１００の第２の画像５０（図９）が撮像技術を使用してキャプチャされ、第２の画像５０は、第２の基準フレーム５０ａを画定し、第１の基準フレーム３０ａは、第２の基準フレーム５０ａからオフセット角度θでオフセットされる。第１の画像３０及び第２の画像５０は、データ（空間データ４３を含む）が抽出され得る入力画像である。他の例示的な実施形態では、２つ以上の画像が使用され得ることが理解されよう。そのような実施形態では、それぞれの入力画像は、望ましくは、オフセット角度θだけ他の入力画像から分離される。工程４ａは、対象整形外科要素１００の第１の画像３０からの空間データ４３と、対象整形外科要素１００の第２の画像５０からの空間データ４３とを投影して、エピポーラ幾何を用いて体積データ７５（図１１）を画定することを含む。

工程５ａは、深層学習ネットワークを使用して、整形外科要素１００の体積データ７５から骨異常１１５を検出することを含む。工程６ａは、深層学習ネットワークを使用して、対象整形外科要素１００の体積データ７５から他の特徴（例えば、解剖学的ランドマーク）を検出して、対象整形外科要素の３Ｄモデル１１００を画定することを含む。工程７ａは、表面調整アルゴリズムを適用して、対象整形外科要素の３Ｄモデル１１００から検出された骨異常１１５を除去することを含む。

特定の例示的な実施形態では、体積データ７５から骨異常１１５を検出する深層学習ネットワークは、対象整形外科要素１００の体積データ７５から他の特徴を検出する同じ深層学習ネットワークであり得る。他の例示的な実施形態では、体積データ７５から骨異常１１５を検出する深層学習ネットワークは、対象整形外科要素１００の体積データ７５から他の特徴を検出する深層学習ネットワークとは異なり得る。

特定の例示的な実施形態では、第１の画像３０は、外側横方向位置にある対象整形外科要素１００を示し得る（すなわち、第１の画像３０は、整形外科要素１００の側面図である）。他の例示的な実施形態では、第２の画像５０は、前後（anterior-posterior、「ＡＰ」）横方向位置にある整形外科要素１００を示し得る（すなわち、第２の画像５０は、整形外科的要素１００のＡＰ図である）。更なる他の例示的な実施形態では、第１の画像３０は、ＡＰ横方向位置にある整形外科要素１００を示し得る。なお他の例示的な実施形態では、第２の画像５０は、外側横方向位置にある整形外科要素１００を示し得る。なお更なる他の例示的な実施形態では、第１の画像３０が第２の画像５０からオフセット角度θだけオフセットされている限り、第１の画像３０も第２の画像５０も、ＡＰ横方向位置又は外側横方向位置にある整形外科要素１００を示すことはできない。計算機１６００は、較正用治具を含む入力画像３０、５０からのオフセット角度θを計算し得る（９７３、図９を参照されたい）。第１の画像３０及び第２の画像５０は、集合的に「入力画像（input images）」、又は個別に「入力画像（input image）」と称され得る。これらの入力画像３０、５０は、望ましくは、同一の対象整形外科要素１００を異なる角度から示す。これらの入力画像３０、５０は、対象整形外科要素１００の横方向平面に沿って撮られ得る。

特定の例示的な方法は、ＣｙｃｌｅＧＡＮなどのスタイル転送深層学習ネットワークを使用することを更に含み得る。スタイル転送深層学習ネットワークを使用する方法は、放射線入力画像（例えば、３０）で開始し、スタイル転送ニューラルネットワークを使用して、入力画像のスタイルをＤＲＲタイプ画像に転送し得る。なお更なる例示的な方法は、深層学習ネットワークを使用して、対象整形外科要素１００又は骨異常１１５の特徴（例えば、解剖学的ランドマーク）を識別して、それぞれの対象整形外科要素１００又は骨異常１１５にセグメンテーションマスクを提供することを含み得る。

図１０及び図１１は、第１の入力画像３０及び第２の入力画像５０を組み合わせて、体積データ７５を含む体積６１が作製され得る仕組みを示す。図１０は、それぞれの入力画像３０、５０からの空間データ４３を体積データ７５（図１１）に変換するために使用され得るエピポーラ幾何の基本原理を示す。空間データ４３は、所与の入力画像３０、５０の対応する空間座標（例えば、ｘ及びｙ座標）にマッピングされる画像点（例えば、Ｘ_Ｌ、Ｘ_Ｒ）の集合によって画定されることが理解されるであろう。

図１０は、ピンホールカメラモデルによって記載される斜視投影の簡略化された概略図である。図１０は、コンピュータステレオビジョンに関連する基本的な概念を伝えるものであるが、３Ｄモデルが２Ｄステレオ画像から再構成され得る唯一の方法を意味するものではない。この簡略化されたモデルでは、光線は、光学的中心（すなわち、対象物体からの電磁放射の光線（例えば、可視光線、Ｘ線など）が撮像機のセンサ又は検出器アレイ３３（図１８）内で交差することが想定されるレンズ内の点）から放射される。光学的中心は、図１０に点Ｏ_Ｌ、Ｏ_Ｒで表されている。実際には、画像平面（３０ａ、５０ａを参照されたい）は、通常、光学的中心（例えば、Ｏ_Ｌ、Ｏ_Ｒ）の後ろにあり、実際の光学的中心は、点として検出器アレイ３３に投影されるが、原理をより簡潔に示すためにここでは仮想画像平面（３０ａ、５０ａを参照されたい）が提示されている。

第１の入力画像３０は、第１の基準フレーム３０ａから撮られ、第２の基準フレーム５０は、第１の基準フレーム３０ａとは異なる第２の基準フレーム５０ａから撮られる。それぞれの画像はピクセル値の行列を含む。第１及び第２の基準フレーム３０ａ、５０ａは、望ましくは、互いからオフセット角度θだけオフセットされる。オフセット角度θは、第１の基準フレーム３０ａのｘ軸と第２の基準フレーム５０ａのｘ軸との間の角度を表し得る。点ｅ_Ｌは、第１の入力画像３０上の第２の入力画像の光学的中心Ｏ_Ｒの場所である。点ｅ_Ｒは、第２の入力画像５０上の第１の入力画像の光学的中心Ｏ_Ｌの場所である。点ｅ_Ｌは、「エピポール」又はエピポーラ点として知られており、線Ｏ_Ｌ－Ｏ_Ｒ上にある。点Ｘ、Ｏ_Ｌ、Ｏ_Ｒは、エピポーラ面を画定する。

実際の光学的中心は、対象物体からの電磁放射の入射光線が検出器レンズ内で交差することが想定される点であるため、このモデルでは、電磁放射の光線は、３Ｄ空間における３Ｄ点Ｘの位置が、既知の相対位置の検出器３３からキャプチャされた２つ以上の入力画像３０、５０からどのように確認され得るかを視覚化する目的で、実際に光学的中心Ｏ_Ｌ、Ｏ_Ｒから放射されると考えられ得る。第１の入力画像３０のそれぞれの点（例えば、Ｘ_Ｌ）が３Ｄ空間内の線に対応する場合、次いで、対応する点（例えば、Ｘ_Ｒ）が第２の入力画像内で検出され得る場合、これらの対応点（例えば、Ｘ_Ｌ、Ｘ_Ｒ）は、共通の３Ｄ点Ｘの投影である必要がある。したがって、対応する画像点（例えば、Ｘ_Ｌ、Ｘ_Ｒ）によって生成される線は、３Ｄ点Ｘで交差する必要がある。一般に、Ｘの値が、２つ以上の入力画像３０、５０内の全ての対応する画像点（例えば、Ｘ_Ｌ、Ｘ_Ｒ）に対して計算される場合、体積データ７５を含む３Ｄ体積６１は、２つ以上の入力画像３０、５０から複製され得る。任意の所与の３Ｄ点Ｘの値は、様々な方法で三角測量され得る。例示的な計算方法の非限定的なリストは、中点法、直接線形変換法、基本行列法、交点法、及びバンドル調整法を含む。

本明細書に記載される「画像点」（例えば、Ｘ_Ｌ、Ｘ_Ｒ）は、空間内の点、ピクセル、ピクセルの一部分、又は隣接するピクセルの集合を指し得ることが理解されよう。本明細書で使用されるとき、３Ｄ点Ｘは、３Ｄ空間内の点を表し得ることも理解されよう。特定の例示的な用途において、３Ｄ点Ｘは、ボクセル、ボクセルの一部分、又は隣接するボクセルの集合として表現され得る。

しかしながら、エピポーラ幾何の原理が適用され得る前に、他の画像検出器（複数可）３３に対するそれぞれの画像検出器３３の位置が決定される必要がある（又は、単一の画像検出器３３の位置が、第１の画像３０が撮られた時点で決定される必要があり、単一の画像検出器３３の調整された位置は、第２の画像５０が撮られた時点で認識されるべきである）。また、撮像機１８００の焦点距離及び光学的中心を決定することが望ましい。これを実際に確認するために、画像検出器３３（又は、複数の画像検出器）は最初に較正される。図９Ａ及び図９Ｂは、対象整形外科要素１００に対する較正用治具９７３Ａ、９７３Ｂを示す。これらの図において、例示的な整形外科要素１００は、大腿骨１０５の遠位態様及び膝関節を含む頚骨１１０の近位態様である。図９Ａ及び図９Ｂの近位腓骨１１１は、画像化された別の整形外科要素１００である。図９Ｂに示される膝蓋骨９０１は、別の整形外科要素１００である。

図９Ａは、例示的な整形外科要素１００の前後図である（すなわち、図９Ａは、第１の基準フレーム３０ａから撮られた第１の画像３０を表す）。第１の較正用治具９７３Ａは、第１の保持アセンブリ９７４Ａに取り付けられる。第１の保持アセンブリ９７４Ａは、第１のストラップ９７７Ａに係合された第１のパッド付き支持体９７１Ａを含み得る。第１のパッド付き支持体９７１Ａは、第１のストラップ９７７Ａを介して患者の大腿部の外側に取り付けられる。第１の保持アセンブリ９７４Ａは、望ましくは第１の基準フレーム３０ａに平行に配向された（すなわち、検出器３３に直交する）第１の較正用治具９７３Ａを支持する。同様に、第２の保持アセンブリ９７４Ｂに取り付けられた第２の較正用治具９７３Ｂが提供され得る。第２の保持アセンブリ９７４Ｂは、第２のストラップ９７７Ｂに係合された第２のパッド付き支持体９７１Ｂを含み得る。第２のパッド付き支持体９７１Ｂは、第２のストラップ９７７Ｂを介して患者のふくらはぎの外側に取り付けられる。第２の保持アセンブリ９７４Ｂは、望ましくは第１の基準フレーム３０ａに平行な（すなわち、検出器３３に直交する）第２の較正用治具９７３Ｂを支持する。較正用治具９７３Ａ、９７３Ｂは、望ましくは対象整形外科要素１００から十分に離して位置付けられ、その結果、較正用治具９７３Ａ、９７３Ｂは、いずれの対象整形外科要素１００とも重なり合わない。

図９Ｂは、例示的な整形外科要素１００の内外図である（すなわち、図９Ｂは、第２の基準フレーム５０ａから撮られた第２の画像５０を表す）。図示された例では、内外基準フレーム５０ａは、前後の第１の基準フレーム３０ａから９０°回転又は「オフセット」される。第１の較正用治具９７３Ａは、第１の保持アセンブリ９７４Ａに取り付けられる。第１の保持アセンブリ９７４Ａは、第１のストラップ９７７Ａに係合された第１のパッド付き支持体９７１Ａを含み得る。第１のパッド付き支持体９７１Ａは、第１のストラップ９７７Ａを介して患者の大腿部の外側に取り付けられる。第１の保持アセンブリ９７４Ａは、望ましくは第２の基準フレーム５０ａに平行な（すなわち、検出器３３に直交する）第１の較正用治具９７３Ａを支持する。同様に、第２の保持アセンブリ９７４Ｂに取り付けられた第２の較正用治具９７３Ｂが提供され得る。第２の保持アセンブリ９７４Ｂは、第２のストラップ９７７Ｂに係合された第２のパッド付き支持体９７１Ｂを含み得る。第２のパッド付き支持体９７１Ｂは、第２のストラップ９７７Ｂを介して患者のふくらはぎの外側に取り付けられる。第２の保持アセンブリ９７４Ｂは、望ましくは第２の基準フレーム５０ａに平行な（すなわち、検出器３３に直交する）第２の較正用治具９７３Ｂを支持する。較正用治具９７３Ａ、９７３Ｂは、望ましくは対象整形外科要素１００から十分に離して位置付けられ、その結果、較正用治具９７３Ａ、９７３Ｂは、いずれの対象整形外科要素１００とも重なり合わない。

膝関節がこの配向で安定しているため（図１８を参照されたい）、患者は、望ましくは起立位（すなわち、脚が伸長状態にある）に位置付けられ得る。好ましくは、撮像機に対する患者の距離は、入力画像３０、５０の取得中に変更されるべきではない。第１及び第２の画像３０、５０は、脚全体をキャプチャする必要はなく、むしろ、画像は、手術領域１７０の対象となる関節に焦点を合わせ得る。

画像化され、モデル化される対象整形外科要素１００に応じて、単一の較正用治具９７３のみが使用され得ることが理解されよう。同様に、特に長い整形外科要素１００の集合が画像化され、モデル化される場合、２つ以上の較正治具が使用され得る。

それぞれの較正用治具９７３Ａ、９７３Ｂは、望ましくは既知のサイズである。それぞれの較正用治具９７３Ａ、９７３Ｂは、望ましくは、全体に分布された少なくとも４つ以上の較正点９７８を有する。較正点９７８は、他の点に対する１つの点９７８からの距離が分かっている既知のパターンで分布している。整形外科要素１００からの較正用治具９７３の距離も、望ましくは既知であり得る。Ｘ線写真測量システムの較正のために、較正点９７８は、望ましくは、較正用治具９７３上の金属構造によって画定され得る。金属は、典型的には、金属に接触するほとんどのＸ線ビームを吸収する。したがって、金属は、典型的には、Ｘ線をほとんど吸収しない物質（空気腔又は脂肪組織など）と比較して非常に明るく見える。較正点を定義する一般的な例示的構造としては、レゾークロス（reseau crosses）、円、三角形、錐体、及び球体が挙げられる。

これらの較正点９７８は、較正用治具９７３の２Ｄ表面上に存在し得るか、又は、３Ｄ較正点９７８は、所与の画像基準フレームから２Ｄ投影としてキャプチャされ得る。いずれの状況においても、３Ｄ座標（一般にｚ座標と呼ばれる）は、画像内にキャプチャされる全ての較正点９７８に対してゼロに等しくなるように設定され得る。それぞれの較正点９７８の間の距離は既知である。これらの既知の距離は、画像センサ／検出器３３においてｘ，ｙ座標として表現され得る。３Ｄ空間内の点をセンサ３３上の２Ｄ座標ピクセルにマッピングするために、検出器の較正行列、外因性行列、及び実３Ｄ点の相同座標ベクトルの内積が使用され得る。これにより、３Ｄ空間内の点の実世界座標は、較正用治具９７３に対してマッピングされる。別の言い方をすれば、これは、一般に、３Ｄ空間内の実点のｘ，ｙ座標が、空間データ４３を画定するために画像検出器のセンサ３３の２Ｄ座標平面に正確に変換されることを可能にする（図１０を参照されたい）。

上記の較正方法は、一例として提供される。Ｘ線写真測量システムを較正するのに好適な全ての方法は、本開示の範囲内であると考えられることが理解されよう。他のＸ線写真測量システム較正方法の非限定的なリストは、レゾープレートの使用、Ｚｈａｎｇの手法、バンドル調整法、直接線形変換法、最大尤度推定、ｋ近傍法（k-nearest neighbor regression approach、「ｋＮＮ」）、他の深層学習法、又はそれらの組み合わせを含む。

図１１は、較正された入力画像３０、５０が、既知のオフセット角度θに沿って配向されたときに、２つのチャネル６５、６６を含む３Ｄ体積６１にどのように逆投影され得るかを示す。第１のチャネル６５は、第１の入力画像３０の全ての画像点（例えば、Ｘ_Ｌなど）を含み、第２のチャネル６６は、第２の入力画像５０の全ての画像点（例えば、Ｘ_Ｒなど）を含む。すなわち、それぞれの画像点（例えば、ピクセル）は、その関連する逆投影された３Ｄ光線の上に複製される。次に、エピポーラ幾何を使用して、これらの逆投影された２Ｄ入力画像３０、５０から体積データ７５を含む画像化された手術領域１７０の体積６１が生成され得る。

図１１を参照すると、第１の画像３０及び第２の画像５０は、望ましくは、既知の画像寸法を有する。寸法は、ピクセルであり得る。例えば、第１の画像３０は、１２８×１２８ピクセルの寸法を有し得る。第２の画像５０は、１２８×１２８ピクセルの寸法を有し得る。特定の計算で使用される入力画像３０、５０の寸法は、望ましくは、一貫した寸法を有する。一貫した寸法は、通常の体積６１の立方体作業領域（例えば、１２８×１２８×１２８の立方体）を後で画定するために望ましい場合がある。図１０に見られるように、オフセット角度θは、望ましくは９０°である。しかしながら、他の例示的な実施形態では、他のオフセット角度θが使用されてもよい。

図示された例では、１２８×１２８ピクセルの入力画像３０、５０のそれぞれが、隣接する入力画像の長さにわたって１２８回複製されて、１２８×１２８×１２８ピクセルの寸法を有する体積６１が作製される。すなわち、第１の画像３０は、コピーされ、１ピクセル当たり１コピーで１２８ピクセル分それ自体の後ろに積み重ねられる一方、第２の画像５０は、コピーされ、積み重ねられた画像が重なり合い、それによって体積６１が作製されるように１２８ピクセル分それ自体の後ろに積み重ねられる。このようにして、体積６１は、２つのチャネル６５、６６を含むと言うことができ、第１のチャネル６５は、第２の画像５０の長さ（すなわち、第２の画像５０のｘ軸）にわたってｎ回複製された第１の画像３０を含み、第２のチャネル６６は、第１の画像３０の長さ（すなわち、第１の画像３０のｘ軸）にわたってｍ回複製された第２の画像５０を含み、「ｎ」及び「ｍ」は、指示された画像の長さを含むピクセルの数（又は、他の例示的な実施形態における他の寸法）として表現されるような、指示された画像の長さである。オフセット角度θが既知である場合、体積６１のそれぞれの横方向スライス（一部の放射線学者には「軸方向スライス」としても知られる）は、２つのエピポーラ線を含むピクセルから逆投影されるボクセルを含むエピポーラ平面を作製する。このようにして、対象整形外科要素１００の第１の画像３０からの空間データ４３と、対象整形外科要素１００の第２の画像５０からの空間データ４３とを投影して、体積データ７５を画定する。この体積データ７５を使用することで、３Ｄ表現は、上述のようにエピポーラ幾何原理を用いて再構成され得、３Ｄ表現は、入力画像３０、５０における情報と幾何学的に一貫している。

深層学習ネットワークがＣＮＮである深層学習ネットワークを使用して骨異常の領域１１５を計算するための例示的なシステム及び方法では、ＣＮＮがどのように構造化され、訓練され得るかを示す詳細な例が提供される。ＣＮＮの全てのアーキテクチャは、本開示の範囲内にあると見なされる。一般的なＣＮＮアーキテクチャとして、例えば、ＬｅＮｅｔ、ＧｏｏｇＬｅＮｅｔ、ＡｌｅｘＮｅｔ、ＺＦＮｅｔ、ＲｅｓＮｅｔ、及びＶＧＧＮｅｔが挙げられる。

図１７は、ＣＮＮが、骨異常１１５の領域を識別するためにどのように使用され得るかを示すＣＮＮの概略図である。理論に束縛されるものではないが、ＣＮＮは、所望の整形外科要素又は骨異常１１５の所望の領域を識別するために必要な特徴を失うことなく、体積データ７５のサイズを縮小させるために望ましい場合があることが企図される。複数の逆投影された投入画像３０、５０の体積データ７５は、「入力テンソル」として知られ得る多次元アレイである。この入力テンソルは、第１の畳み込みのための入力データ（この例では、体積データ７５である）を含む。体積データ７５に配置されたフィルタ（カーネル６９としても知られている）が示されている。カーネル６９は、フィルタ又は機能を定義するテンソル（すなわち、多次元アレイ）である（このフィルタ又は機能は、カーネルに与えられる「重量」として知られることがある）。図示された実施形態では、カーネルテンソル６９は三次元である。カーネル６９を含むフィルタ又は機能は、手動でプログラムされるか、又はＣＮＮ、ＲＮＮ、若しくは他の深層学習ネットワークを通して学習され得る。図示された実施形態では、カーネル６９は、３×３×３テンソルであるが、カーネルテンソルサイズが入力テンソルのサイズより小さい限り、全てのテンソルサイズ及び寸法は、本開示の範囲内にあると見なされる。

カーネル６９のそれぞれのセル又はボクセルは、数値を有する。これらの値は、カーネル６９のフィルタ又は機能を定義する。畳み込み又は相互相関動作は、２つのテンソル間で実行される。図１７では、畳み込みは、経路７６によって表される。カーネル６９がたどる経路７６は、数学的動作を可視化したものである。この経路７６をたどりながら、カーネル６９は、最終的に入力テンソルの全体積６１（例えば、体積データ７５）を順次横断する。この動作の目標は、入力テンソルから特徴を抽出することである。

畳み込み層７２は、典型的には、畳み込み段階６７、検出器段階６８、及びプーリング段階５８のうちの１つ以上を含む。これらそれぞれの動作は、図１７の第１の畳み込み層７２ａで視覚的に表されているが、その後の畳み込み層７２ｂ、７２ｃなども、畳み込み段階６７、検出器段階６８、及びプーリング層５８動作、又はそれらの組み合わせ若しくは順列のうちの１つ以上、又は全てを含み得ることが理解されよう。更に、図１７は、様々な解像度の５つの畳み込み層７２ａ、７２ｂ、７２ｃ、７２ｄ、７２ｅを示しているが、他の例示的な実施形態では、より多くの畳み込み層又はより少ない畳み込み層が使用されてもよいことが理解されよう。

畳み込み段階６７において、カーネル６９には、入力データ（すなわち、図示された例では、体積データ７５）内のピクセルの複数のパッチが順次乗算される。データから抽出されたピクセルのパッチは、受容野として知られている。カーネル６９と受容野との乗算は、受容野のそれぞれのピクセルとカーネル６９との間の要素ごとの乗算を含む。乗算後、結果が合計されて、畳み込み出力の１つの要素が形成される。次いで、このカーネル６９は、隣接する受容野にシフトし、要素ごとの乗算動作及び合計は、入力テンソルの全てのピクセルがこの動作を受けるまで継続する。

この時点まで、入力テンソルの入力データ（例えば、体積データ７５）は線形である。次いで、このデータに非線形性を導入するために、非線形活性化関数が用いられる。そのような非線形関数の使用は、検出器段階６８の始まりを示す。一般的な非線形活性化関数は、関数によって与えられる正規化線形関数（Rectified Linear Unit function、「ＲｅＬＵ」）である。

バイアスと共に使用される場合、非線形活性化関数は、カーネル６９によって抽出された特徴の存在を検出するための閾値として役立つ。例えば、入力テンソルとカーネル６９との間に畳み込み又は相互相関動作を適用することで、畳み込み出力テンソルが生成され、カーネル６９は、畳み込み段階６７で低レベルのエッジフィルタを含む。次いで、バイアスを伴う非線形活性化関数を畳み込み出力テンソルに適用することにより、特徴マップ出力テンソルが返される。バイアスは、畳み込み出力テンソルのそれぞれのセルに順次追加される。所与のセルについて、合計が０以上である場合（この例では、ＲｅＬＵが使用されると仮定する）、合計は、特徴マップ出力テンソルの対応するセルに返される。同様に、合計が所与のセルに対して０未満である場合、特徴マップ出力テンソルの対応するセルは０に設定される。したがって、畳み込み出力に非線形活性化関数を適用することは、畳み込み出力がカーネル６９のフィルタと一致するか否か、及びどの程度密接に一致するかを決定するための閾値のように挙動する。このようにして、非線形活性化関数は、入力データ（例えば、この例では、体積データ７５）から所望の特徴の存在を検出する。

全ての非線形活性化関数は、本開示の範囲内にあると見なされる。他の例としては、シグモイド、ＴａｎＨ、Ｌｅａｋｙ ＲｅＬＵ、ｐａｒａｍｅｔｒｉｃ ＲｅＬＵ、Ｓｏｆｔｍａｘ、及びＳｗｉｔｃｈ活性化機能が挙げられる。

しかしながら、このアプローチの欠点は、この第１の畳み込み層７２ａの特徴マップ出力が所望の特徴（上記の例では、エッジ）の正確な位置を記録することである。したがって、入力データにおける特徴の小さな動きが、異なる特徴マップを生成することになる。この問題に対処し、かつ計算電力を削減するために、ダウンサンプリングを使用して、重要な構造要素を依然として保存しながら入力データの解像度を低下させる。ダウンサンプリングは、入力テンソルに沿った畳み込みのストライドを変更することによって達成され得る。ダウンサンプリングはまた、プーリング層５８を使用することによって達成される。

入力テンソル（７２ａを参照されたい）と比べて畳み込まれたテンソル（７２ｂを参照されたい）の寸法を減少させるために、有効なパディングが適用されてもよい。プーリング層５８は、望ましくは、畳み込まれたデータの空間サイズを縮小するために適用され、これは、データを処理するために必要な計算電力を減少させる。最大プーリング及び平均プールを含む一般的なプーリング技術が使用され得る。最大プーリングは、カーネル６９によってカバーされた入力テンソルの部分の最大値を返す一方、平均プーリングは、カーネル６９によってカバーされた入力テンソルの部分の全ての値の平均を返す。最大プーリングを使用して、画像ノイズが低減され得る。

特定の例示的な実施形態では、全結合層は、畳み込み層の出力によって表される高レベルの特徴（画像化された近位頚骨１１０又は骨異常１１５のプロファイルなど）の非線形の組み合わせを学習するために、最終的な畳み込み層７２ｅの後に追加され得る。

図１７の上半分は、入力体積データ７５の圧縮を表し、下半分は、入力体積データ７５の元のサイズに到達するまでの減圧を表す。それぞれの畳み込み層７２ａ、７２ｂ、７２ｃなどの出力特徴マップは、より複雑になっていく特徴抽出を可能にするために、後続の畳み込み層７２ｂ、７２ｃなどの入力として使用される。例えば、第１のカーネル６９は、エッジを検出し得、第１の畳み込み層７２ｂ内のカーネルは、所望の配向でエッジの集合を検出し得、第３の畳み込み層７２ｃ内のカーネルは、所望の配向でエッジのより長い集合を検出し得る、などとなる。このプロセスは、内側遠位大腿骨顆のプロファイル全体が下流の畳み込み層７２によって検出されるまで継続し得る。

図１７の下半分は、アップサンプル（すなわち、より低い解像度の特徴マップの空間サポートを拡大したもの）である。逆畳み込み動作は、次の下流の畳み込み層に対する入力のサイズを増大するために実行される（７２ｃ、７２ｄ、７２ｅを参照されたい）。最終畳み込み層７２ｅの場合、畳み込みは、１×１×１カーネル６９と共に採用されて、入力体積６１と同じサイズのマルチチャネル出力体積５９が生成され得る。マルチチャネル出力体積５９のそれぞれのチャネルは、所望の抽出された高レベル特徴を表し得る。これに続いて、Ｓｏｆｔｍａｘ活性化関数が、所望の整形外科要素１００を検出し得る。例えば、図示された実施形態は、０、１、２、３、４、５と採番された６つの出力チャネルを含み得、チャネル０は識別されたバックグラウンド体積を表し、チャネル１は識別された遠位大腿骨１０５を表し、チャネル２は識別された近位頚骨１１０を表し、チャネル３は識別された近位腓骨１１１を表し、チャネル４は膝蓋骨９０１を表し、チャネル５は識別された骨異常１１５を表す。

例示的な実施形態では、所望の整形外科要素１００又は骨異常１１５ｂの出力体積データ５９を含む選択された出力チャネルを使用して、対象整形外科要素の３Ｄモデル１１００又は骨異常の３Ｄモデル１１５ｍが作製され得る。

上の例は、入力体積データ７５を畳み込むための三次元テンソルカーネル６９の使用を説明したものであるが、上述の一般モデルは、それぞれ第１の較正された入力画像３０及び第２の較正された入力画像５０からの２Ｄ空間データ４３と共に使用され得ることが理解されよう。他の例示的な実施形態では、機械学習アルゴリズム（すなわち、深層学習ネットワーク（例えば、ＣＮＮなど））は、撮像機の較正後、但し、２Ｄから３Ｄへの再構成前に使用され得る。すなわち、ＣＮＮを使用して、それぞれの２Ｄ入力画像３０、５０の第１の基準フレーム３０ａ及び第２の基準フレーム５０ａから対象整形外科要素１００の特徴（例えば、解剖学的ランドマーク）が検出され得る。例示的な実施形態では、ＣＮＮを使用して、２Ｄ入力画像３０、５０から高レベルの整形外科要素（例えば、遠位大腿骨１０５及び任意の骨異常１１５）が識別され得る。次いで、ＣＮＮは、検出された整形外科要素１００又は骨異常１１５にマスク又は外形を任意選択的に適用し得る。撮像機１８００が構成され、ＣＮＮが、２つの入力画像３０、５０間の特徴の複数の対応する画像点（例えば、Ｘ_Ｌ、Ｘ_Ｒ）を識別した場合、対象整形外科要素１００の基準フレーム３０ａ、５０ａ間の変換行列を使用して、３Ｄ空間内の複数の対応する画像点が位置合わせされ得ることが企図される。

深層学習ネットワークを使用して、それぞれの入力画像３０、５０から検出された２Ｄ整形外科要素１００又は骨異常１１５にマスク又は外形を追加することを含む特定の例示的な実施形態では、識別された整形外科要素１００又は骨異常１１５の２Ｄマスク又は外形のみが、上記の図１０及び図１１を参照して記載された方法で順次逆投影されて、識別された整形外科要素１００又は骨異常１１５の体積６１が画定され得る。この例示的な方法では、対象整形外科要素の３Ｄモデル１１００又は骨異常の３Ｄモデル１１５ｍが作製され得る。

第１の画像３０と第２の画像５０がＸ線画像である実施形態では、ＣＮＮを訓練することは、いくつかの課題を提示し得る。比較として、ＣＴスキャンは、典型的には、所望の体積の一連の画像を生成する。典型的なＣＴスキャンを含むそれぞれのＣＴ画像は、画像化された体積のセグメントとして考えられ得る。これらのセグメントから、要素がそれぞれの連続するＣＴ画像に示されているときに所望の要素の領域を追加することによって、３Ｄモデルは比較的容易に作製され得る。次いで、モデル化された要素をＣＴスキャンのデータと比較して、精度が確保され得る。

対照的に、放射線撮像システムは、典型的には、画像化された体積の異なるセグメントをキャプチャする連続画像を生成しない。むしろ、画像の情報の全ては、２Ｄ平面で平坦化される。加えて、単一の放射線画像３０は本質的に３Ｄデータを欠いているため、上述のエピポーラ幾何再構成技術によって生成されたモデルを、標的整形外科要素１００の実際の幾何学的形状を用いてチェックすることは困難である。この問題に対処するために、ＣＮＮは、デジタル的に再構成された放射線写真（digitally reconstructed radiograph、「ＤＲＲ」）画像などのＣＴ画像を用いて訓練され得る。このようにニューラルネットワークを訓練することによって、ニューラルネットワークは、所望の整形外科要素１００又は骨異常１１５ｂを識別するために、カーネル６９に対して独自の重み（例えば、フィルタ）を開発し得る。Ｘ線写真はＤＲＲとは異なる外観を有するため、ＤＲＲスタイルの外観を有するように入力Ｘ線画像をレンダリングするように、画像間変換が実行され得る。例示的な画像間変換方法は、ＣｙｃｌｅＧＡＮ画像変換技術である。画像間のスタイル転送方法が使用される実施形態では、スタイル転送方法は、望ましくは、特徴検出のためにデータを深層学習ネットワークに入力する前に使用される。

上の例は、理解を助ける目的で提供されており、本開示の範囲を限定することを意図するものではない。少なくとも２つの横方向位置から撮られた同じ対象整形外科要素１００の２Ｄ放射線画像（例えば、３０ａ、５０ａ）から対象整形外科要素の３Ｄモデル１１００又は骨異常の３Ｄモデル１１５ｍを生成するための全ての方法は、本開示の範囲内にあると見なされる。

図１２は、遠位大腿骨１０５と、骨異常の３Ｄモデル１１５ｍ１、１１５ｍ２とを示す斜視図である。骨異常の３Ｄモデル１１５ｍ１、１１５ｍ２は、本開示の任意の方法又はシステムに従って生成され得ることが理解されよう。図示された実施形態では、遠位大腿骨１０５は、内側顆１０７上に２つの負の骨異常１１５ａ、１１５ｃ（すなわち、骨量減少の領域）を有していた。本開示による方法は、本明細書に記載されるように、骨異常１１５ａ、１１５ｃを識別するために使用され得る。骨異常体積データ５９を含む出力チャネルは、骨異常の３Ｄモデル１１５ｍ１を生成するために使用され得る。図示された例では、骨異常のそれぞれの３Ｄモデル１１５ｍ１、１１５ｍ２は、実際の骨異常１１５ａ、１１５ｃの逆体積を含む。骨異常の３Ｄモデル１１５ｍ１、１１５ｍ２を含む体積の境界を描写するために、深層学習ネットワークは、実際の負の骨異常１１５ａ、１１５ｃのエッジと、負の骨異常１１５ａ、１１５ｃが存在する隣接する整形外科要素１００の表面の湾曲を検出するように訓練され得る。図示された例では、隣接する整形外科要素の表面は、内側顆表面である。次いで、曲線フィッティングアルゴリズムなどの表面調整アルゴリズムを適用して、欠損表面の湾曲が推定され、それによって負の骨異常１１５が補正され得る。実施形態では、推定された湾曲は、次いで、負の骨異常（例えば、１１５ａ）の識別された表面領域に追加され得る。負の骨異常の識別された表面領域と推定された湾曲との間の空間は、負の骨異常１１５ａのモデル化された体積を画定する。このモデル化された体積を含むデータは、負の骨異常１１５ａの実際の体積に対してモデル化された逆体積を有する異常の３Ｄモデル１１５ｍ１を生成するために使用され得る。

骨異常１１５が正の骨異常１１５（例えば、骨増殖体）である実施形態では、深層学習ネットワークは、実際の正の骨異常１１５のエッジと、正の骨異常１１５が存在する隣接する整形外科要素１００の表面の湾曲とを検出するように訓練され得ることが理解されよう。隣接する整形外科要素１００の表面が湾曲している場合、曲線フィッティングアルゴリズムを使用して、正の骨異常１１５がない表面の湾曲が推定され、それによって正の骨異常１１５が補正され得る。

特定の例示的な実施形態では、骨異常の３Ｄモデル１１５ｍ１は、物理的３Ｄ骨異常モデルとして生成され得る。術中に使用される場合、骨異常の物理的３Ｄモデル１１５ｍ１は、１：１の縮尺で作製されてもよい。そのような例示的な実施形態では、骨異常の物理的３Ｄモデル１１５ｍ１は、医療用ポリアミド（非公式にナイロンとして知られている）から作製されてもよい。骨異常の物理的３Ｄモデル１１５ｍ１の材料は、滅菌可能であるべきであり、望ましくはオートクレーブに好適な特性を有し得る。オートクレーブは、概して小さくコンパクトであるため、特に、外科診療所で又はその近辺で骨異常の物理的３Ｄモデル１１５ｍ１を滅菌するために有用である。

骨異常の３Ｄモデル１１５ｍ１に好適な材料の他の例としては、医療用ポリエチレン（例えば、超高分子量ポリエチレン（「ＵＨＭＷＰＥ」））、ポリエーテルエーテルケトン（「ＰＥＥＫ」）、又は限定するものではないが、コバルトクロムモリブデン合金、チタン合金を含む他の生体適合性の臨床的に証明された材料、及び限定するものではないが、ジルコニア強化アルミナ（「ＺＴＡ」）セラミックを含むセラミック材料が挙げられる。骨異常が骨量減少の領域である状況では、骨異常の１：１の物理的３Ｄモデル１１５ｍ１の利点は、骨異常の物理的３Ｄモデル１１５ｍ１が、実際の骨異常の露出表面１１６の相補的表面を有することである（図２、図４の１１５ｂを参照されたい）。物理的３Ｄ骨異常モデル１１５ｍ１が適切に滅菌されている限り、物理的３Ｄ骨異常モデル１１５ｍ１は、術中に実際の骨異常１１５ｂの相補的表面１１６に隣接して配置され得る。このようにして、上記の図２を参照して上述された不確実性は回避される。

例示的な実施形態では、骨異常の物理的３Ｄモデル１１５ｍ２は、アラインメントガイド６００の１つ又は両方の後部パッド６９３ａ、６９３ｂに選択的に取り付けられ得る。欠損骨の物理的に滅菌されたモデルを提供することによって、以下に図５を参照して説明される不確実性が排除されることが企図される。

図３は、深層学習ネットワークを使用して整形外科要素１００の体積データ７５上又は該体積データ７５内の骨異常１１５ａ、１１５ｂを検出する工程を視覚的に表す、簡略化された左膝関節の前面図である。深層学習ネットワークは、対象整形外科要素の３Ｄモデル１１００を画定するために、対象整形外科要素１００の体積データ７５から他のランドマークを検出し得る。次いで、表面調整アルゴリズムが適用されて、対象整形外科要素の３Ｄモデル１１００から骨異常１１５ａ、１１５ｂが除去される。図示された実施形態では、骨異常１１５ａ、１１５ｂは、骨異常１１５ａ、１１５ｂの外側表面と一致する外部欠損骨表面１１７ａ、１１７ｂ（この例では、骨量減少の外側表面領域）を計算することによって除去される。例示的な方法を実行するコンピュータプラットフォームは、人工知能を介して訓練されるソフトウェアを実行して、３Ｄモデルで骨量減少を示す、摩耗した顆上の特徴（すなわち、ランドマーク）を識別し得る。他の例示的な実施形態では、骨異常１１５ａ、１１５ｂの領域を識別するために、コンピュータインターフェースを介して骨量減少の境界を手動で識別することができる。いったん識別されたら、骨異常が骨量減少を構成する状況では、骨異常１１５ａ、１１５ｂの外側表面領域に適合する外部欠損骨表面１１７ａ、１１７ｂを計算するために、表面調整アルゴリズムが適用され得る。

他の例示的な実施形態では、深層学習ネットワークを使用して、整形外科要素１００の体積データ７５上又は該体積データ７５内の骨異常１１５ａ、１１５ｂを検出する工程は、骨異常の３Ｄモデル１１５ｍを生成することを更に含む。３Ｄ骨異常モデル１１５ｍがコンピュータモデルである場合、３Ｄ骨異常モデル１１５ｍは、スクリーンなどのディスプレイ１９上に任意選択的に投影されてもよい。特定の例示的な実施形態では、３Ｄ骨異常コンピュータモデル１１５ｍは、手術領域１７０の画像内の実際の骨異常１１５に重ね合わさるように、外科医の視野内に投影され得る。なお他の例示的な実施形態では、３Ｄ骨異常コンピュータモデル１１５ｍは、露出された手術領域１７０内など、患者の実際の骨異常１１５に重ね合わさるように、外科医の視野内に投影され得る。そのようなディスプレイ１９は、拡張現実装置、好ましくはヘッドマウント拡張現実装置を介して達成され得る。

更に他の例示的な実施形態では、物理的３Ｄ骨異常モデル１１５ｍは、製造技術を通して作製され得る（図１８を参照されたい）。該製造技術は、コンピュータ数値制御（computer numerical control、「ＣＮＣ」）機械又はフライス盤の使用などによる還元製造方法を含み得る。他の例示的な実施形態では、製造技術は、３Ｄ印刷技術などの積層造形技術を含み得る。製造技術が積層造形技術である場合、物理的３Ｄ骨異常モデル１１５ｍは、術前センターで、現場から離れた場所で、又は手術施設で若しくはその近傍で製造され得る。

図４は、外側顆１０３上の計算された外部欠損骨表面１１７ｂに延在する調整ノブ４４２付きの調整パッド４４０を有する旋回式大腿切除ガイド位置決め器具４００の側面図である。見て分かるように、軟骨摩耗の深さが適切に確認されている場合、調整パッド４４０は、骨の発症前表面まで延在するものと考えられ得る。しかしながら、実際には、外科医は代わりに、確認された軟骨減少の深さに骨量減少の深さを追加することを選択し、最大骨量減少深さと軟骨減少深さの合計を反映するように調整パッド４４０の長さｌを設定し、次いで、調整パッド４４０を外側顆の残りの露出した骨１１６に配置することを選択し得る。このようにして、遠位基準面４８５は、この時点で発症前関節の関節面に正確に配置される。

他の例示的な実施形態では、１：１の物理的３Ｄ骨異常モデル１１５ｍは、調整ノブ４４０が露出した骨異常１１５ｂに隣接して配置されているときに、１：１の物理的３Ｄ骨異常モデル１１５ｍの相補的表面が骨異常１１５ｂの表面１１６と嵌合するように、調整ノブ４４０の遠位端に固着され得る（図１７を参照されたい）。対象整形外科要素１００のうちの１つが遠位大腿骨１０５の関節軟骨１２３である更なる他の例示的な実施形態では、物理的３Ｄ骨異常モデル１１５ｍ１は、上述のような骨量減少の体積に加えて、欠損軟骨のモデル化された表面を含み得る。表面調整アルゴリズムは、周囲の軟骨の表面に対して欠損軟骨の表面を画定するために使用され得る。

図５は、遠位切除が切除ガイド４２４を用いて行われた後を示した、大腿骨１０５の簡略化された遠位端の斜視図である。後部パッド６９３ａ、６９３ｂを含むアラインメントガイド６００は、大腿骨顆１０３、１０７の後方部分１０３ａ、１０７ａの下に配置される。簡略化のために、大腿骨顆の後方部分は、「後顆」１０３ａ、１０７ａと称されることになる。アラインメントガイド６００は、本明細書に示されるような複合型のサイジング及びアラインメントガイドであるか、又はアラインメントガイド６００のみであり得る。アラインメントガイド６００は、本体６０２を含み得る。後部パッド６９３ａ、６９３ｂは、本体６０２の下方部分から延在し、ドリルボア６４２ａ、６４２ｂは、後部パッド６９３ａ、６９３ｂ上方の本体６０２を通って延在する。図示された実施形態では、旋回ドリルボア６４２ａは、アラインメントガイド６００の本体６０２を通って延在し、ラジアルドリルボア６４２ｂは、旋回ドリルボア６４２ａから半径方向遠位に配置される。ラジアルドリルボア６４２ｂはまた、アラインメントガイド６００の本体６０２を通って延在する。実際には、外科医は、後部パッド６９３ａ、６９３ｂをそれぞれの後顆１０３ａ、１０７ａの下に置き、本体６０２が、遠位大腿骨１０５の切除面６０３に隣接して配置されるようにする。外科医は、後顆１０３ａ、１０７ａ上の残りの関節軟骨の厚さを測定し、軟骨摩耗の量を反映するように後部パッド６９３ａ、６９３ｂの長さを設定する（図２を参照して上記で説明した方法と同様）。本体６０２に対して後部パッド６９３ａ、６９３ｂの位置を調整することで、ラジアルドリルボア６４２ｂを旋回ドリルボア６４２ａの周りで旋回させる。外科医が角度に満足すると、外科医は、アラインメントガイド６００の旋回部分の角度を所定の位置にロックすることができる。

次いで、外科医は、ドリルボア６４２ａ、６４２ｂを介して切除面６０３内に穴をあけ、次いで、それぞれのドリルボア６４２ａ、６４２ｂにピンを挿入することができる。次いで、外科医は、アラインメントガイド６００を取り外して、ピンを残すことができる。これらのピンの角度は、更なる切除ガイド（一般に「４－ｉｎ－１切断ブロック」として知られる）が切除面の隣に配置され得る角度を画定する。４－ｉｎ－１切断ブロックは、外科医が単一の「切断ブロック」を使用して前方、後方、及び面取り切除を行うことを可能にする追加の切除スロットを有する。これらの追加の切除は、試験的インプラント（及び最終的には実際の内部プロテーゼインプラント）が配置され得る遠位大腿骨１０５上にプロファイルを作製する。

負の骨異常（例えば、骨量減少）１１５ｃは、大腿骨顆１０３、１０７の後方部分１０３ａ、１０７ａではあまり一般的ではない場合があるが、そのような骨量減少は、特に進行性変性疾患においては依然として可能である。後顆１０３ａ、１０７ａの負の骨異常１１５ｃは、特に運動学的アラインメントにおいて、発症前関節の自然関節面を正確に複製する際に同様の問題を提示する。

例えば、内側後顆１０７ａが、図５に示されるように負の骨異常１１５を有する場合、存在する骨摩耗の量を考慮するように図示されたアラインメントガイドを調整する方法を確実に知ることは、以前は不可能であった。内側後部パッド６９３ａを過剰調整するにより、それぞれのドリルボア６４２ａ、６４２ｂが切除面６０３に対して配置される位置が変化し、それぞれのドリルボア６４２ａ、６４２ｂの旋回角度が変化し得る。その結果、ピンは誤って配置され得る。延いては、４－ｉｎ－１切断ブロックの位置も、誤って配置されたピン上を摺動するためにずれることになる。前方、後方、及び面取り切除の誤った配置により、内部プロテーゼインプラントの大腿骨構成要素が不正確に着座することになり得る。

この問題に対処するために、外科医は、上述の方法で、又は他の既知の方法を使用して、後顆１０３ａ、１０７ａ上の関節軟骨摩耗の量を測定することができる。他の例示的な実施形態では、１：１の物理的３Ｄ骨異常モデル１１５ｍは、後部パッド６９３ａが露出した骨異常１１５ｃに隣接して配置されているときに、１：１の物理的３Ｄ骨異常モデル１１５ｍの相補的表面（「嵌合面」としても知られる）が骨異常１１５ｃの表面１１６ｃと嵌合するように、後部パッド６９３ａ、６９３ｂの遠位端に固着され得る。

他の例示的な実施形態では、物理的３Ｄ骨異常モデルの嵌合表面は、１つ以上の突出部（例えば、棘波、ピン、又は他の保護）を含み得る。これらの突出部は、骨異常１１５ｃの摩耗表面１１６ｃに槌で打たれるか、ないしは別の方法で強制的に挿入され、それによって、骨異常の物理モデル１１５ｍを負の骨異常１１５ｃ内に固定し、それによって負の骨異常１１５ｃを排除し得る。このようにしてアラインメントガイド６００を物理的３Ｄ骨異常モデルと共に使用することで、より正確な参照を確実にすることができる。更に、いくつかの４－ｉｎ－１切断ブロックは、後顆１０７ａ、１０３ａの表面を参照するように設計されたマーキングを有する。このようにして物理的３Ｄ骨異常モデルを使用することは、後顆１０７ａ、１０３ａの発症前表面を効果的に再作製し、４－ｉｎ－１切断ブロック（又は場合によっては他の器具）が参照される指標に適切に位置合わせされる視覚指標として役立ち得る。

対象整形外科要素１００のうちの１つが遠位大腿骨１０５の関節軟骨１２３である更なる他の例示的な実施形態では、物理的３Ｄ骨異常モデル１１５ｍ２は、上述のような骨量減少の体積に加えて、欠損軟骨のモデル化された表面を含み得る。表面調整アルゴリズムは、周囲の軟骨の表面に対して欠損軟骨の表面を画定するために使用され得る。このようにして、顆の関節面が正確に再作製され、それによって関節面の参照の精度が実質的に向上し得る。

他の例示的な実施形態では、負の骨異常の最大深さに等しい高さ、欠損関節軟骨の深さ、又は負の骨異常の最大深さと欠損関節軟骨の深さとの合計を有するシムが、後部パッド６９３ａ、６９３ｂのうちの１つ以上に追加されて、摩耗の量がオフセットされ、発症前関節面の位置が実質的に再作製され得る。

１つ以上の中央演算処理装置（「ＣＰＵ」）、ランダムアクセスメモリ（「ＲＡＭ」）、及び入力／出力（「Ｉ／Ｏ」）インターフェース（複数可）などのハードウェアを有するコンピュータプラットフォームは、横方向平面に沿って異なる配向で撮られた少なくとも２つの２Ｄ放射線画像を受信し得る。配向は、好ましくは互いに直交している。次いで、コンピュータプラットフォームは、骨量減少の領域１１５ａ、１１５ｂ、１１５ｃを識別し、表面調整アルゴリズムを適用して骨量減少の領域１１５ａ、１１５ｂ、１１５ｃに適合する外部欠損骨表面１１７ａ、１１７ｂ、１１７ｃを計算する、機械学習ソフトウェアアプリケーションを実行し得る。

コンピュータプラットフォームは、任意選択的に、３Ｄコンピュータモデル１１００を表示し得る。３Ｄモデルが表示される例示的な実施形態では、コンピュータプラットフォームは、骨量減少の領域１１５ａ、１１５ｂ、１１５ｃにわたる外部欠損骨表面１１７ａ、１１７ｂ、１１７ｃを更に表示して、観察者が発症前の外部欠損骨表面１１７ａ、１１７ｂ、１１７ｃを視覚化することを可能にし得る。図５に戻って参照すると、外科医は、このデータを使用して、発症前の後顆１０３ａ、１０７ａの関節表面を反映するように、アラインメントガイド６００の後部パッド６９３ａ、６９３ｂを設定することができる。

図１６は、概して、本明細書で論じられる方法のうちの１つ以上がいくつかの例示的な実施形態に従って実行され得る例示的な計算機１６００のブロック図を示す。特定の例示的な実施形態では、計算機１６００は、単一の機械で動作し得る。他の例示的な実施形態では、計算機１６００は、接続された（例えば、ネットワーク化された）機械を含み得る。例示的な計算機１６００を含み得るネットワーク化された機械の例としては、例えば、クラウドコンピューティング構成、分散ホスト構成、及び他のコンピュータクラスタ構成が挙げられる。ネットワーク構成では、計算機１６００のうちの１つ以上の機械は、クライアント機、サーバ機、又はサーバ－クライアント両方の機械の容量で動作し得る。例示的な実施形態では、計算機１６００は、パーソナルコンピュータ（「ＰＣ」）、携帯電話、タブレットＰＣ、ウェブアプライアンス、携帯情報端末（「ＰＤＡ」）、ネットワークルータ、ブリッジ、スイッチ、又は該機械によって若しくは該機械に制御される第２の機械によって取られるアクションを指定する命令を実行することができる任意の機械に存在し得る。

例示的な計算機１６００を含み得る例示的な機械は、例として、論理機能を実行することができる構成要素、モジュール、又は同様の機構が挙げられ得る。そのようなマシンは、動作中に指定された動作を実行することができる有形のエンティティ（例えば、ハードウェア）であり得る。一例として、ハードウェアは、特定の動作を実行するように配線され得る（例えば、具体的に構成される）。例として、そのようなハードウェアは、構成可能な実行媒体（例えば、回路、トランジスタ、論理ゲートなど）及び命令を有するコンピュータ可読媒体を含み得、命令は、動作時に特定の動作を実行するように実行媒体を構成する。構成は、ローディング機構を介して、又は実行媒体の指示の下で行われ得る。実行媒体は、機械が動作しているときに、コンピュータ可読媒体に選択的に通信する。例として、マシンが動作中にあるとき、実行媒体は、第１の時点で第１のアクション又はアクションのセットを実行するように第１の命令セットによって構成され、次いで第２の時点で、第２のアクション又はアクションのセットを実行するように第２の命令セットによって再構成され得る。

例示的な計算機１６００は、ハードウェアプロセッサ１６９７（例えば、ＣＰＵ、グラフィックスプロセッシングユニット（「ＧＰＵ」）、ハードウェアプロセッサコア、若しくはそれらの任意の組み合わせ）、メインメモリ１６９６及び静的メモリ１６９５を含み得、それらの一部又は全ては、インターリンク（例えば、バス）１６９４を介して互いに通信し得る。計算機１６００は、ディスプレイユニット１６９８、入力装置１６９１（好ましくは、キーボードなどの英数字又は文字数字入力装置）、及びユーザインターフェース（「ＵＩ」）ナビゲーション装置１６９９（例えば、マウス又はスタイラス）を更に含み得る。例示的な実施形態では、入力装置１６９１、ディスプレイユニット１６９８、及びＵＩナビゲーション装置１６９９は、タッチスクリーンディスプレイであり得る。例示的な実施形態では、ディスプレイユニット１６９８は、ホログラフィーレンズ、眼鏡、ゴーグル、他のアイウェア、又は他のＡＲ若しくはＶＲディスプレイ構成要素を含み得る。例えば、ディスプレイユニット１６９８は、ユーザの頭部に着用されてもよく、ヘッドアップディスプレイをユーザに提供し得る。入力装置１６９１としては、仮想キーボード（例えば、バーチャル現実（「ＶＲ」）又は拡張現実（「ＡＲ」）設定で仮想的に表示されるキーボード）又は他の仮想入力インターフェースが挙げられ得る。

計算機１６００は、記憶装置（例えば、ドライブユニット）１６９２、信号生成器１６８９（例えば、スピーカ）、ネットワークインターフェース装置１６８８、及び全地球測位システム（「ＧＰＳ」）センサ、加速度計、コンパス、又は他のセンサなどの１つ以上のセンサ１６８７を更に含み得る。計算機１６００は、１つ以上の補助装置を通信又は制御するために、シリアル（例えば、ユニバーサルシリアルバス（「ＵＳＢ」））、並列、又は他の有線若しくは無線（例えば、赤外線（「ＩＲ」）近距離通信（「ＮＦＣ」）、ラジオなど）接続などの出力コントローラ１６８４を含み得る。

記憶装置１６９２は、本明細書に記載の機能又は方法のうちのいずれか１つ以上によって具現化又は利用されるデータ構造又は命令の１つ以上のセット１６８２（例えば、ソフトウェア）が記憶される、非一時的である機械可読媒体１６８３を含み得る。命令１６８２は、計算機１６００によるそれらの実行中に、メインメモリ１６９６の内部、静的メモリ１６９５の内部、又はハードウェアプロセッサ１６９７の内部に完全に、又は少なくとも部分的に存在し得る。例として、ハードウェアプロセッサ１６９７、メインメモリ１６９６、静的メモリ１６９５、又は記憶装置１６９２のうちの１つ又は任意の組み合わせは、機械可読媒体を構成し得る。

機械可読媒体１６８３は、単一の媒体として示されているが、「機械可読媒体」という用語は、１つ以上の命令１６８２を記憶するように構成された単一の媒体又は複数の媒体（例えば、分散型若しくは集中型データベース、又は関連付けられたキャッシュ及びサーバ）を含み得る。

「機械可読媒体」という用語は、計算機１６００が実行する命令を記憶、符号化、若しくは伝達することができ、かつ計算機１６００に、本開示の方法のうちの任意の１つ以上を実行させるか、又はそのような命令によって使用されるか若しくはそのような命令に関連付けられたデータ構造を記憶、符号化、若しくは伝達することができる、任意の媒体を含み得る。機械可読媒体の非限定的な例示的なリストは、磁気媒体、光学媒体、ソリッドステートメモリ、不揮発性メモリ、例えば、半導体メモリ装置（例えば、電子的に消去可能なプログラム可能読み取り専用メモリ（electronically erasable programable read-only memory、「ＥＥＰＲＯＭ」）、電子的にプログラム可能な読み取り専用メモリ（electronically programable read-only memory、「ＥＰＲＯＭ」）、並びに内部ハードディスク及び取り外し可能ディスク、フラッシュ記憶装置、光磁気ディスク、ＣＤ－ＲＯＭディスク、及びＤＶＤ－ＲＯＭディスクなどの磁気ディスクを含み得る。

命令１６８２は更に、いくつかの転送プロトコル（例えば、インターネットプロトコル（internet protocol、「ＩＰ」）、ユーザデータグラムプロトコル（（user datagram protocol、「ＵＤＰ」）、フレームリレー、伝送制御プロトコル（「ＴＣＰ」、ハイパーテキスト転送プロトコル（hypertext transfer protocol、「ＨＴＴＰ」）など）のうちの１つを利用するネットワークインターフェース装置１６８８を経由する伝送媒体を使用して、通信ネットワーク１６８１を介して送信又は受信され得る。例示的な通信ネットワークとしては、広域ネットワーク（wide are network、「ＷＡＮ」）、基本電話サービス（plain old telephone、「ＰＯＴＳ」）ネットワーク、ローカルエリアネットワーク（local area network、「ＬＡＮ」）、パケットデータネットワーク、携帯電話ネットワーク、無線データネットワーク、及び同機種間（peer-to-pper、「Ｐ２Ｐ」）ネットワークが挙げられ得る。例として、ネットワークインターフェース装置１６８８は、通信ネットワーク１６８１に接続するために１つ以上の物理的ジャッキ（例えば、イーサネット、同軸、又は電話ジャック）又は１つ以上のアンテナを含み得る。

例として、ネットワークインターフェース装置１６８８は、単入力多出力（single-input multiple-output、「ＭＩＭＯ」）、又は多入力単出力（multiple-input single output、「ＭＩＳＯ」）方法のうちの少なくとも１つを使用して無線で通信するために複数のアンテナを含み得る。「伝送媒体」という語句は、計算機１６００が実行する命令を記憶、符号化、又は伝達することができる任意の無形媒体を含み、そのようなソフトウェアの通信を容易にするために、アナログ若しくはデジタル通信信号又は他の無形媒体を含む。

本開示による例示的な方法は、少なくとも部分的に機械又はコンピュータ実装型であり得る。いくつかの例は、本明細書に記載の例示的な方法を実行するように電子装置を構成するように動作可能な命令で符号化された、コンピュータ可読媒体又は機械可読媒体を含み得る。そのような例示的な方法の例示的な実装形態は、アセンブリ言語コード、マイクロコード、高レベル言語コード、又は他のコードなどのコードを含み得る。そのようなコードは、様々な方法を実行するためのコンピュータ可読命令を含み得る。コードは、コンピュータプログラム製品の一部を形成し得る。更に、一例では、コードは、実行中又は他の時間の間など、揮発性、非一時的、又は不揮発性の有形のコンピュータ可読媒体上又は該コンピュータ可読媒体内に有形に記憶され得る。これらの有形のコンピュータ可読媒体の例としては、限定するものではないが、取り外し可能な光学ディスク（例えば、コンパクトディスク及びデジタルビデオディスク）、ハードドライブ、取り外し可能な磁気ディスク、メモリカード又はスティック、取り外し可能なフラッシュ記憶ドライブ、磁気カセット、ランダムアクセスメモリ（ＲＡＭ）、読み取り専用メモリ（ＲＯＭＳ）、及び他の媒体が挙げられ得る。

特定の例示的な実施形態では、表面調整アルゴリズムは、曲線フィッティングアルゴリズムであり得る。例示的な曲線フィッティングアルゴリズムは、補間又は平滑化を伴い得る。他の例示的な実施形態では、曲線フィッティングアルゴリズムは、骨の発症前関節面の位置を外挿するために使用され得る。他の例示的な実施形態では、表面調整アルゴリズムは、摩耗していない対側性顆などの摩耗していない対側性整形外科要素１００の寸法を識別し得る。表面調整アルゴリズムは、摩耗していない整形外科要素の表面を、摩耗した整形外科要素１００上の対応する骨量減少の領域に追加して、外部欠損骨表面１１７ａ、１１７ｂを計算し得る。関連する例示的な実施形態では、摩耗していない整形外科要素１００の測定値に基づく初期の欠損骨表面計算は、摩耗した整形外科要素１００の摩耗していない部分の曲線を適合させるために増加又は低減され得る。

他の例示的な実施形態では、表面調整アルゴリズムは、骨量減少の最大深さを計算し得る。そのような実施形態では、この最大深さは、関節軟骨減少の深さに追加されて、顆ごとの発症前関節面の位置が計算され得る。更に他の実施形態では、骨量減少の領域１１５ａ、１１５ｂの体積６１が計算され得る。任意の開示された計算又は任意のそのような計算の結果は、任意選択的に、ディスプレイ１９上に表示され得ることが理解されよう。他の例示的な実施形態では、この方法は、外部欠損骨表面に重なっている欠損関節軟骨の深さを確認することと、欠損関節軟骨の深さを外部欠損骨表面に追加して、発症前関節顆表面を画定することと、を更に含み得る。

図１３は、深層学習ネットワークを使用して、オフセット角度θから撮られた２つの平坦化された入力画像を使用して、画像化された整形外科要素１００上又は該整形外科要素１００内の骨異常１１５の領域を識別する、例示的な方法の工程を概説するフロー図である。例示的な方法は、撮像機を較正して、画像点と対応する空間座標との間のマッピング関係を決定して空間データ４３を画定する工程１ｂを含む。工程２ｂは、撮像技術を使用して、対象整形外科要素１００の第１の画像３０をキャプチャすることを含み、第１の画像３０は、第１の基準フレーム３０ａを画定する。工程３ｂは、撮像技術を使用して、対象整形外科要素１００の第２の画像５０をキャプチャすることを含み、第２の画像５０は、第２の基準フレーム５０ａを画定し、第１の基準フレーム３０ａは、第２の基準フレーム５０ａからオフセット角度θでオフセットされる。

工程４ｂは、対象整形外科要素１００の第１の画像３０からの空間データ４３と、対象整形外科要素１００の第２の画像５０からの空間データ４３とを投影して、体積データ７５を画定することを含む。工程５ｂは、深層学習ネットワークを使用して、体積データ７５を使用して対象整形外科要素１００を検出することを含み、体積データ７５は、対象整形外科要素１００上又は対象整形外科要素１００内の解剖学的ランドマークを画定する。

工程６ｂは、深層学習ネットワークを使用して、体積データ７５を使用して整形外科要素１００上又は対象整形外科要素１００内の骨異常１１５を検出することを含む。工程７ｂは、深層学習ネットワークを使用して、解剖学的ランドマークによって画定された整形外科要素１００にマスクを適用することを含む。工程８ｂは、深層学習ネットワークを体積データ７５に適用して、対象整形外科要素１００の３Ｄモデルを生成することを含む。工程９ａは、表面調整アルゴリズムを適用して、対象整形外科要素の３Ｄモデル１１００から骨異常１１５を除去することを含む。

本開示の範囲内にあると見なされる方法及びシステムでは、対象整形外科要素１００を検出する深層学習ネットワーク、骨異常１１５を検出する深層学習ネットワーク、マスクを適用するか、若しくは骨異常の３Ｄモデル１１５ｍ若しくは整形外科要素の３Ｄモデル１１００を生成する深層学習ネットワーク、又は表面調整アルゴリズムを適用する深層学習ネットワークは、同じ深層学習ネットワークであってもよく、又は異なる深層学習ネットワークであってもよいことが理解されよう。深層学習ネットワークが異なる深層学習ネットワークである実施形態では、これらの深層学習ネットワークは、「第１の深層学習ネットワーク」、「第２の深層学習ネットワーク」、「第３の深層学習ネットワーク」などと称され得る。

図１４は、深層学習ネットワークを使用して、オフセット角度θから撮られた２つの平坦化された入力画像を使用して、画像化された整形外科要素１００上又は該対象整形外科要素１００内の骨異常の領域１１５を識別する、例示的な方法の工程を概説するフロー図である。例示的な方法は、放射線撮像機を較正して、放射線画像点と対応する空間座標との間のマッピング関係を決定して空間データ４３を画定する工程１ｃを含む。工程２ｃは、放射線撮像技術を使用して、対象整形外科要素１００の第１の放射線画像３０をキャプチャすることを含み、第１の放射線画像３０は、第１の基準フレーム３０ａを画定する。

工程３ｃは、放射線撮像技術を使用して、対象整形外科要素１００の第２の放射線画像５０をキャプチャすることを含み、第２の放射線画像５０は、第２の基準フレーム５０ａを画定し、第１の基準フレーム３０ａは、第２の基準フレーム５０ａからオフセット角度θでオフセットされる。工程４ｃは、対象整形外科要素１００の第１の放射線画像３０からの空間データ４３と、対象整形外科要素１００の第２の放射線画像５０からの空間データ４３とを投影して、体積データ７５を画定することを含む。工程５ｃは、深層学習ネットワークを使用して、空間データ４３を使用して対象整形外科要素１００を検出することを含み、空間データ４３は、対象整形外科要素１００上又は対象整形外科要素１００内の解剖学的ランドマークを画定する。

工程６ｃは、深層学習ネットワークを使用して、骨異常１５５にマスクを適用することを含み、第１の画像又は第２の画像のいずれかのマスクが適用された領域内に配置された画像点を含む空間データ４３は、第１の値（例えば、正の値、又は「１」）を有し、第１の画像３０又は第２の画像５０のいずれかのマスクが適用された領域の外側に配置された画像点を含む空間データ４３は、第２の値（例えば、負の値、又は「０」）を有し、第１の値は第２の値と異なる。工程７ｃは、骨異常の領域１１５を除去する補正領域を計算することを含む。

図１５は、深層学習ネットワークを使用して、オフセット角度θから撮られた２つの平坦化された入力画像を使用して、画像化された整形外科要素１００上又は該対象整形外科要素１００内の骨異常１１５の領域を識別する、例示的な方法の工程を概説するフロー図である。例示的な方法は、放射線撮像機を較正して、放射線画像点と対応する空間座標との間のマッピング関係を決定して空間データ４３を画定する工程１ｄを含む。

工程２ｄは、放射線撮像技術を使用して、対象整形外科要素１００の第１の放射線画像３０をキャプチャすることを含み、第１の放射線画像３０は、第１の基準フレーム３０ａを画定する。

工程３ｄは、放射線撮像技術を使用して、対象整形外科要素１００の第２の放射線画像５０をキャプチャすることを含み、第２の放射線画像５０は、第２の基準フレーム５０ａを画定し、第１の基準フレーム３０ａは、第２の基準フレーム５０ａからオフセット角度θでオフセットされる。工程４ｄは、対象整形外科要素１００の第１の放射線画像３０からの空間データ４３と、対象整形外科要素１００の第２の放射線画像５０からの空間データ４３とを投影して、体積データ７５を画定することを含む。

工程５ｄは、深層学習ネットワークを使用して、体積データ７５を使用して対象整形外科要素１００を検出することを含み、体積データ７５は、整形外科要素１００上又は整形外科要素１００内の解剖学的ランドマークを画定する。工程６ｄは、深層学習ネットワークを使用して、解剖学的ランドマークによって画定された対象整形外科要素１００にマスクを適用することを含み、第１の画像又は第２の画像のいずれかのマスクが適用された領域内に配置された画像点を含む空間データ４３は、正の値を有し、第１の画像又は第２の画像のいずれかのマスクが適用された領域の外側に配置された画像点を含む空間データ４３は、負の値を有する。工程７ｄは、深層学習ネットワークを使用して、体積データ７５を使用して整形外科要素１００上又は整形外科要素１００内の骨異常１１５を検出することを含む。工程８ｄは、深層学習ネットワークを体積データ７５に適用して、骨異常の３Ｄモデルを生成することを含む。

本明細書に開示される例示的なシステム及び方法は、インプラントの配置及び機能の術前計画、術中計画若しくは実行、又は術後評価に使用され得ることが更に企図される。

図１８は、Ｘ線チューブ、フィルタ２６、コリメータ２７、及び検出器３３などの、Ｘ線源２１を含む放射線撮像機１８００を備える例示的なシステムの概略図である。図１８では、放射線撮像機１８００は、上から下に示されている。患者１は、Ｘ線源２１と検出器３３との間に配置される。放射線撮像機１８００は、回転可能なガントリ２８上に搭載され得る。放射線撮像機１８００は、第１の基準フレーム３０ａからの患者１の放射線画像を撮り得る。次いで、ガントリ２８は、オフセット角度（好ましくは９０°）だけ放射線撮像機１８００を回転させ得る。次いで、放射線撮像機１８００は、第２の基準フレーム５０ａから第２の放射線画像５０を撮り得る。他の例示的な実施形態は、複数のオフセット角度θで撮られた複数の入力画像を使用することを含み得ることが理解されよう。そのような実施形態では、オフセット角度は、隣接する入力画像間で９０°未満又は９０°超であり得る。

次いで、トランスミッタ２９は、第１の画像３０及び第２の画像５０を計算機１６００に送信する。計算機１６００は、深層学習ネットワークを適用して、本開示と一貫性のある任意の方法で、整形外科要素１００上又は整形外科要素１００内の骨異常の領域１１５を識別し得る。図１８は、計算機１６００の出力が製造機１８に送信されることを更に示す。製造機１８は、３Ｄプリンタなどの積層造形機であり得るか、又は製造機は、ＣＮＣ機などの減法製造機であり得る。更に他の例示的な実施形態では、製造機１８は鋳造金型であり得る。製造機１８は、計算機１６００からの出力データを使用して、対象整形外科要素の１つ以上の３Ｄモデルの物理モデル１１００を生成し得る。実施形態では、この製造機を使用して、骨異常の物理的３Ｄモデル１１５ｍが生成され得る。

図１８はまた、計算機械１６００からの出力データがディスプレイ１９に送信される別の実施形態を示す。第１のディスプレイ１９ａは、骨異常の仮想３Ｄモデル１１５ｍを示す。第２のディスプレイ１９ｂは、識別された対象整形外科要素の仮想３Ｄモデル１１００を示す。

他の例示的な実施形態では、３Ｄモデルは、ディスプレイ１９上に表示され得る。このディスプレイ１９は、スクリーンの形態をとり得る。他の例示的な実施形態では、ディスプレイ１９は、手術室で外科医又は他の人々によって着用又は保持されるガラス又はプラスチック製の表面を含み得る。そのようなディスプレイ１９は、拡張現実装置の一部を含み得、そのため、ディスプレイは、ベアラの視野に加えて３Ｄモデルを示す。特定の実施形態では、そのような３Ｄモデルは、実際の手術関節上に重ね合わされ得る。更に他の例示的な実施形態では、３Ｄモデルを手術整形外科要素１００の１つ以上の特徴に「ロック」することができ、それによって、ディスプレイ１９の動きとは無関係に、手術整形外科要素１００の１つ以上の特徴に対して３Ｄモデルの仮想位置を維持することができる。

ディスプレイ１９は、視野全体がシミュレートされる仮想現実システムの一部を含み得ることが、なお更に企図される。

発症前関節のアラインメントのために外部骨量減少を計算する例示的な方法は、少なくとも２つの２Ｄ放射線画像から手術領域の３Ｄモデルを生成することを含む。少なくとも第１の放射線画像は、第１の横方向位置でキャプチャされる。少なくとも第２の放射線画像は、第２の横方向位置でキャプチャされる。第１の横方向位置は、第２の横方向位置とは異なる。第１の横方向位置は、望ましくは、第２の横方向位置から直交して配置される。この方法は、３Ｄコンピュータモデル上の骨量減少の領域を識別することと、表面調整アルゴリズムを適用して、骨量減少の領域に適合する外部欠損骨表面を計算することと、を更に含む。

外部骨量減少の程度を計算するための方法は、放射線撮像技術を使用して、所望の整形外科要素の第１の画像をキャプチャすることであって、第１の画像は第１の基準フレームを画定する、ことと、放射線撮像技術を使用して、所望の整形外科要素の第２の画像をキャプチャすることであって、第２の画像は第２の基準フレームを画定し、第１の基準フレームは、第２の基準フレームからオフセット角度でオフセットされる、ことと、３Ｄ再構成技術を適用して、所望の整形外科要素の３Ｄモデルを生成することと、所望の整形外科要素の３Ｄモデル内の骨量減少の領域を識別することと、骨量減少の領域に隣接する骨の無傷の領域を識別することと、調整アルゴリズムを適用して、骨量減少の埋められた領域を表示することと、を含む。

発症前関節のアラインメントのための外部骨量減少を計算するための例示的な方法は、少なくとも２つの２Ｄ放射線画像から手術領域の３Ｄモデルを生成することであって、少なくとも第１の放射線画像は第１の位置でキャプチャされ、少なくとも第２の放射線画像は第２の位置でキャプチャされ、第１の横方向位置は第２の横方向位置とは異なる、ことと、３Ｄモデル上の骨異常の領域を識別することと、表面調整アルゴリズムを適用して、骨異常の領域を置き換えるように構成された外部欠損骨表面を計算することと、を含む。

例示的な実施形態では、表面調整アルゴリズムは、曲線フィッティングアルゴリズムである。例示的な実施形態では、この方法は、骨異常の領域の最大深さを計算することを更に含む。例示的な実施形態では、この方法は、骨異常の領域の最大深さを軟骨摩耗の深さに追加して、発症前関節面を画定することを更に含む。例示的な実施形態では、術中、３Ｄモデルが、実際の整形外科要素にわたって拡張現実装置上に表示される。例示的な実施形態では、骨異常の領域は、骨量減少の領域である。

例示的な実施形態では、この方法は、対側性整形外科要素の無傷の領域を識別することを更に含み、対側性整形外科要素の無傷の領域は、手術整形外科要素の悪化した領域に対応する。

発症前膝関節を運動学的に位置合わせする目的で外部骨量減少を計算するための例示的な方法は、少なくとも２つの２Ｄ放射線画像から膝関節手術領域の３Ｄモデルを生成することであって、少なくとも第１の放射線画像は第１の位置でキャプチャされ、少なくとも第２の放射線画像は第２の位置でキャプチャされ、第１の位置は第２の位置とは異なる、ことと、３Ｄモデル上の骨量減少の領域を識別することと、表面調整アルゴリズムを適用して、骨量減少の領域に適合する外部欠損骨表面を計算することと、外部欠損骨表面に重なっている欠損関節軟骨の深さを確認することと、欠損関節軟骨の深さを外部欠損骨表面に追加して、発症前顆表面を画定することと、を含む。

例示的な実施形態では、この方法は、切除ガイドロケータのガイド表面が発症前顆表面に配置されるように、切除ガイドロケータの調整可能なパッドを調整して残りの外部骨表面に接触させることを更に含む。

インビボでの整形外科的悪化の程度を計算するための例示的な方法は、非侵襲的撮像技術を使用して、所望の整形外科要素の第１の画像をキャプチャすることであって、第１の画像は第１の基準フレームを画定する、ことと、非侵襲的撮像技術を使用して、所望の整形外科要素の第２の画像をキャプチャすることであって、第２の画像は第２の基準フレームを画定し、第１の基準フレームは、第２の基準フレームからオフセット角度でオフセットされる、ことと、３Ｄ再構成技術を適用して、所望の整形外科要素の３Ｄモデルを生成することと、所望の整形外科要素の３Ｄモデル内の骨量減少の領域を識別することと、表面調整アルゴリズムを適用して、悪化した領域の表面を計算することと、を含む。

例示的な実施形態では、この方法は、ディスプレイ上に３Ｄ再構成モデルを投影することを更に含む。例示的な実施形態では、非侵襲的撮像技術は、放射線撮像技術である。

運動学的アラインメント手順の軟骨摩耗及び骨量減少を計算するための例示的な方法は、放射線撮像機を較正して、画像点と対応する空間座標との間のマッピング関係を決定して空間データを画定することと、放射線撮像技術を使用して、所望の整形外科要素の第１の画像をキャプチャすることであって、第１の画像は第１の基準フレームを画定する、ことと、放射線撮像技術を使用して、所望の整形外科要素の第２の画像をキャプチャすることであって、第２の画像は第２の基準フレームを画定し、第１の基準フレームは、第２の基準フレームからオフセット角度でオフセットされる、ことと、第１の画像内の所望の整形外科要素の空間データ及び第２の画像内の整形外科要素の空間データを識別することと、第１の画像及び第２の画像内の所望の整形外科要素の空間データを単一座標系に変換して、変換された空間データを画定することと、所望の整形外科要素の変換された空間データをディスプレイ上に投影して、所望の整形外科要素の３Ｄモデルを生成することと、所望の整形外科要素の３Ｄモデル内の悪化した領域を識別することと、表面調整アルゴリズムを適用して、悪化した領域の表面を計算することと、を含む。

例示的な実施形態では、調整アルゴリズムは、曲線フィッティングアルゴリズムである。例示的な実施形態では、方法は、３Ｄモデル上の悪化した領域の体積を表示することを更に含む。例示的な実施形態では、方法は、悪化した領域に隣接する無傷の領域を識別することを更に含む。

運動学的アラインメント人工膝関節置換術のために遠位大腿骨顆における関節軟骨摩耗及び外部骨量減少を計算するための例示的な方法は、放射線撮像機を較正して、画像点と対応する空間座標との間のマッピング関係を決定して空間データを画定することと、放射線撮像技術を使用して、遠位大腿骨の第１の画像をキャプチャすることであって、第１の画像は第１の基準フレームを画定する、ことと、放射線撮像技術を使用して、遠位大腿骨の第２の画像をキャプチャすることであって、第２の画像は第２の基準フレームを画定し、第１の基準フレームは、第２の基準フレームからオフセット角度でオフセットされる、ことと、第１の画像内の遠位大腿骨の空間データ及び第２の画像内の遠位大腿骨の空間データを識別することと、第１の画像及び第２の画像内の遠位大腿骨の空間データを単一座標系に変換して、変換された空間データを画定することと、遠位大腿骨の変換された空間データをディスプレイ上に投影して、遠位大腿骨の３Ｄモデルを生成することと、遠位大腿骨の３Ｄモデル内の悪化した領域を識別することと、調整アルゴリズムを適用して、悪化した領域の体積を計算することと、を含む。

例示的な実施形態では、第１の基準フレームは前後方向である。例示的な実施形態では、第２の基準フレームは内外方向である。例示的な実施形態では、悪化した領域は、遠位大腿骨顆のいずれかに欠損骨を含む。例示的な実施形態では、悪化した領域は、遠位大腿骨上に欠損関節軟骨を含む。例示的な実施形態では、調整アルゴリズムは、悪化した領域に隣接する無傷の領域を識別する。

例示的な実施形態では、この方法は、対側性整形外科要素の無傷の領域を識別することを更に含み、対側性整形外科要素の無傷の領域は、所望の整形外科要素の悪化した領域に対応する。例示的な実施形態では、調整アルゴリズムは、曲線フィッティングアルゴリズムである。例示的な実施形態では、この方法は、遠位大腿骨の３Ｄモデル上の悪化した領域の体積を表示することを更に含む。

骨異常の領域を計算するための例示的な方法は、少なくとも２つの２Ｄ画像からの関節手術領域の３Ｄモデルを生成することであって、第１の画像は第１の横方向位置でキャプチャされ、第２の画像は第２の横方向位置でキャプチャされ、第１の横方向位置は第２の横方向位置と異なる、ことと、３Ｄモデル上の骨異常の領域を識別することと、補正領域を計算することであって、補正領域は、周囲の骨領域に対して骨異常の領域を除去する、ことと、を含む。

例示的な実施形態では、この方法は、補正領域の３Ｄモデルを生成することを更に含む。例示的な実施形態では、この方法は、補正領域の物理的３Ｄモデルを生成することを更に含む。例示的な実施形態では、この方法は、負の骨異常の対応する領域に着座するように構成された補正領域の物理的３Ｄモデルを含む、整形外科用ドリルガイドを生成することを更に含む。

例示的な実施形態では、補正領域の物理的３Ｄモデルを生成する工程は、積層造形技術を通じて達成される。例示的な実施形態では、補正領域の物理的３Ｄモデルは、基本的にポリアミド（すなわち、ナイロン）、チタン、コバルトクロム、又は別の臨床的に証明された生体適合性材料からなる群から選択される材料から製造される。例示的な実施形態では、この方法は、補正領域の物理的３Ｄモデルを外科用器具に固定的に係合させることを更に含む。例示的な実施形態では、外科用器具は、整形外科用ドリルガイドであり、補正領域の物理的３Ｄモデルは、負の骨異常の対応する領域に着座するように構成されている。例示的な実施形態では、この方法は、関節手術領域の物理的３Ｄモデルを生成することを更に含み、関節手術領域の物理的３Ｄモデルは、関節手術領域の１つ以上の骨要素を含む。

骨異常の領域を計算するための例示的な方法は、深層学習ネットワークを使用して、少なくとも２つの２Ｄ画像からの関節手術領域の３Ｄモデルを生成することであって、第１の画像は第１の横方向位置でキャプチャされ、第２の画像は第２の横方向位置でキャプチャされ、第１の横方向位置は第２の横方向位置と異なる、ことと、３Ｄモデル上の骨異常の領域を識別することと、補正領域を計算することであって、補正領域は、周囲の骨領域に対して骨異常の領域を除去する、ことと、を含む。

例示的なアラインメントガイドは、本体と、本体の下部から延在する後部パッドと、本体を通って後部パッドの上方に延在するドリルボアと、後部パッドのうちの１つの後部パッドに係合された骨異常の患者固有の物理的３Ｄモデルと、を含む。

例示的な実施形態では、骨異常の患者固有の３Ｄモデルは、本開示の任意のシステム又は方法によって生成される。

例示的な実施形態では、骨異常の患者固有の３Ｄモデルは、あるプロセスによって生成され、該プロセスは、放射線撮像機を較正して、放射線画像点と対応する空間座標との間のマッピング関係を決定して空間データを画定することと、放射線撮像技術を使用して、対象整形外科要素の第１の放射線画像をキャプチャすることであって、第１の放射線画像は第１の基準フレームを画定する、ことと、放射線撮像技術を使用して、対象整形外科要素の第２の放射線画像をキャプチャすることであって、第２の放射線画像は第２の基準フレームを画定し、第１の基準フレームは、第２の基準フレームからオフセット角度でオフセットされる、ことと、対象整形外科要素の第１の放射線画像からの空間データと、対象整形外科要素の第２の放射線画像からの空間データとを投影することと、深層学習ネットワークを使用して、空間データを使用して対象整形外科要素を検出することであって、空間データは、対象整形外科要素上又は対象整形外科要素内の解剖学的ランドマークを画定する、ことと、深層学習ネットワークを使用して、空間データを使用して対象整形外科要素上又は対象整形外科要素内の骨異常を検出することと、深層学習ネットワークを空間データに適用して、骨異常の３Ｄモデルを生成することと、を含む。

別の例示的な実施形態では、骨異常の患者固有の３Ｄモデルは、あるプロセスによって生成され、該プロセスは、放射線撮像機を較正して、放射線画像点と対応する空間座標との間のマッピング関係を決定して空間データを画定することと、放射線撮像技術を使用して、対象整形外科要素の第１の放射線画像をキャプチャすることであって、第１の放射線画像は第１の基準フレームを画定する、ことと、放射線撮像技術を使用して、対象整形外科要素の第２の放射線画像をキャプチャすることであって、第２の放射線画像は第２の基準フレームを画定し、第１の基準フレームは、第２の基準フレームからオフセット角度でオフセットされる、ことと、対象整形外科要素の第１の放射線画像からの空間データと、対象整形外科要素の第２の放射線画像からの空間データとを投影して、体積データを画定することと、深層学習ネットワークを使用して、体積データを使用して対象整形外科要素を検出することであって、体積データは、対象整形外科要素上又は対象整形外科要素内の解剖学的ランドマークを画定する、ことと、深層学習ネットワークを使用して、体積データを使用して対象整形外科要素上又は対象整形外科要素内の骨異常を検出することと、深層学習ネットワークを体積データに適用して、骨異常の３Ｄモデルを生成することと、を含む。

例示的な実施形態では、骨異常の物理的３Ｄモデルは、摩耗した骨の露出表面と嵌合する嵌合面を含む。例示的な実施形態では、骨異常の物理的３Ｄモデルは嵌合面を含み、嵌合面は突出部を更に含む。

例示的なシステムは、少なくとも２つの２Ｄ放射線画像から生成された手術領域を含む整形外科要素の３Ｄモデルであって、少なくとも第１の放射線画像は第１の位置でキャプチャされ、少なくとも第２の放射線画像は第２の位置でキャプチャされ、第１の位置は第２の位置とは異なる、３Ｄモデルと、３Ｄモデル上の骨異常の領域を識別するように構成され、表面調整アルゴリズムを適用するように更に構成された計算機であって、表面調整アルゴリズムは、３Ｄモデルから骨異常の領域を除去し、骨異常の領域を置き換えるために骨表面のトポグラフィを推定するように構成されている、計算機と、を備える。

例示的な実施形態では、表面調整アルゴリズムは、曲線フィッティングアルゴリズムである。例示的な実施形態では、システムは、ディスプレイを更に備え更に備え、３Ｄモデルは、ディスプレイ上に表示される。例示的な実施形態では、ディスプレイは、拡張現実装置又は仮想現実装置である。例示的な実施形態では、システムは、Ｘ線撮像機を更に備える。特定の例示的な実施形態では、システムは、製造装置を更に備え、製造装置は、３Ｄモデルの少なくとも一部分の物理モデルを生成するように構成されている。

例示的な実施形態では、製造装置は、骨異常の物理モデルを生成するように構成されている。例示的な実施形態では、骨異常の物理モデルは、負の骨異常の逆体積である。例示的な実施形態では、製造装置は、積層造形装置である。例示的な実施形態では、骨異常の物理モデルは、医療用ポリアミドを含む。

本発明は、本明細書に開示される又は図面に示される特定の構成及び方法の工程に限定されるものではないが、当該技術分野において既知の特許請求の範囲内の任意の修正又は同等物も含むことを理解されたい。本明細書に開示される装置及び方法は、有用性を見出すことが当業者には理解されよう。

Claims (18)

1. システムであって、
   少なくとも２つの２Ｄ放射線画像から生成された手術領域を含む整形外科要素の３Ｄモデルであって、少なくとも第１の放射線画像は第１の位置でキャプチャされ、少なくとも第２の放射線画像は第２の位置でキャプチャされ、前記第１の位置は、前記第２の位置とは異なる、３Ｄモデルと、
   前記３Ｄモデル上の骨異常の領域を識別するように構成され、表面調整アルゴリズムを適用するように更に構成された計算機であって、前記表面調整アルゴリズムは、前記３Ｄモデルから前記骨異常の領域を除去し、前記骨異常の領域を置き換えるために骨表面のトポグラフィを推定するように構成されている、計算機と、を備える、システム。
2. 前記表面調整アルゴリズムは、曲線フィッティングアルゴリズムである、請求項１に記載のシステム。
3. ディスプレイを更に備え、前記３Ｄモデルは、前記ディスプレイ上に表示される、請求項１に記載のシステム。
4. 前記ディスプレイは、拡張現実装置又は仮想現実装置である、請求項３に記載のシステム。
5. Ｘ線撮像機を更に含む、請求項１に記載のシステム。
6. 製造装置を更に備え、前記製造装置は、前記３Ｄモデルの少なくとも一部分の物理モデルを生成するように構成されている、請求項１に記載のシステム。
7. 前記製造装置は、前記骨異常の物理モデルを生成するように構成されている、請求項６に記載のシステム。
8. 前記骨異常の前記物理モデルは、負の骨異常の逆体積である、請求項７に記載のシステム。
9. 前記製造装置は、積層造形装置である、請求項６に記載のシステム。
10. 前記骨異常の前記物理モデルは、医療用ポリアミドを含む、請求項６に記載のシステム。
11. あるプロセスによって生成された骨異常の３Ｄモデルであって、前記プロセスは、
    放射線撮像機を較正して、放射線画像点と対応する空間座標との間のマッピング関係を決定して空間データを画定することと、
    放射線撮像技術を使用して、対象整形外科要素の第１の放射線画像をキャプチャすることであって、前記第１の放射線画像は第１の基準フレームを画定する、ことと、
    前記放射線撮像技術を使用して、前記対象整形外科要素の第２の放射線画像をキャプチャすることであって、前記第２の放射線画像は第２の基準フレームを画定し、前記第１の基準フレームは、前記第２の基準フレームからオフセット角度でオフセットされる、ことと、
    前記対象整形外科要素の前記第１の放射線画像からの空間データと、前記対象整形外科要素の前記第２の放射線画像からの空間データとを投影して、体積データを画定することと、
    深層学習ネットワークを使用して、前記体積データを使用して前記対象整形外科要素を検出することであって、前記体積データは、前記対象整形外科要素上又は前記対象整形外科要素内で解剖学的ランドマークを画定する、ことと、
    前記深層学習ネットワークを使用して、前記体積データを使用して前記対象整形外科要素上又は前記対象整形外科要素内の骨異常を検出することと、
    前記深層学習ネットワークを前記体積データに適用して、前記骨異常の前記３Ｄモデルを生成することと、を含む、３Ｄモデル。
12. 製造技術を使用して骨異常の物理的３Ｄモデルを生成することを更に含む、請求項１１に記載の生産物。
13. 骨異常の前記物理的３Ｄモデルは、摩耗した骨の露出表面と嵌合する嵌合面を含む、請求項１２に記載の生産物。
14. 骨異常の前記物理的３Ｄモデルは嵌合面を含み、前記嵌合面は突出部を更に含む、請求項１２に記載の生産物。
15. あるプロセスによって生成された骨異常の３Ｄモデルであって、前記プロセスは、
    放射線撮像機を較正して、放射線画像点と対応する空間座標との間のマッピング関係を決定して空間データを画定することと、
    放射線撮像技術を使用して、対象整形外科要素の第１の放射線画像をキャプチャすることであって、前記第１の放射線画像は第１の基準フレームを画定する、ことと、
    前記放射線撮像技術を使用して、前記対象整形外科要素の第２の放射線画像をキャプチャすることであって、前記第２の放射線画像は第２の基準フレームを画定し、前記第１の基準フレームは、前記第２の基準フレームからオフセット角度でオフセットされる、ことと、
    前記対象整形外科要素の前記第１の放射線画像からの空間データと、前記対象整形外科要素の前記第２の放射線画像からの空間データとを投影することと、
    深層学習ネットワークを使用して、前記空間データを使用して前記対象整形外科要素を検出することであって、前記空間データは、前記対象整形外科要素上又は前記対象整形外科要素内の解剖学的ランドマークを画定する、ことと、
    前記深層学習ネットワークを使用して、前記空間データを使用して前記対象整形外科要素上又は前記対象整形外科要素内の骨異常を検出することと、
    前記深層学習ネットワークを前記空間データに適用して、前記骨異常の前記３Ｄモデルを生成することと、を含む、３Ｄモデル。
16. 製造技術を使用して骨異常の物理的３Ｄモデルを生成することを更に含む、請求項１５に記載の生産物。
17. 骨異常の前記物理的３Ｄモデルは、摩耗した骨の露出表面と嵌合する嵌合面を含む、請求項１６に記載の生産物。
18. 骨異常の前記物理的３Ｄモデルは嵌合面を含み、前記嵌合面は突出部を更に含む、請求項１６に記載の生産物。

Images