KR20220117209A - 의료 개입을 위한 궤도를 자동으로 설계하기 위한 방법 - Google Patents

Abstract

본 발명은 의료 개입 동안 환자(110)의 관심 해부학적 조직(130)을 목표로 하는 의료용 기구(120)가 따르는 궤도를 자동으로 설계하기 위한 방법에 관한 것이고, 상기 자동 설계 방법은 - 관심 해부학적 조직(130)의 적어도 하나의 의료용 이미지를 획득하는 단계; - 이전에 획득된 이미지 상의 타깃 지점(145)을 결정하는 단계; - 관심 해부학적 조직의 의료용 이미지 및 이전에 결정된 타깃 지점으로부터 궤도 설계 매개변수의 세트를 생성하는 단계를 포함하되, 설계 매개변수의 세트는 의료용 이미지 상의 진입 지점의 좌표를 포함한다. 매개변수의 세트는 신경망 유형의 기계 학습 방법을 사용하여 생성된다. 본 발명은 또한 획득된 설계 매개변수의 세트를 구현하는 가이딩 디바이스(150)에 관한 것이다.

Description

의료 개입을 위한 궤도를 자동으로 설계하기 위한 방법

본 발명의 분야는 의료 개입의 설계 시 지원에 관한 것이다.

더 구체적으로, 본 발명은 의료 개입 동안 수행될, 의료용 기구의 궤도를 자동으로 설계하기 위한 방법, 및 연관된 가이딩 디바이스에 관한 것이다.

본 발명은 특히, 예를 들어, 장기 내 종양을 제거하기 위해, 생체 검사를 수행하기 위해, 척추성형술 또는 시멘트성형술을 수행하기 위해, 또는 해부학적 부위를 자극하기 위해, 의료용 기구가 관심 해부학적 조직에 삽입되는 의료 개입의 맥락에서 적용된다. 이러한 개입은 임의로 의료용 로봇에 의해 그리고/또는 증강현실 디바이스에 의해 지원받을 수 있다.

종래 기술은 폐, 신장, 간, 뇌, 경골, 무릎, 척추골 등과 같은, 환자의 관심 해부학적 조직 내 타깃 해부학적 부위에 도달하는 것을 돕는 의료 개입을 준비하는 것을 가능하게 하는 기법을 개시하였다.

전통적으로, 의료 개입의 설계는 종래의 의료 영상 방법에 의해 획득되는 의료용 이미지를 기반으로 집도의에 의해 수동으로 수행되었다.

설계 동안, 집도의는 관심 해부학적 조직 내 타깃 지점 및 관심 해부학적 조직에 근접한 환자의 피부 상의 진입 지점을 획정하고, 2개의 지점은 의료 개입 동안 사용되는 의료용 기구의 직선 궤도를 획정한다. 이러한 기구는 예를 들어, 니들, 프로브 또는 전극일 수 있다.

궤도가 의료 개입의 원활한 수행을 위해 필요한 복수의 제약을 준수하기 때문에, 집도의는 의료용 기구가 따라갈 궤도에 주의를 기울여야 한다. 예를 들어, 의료용 기구가 뼈 또는 혈관, 특히, 3밀리미터 초과의 직경을 가진 것들을 통과하지 않는 것 또는 중요 장기를 통과하지 못하는 것이 중요할 수 있다.

타깃 지점에 따른 진입 지점의 선택 시 집도의를 돕기 위해, 사전 규정된 기준에 따른 스코어를 각각의 대응하는 궤도와 연관시킴으로써, 이전에 규정된 제약의 함수로서 하나 이상의 진입 지점이 집도의에게 자동으로 제안되는 설계 기법이 개발되었다.

이러한 종류의 기법이 예를 들어, 미국 특허 번호 제2017/0148213 A1호(발명의 명칭: "Planning, navigation and simulation systems and methods for minimally invasive therapy")로 공개된 특허 출원에서 설명된다. 상기 특허 출원에서 설명된 방법은 궤도와 관련된 제약을 최소화할 수 있도록 이미지가 세분화되는 종래의 이미지 처리 알고리즘을 사용하여 궤도를 결정한다. 예를 들어, 뇌의 작동 동안, 궤도는 충격받은 섬유의 수, 피질 홈의 한계와 타깃 간의 거리, 궤도에 의해 변위된 백질 및/또는 회백질의 용적을 최소화하는 것과 같은, 수개의 매개변수의 최적화에 의해 결정된다.

그러나, 종래 기술의 기법의 주요 단점은 이들이 종종 불완전하고 불충분한, 이론 모델을 생성하기 위해 집도의에 의해 선택되는 제약의 최소화에 일반적으로 기초한다는 것이다. 또한, 이들은 상이한 가능한 궤도를 최적으로 계산할 수 있도록 하기 위해 이미지의 체계적인 세분화를 필요로 한다. 이 세분화는 일부 경우에 부정확하고 불완전한 것으로 판명되고, 이는 의료용 기구에 의해 사용되는 궤도에 오류를 초래할 수 있다.

게다가, 이 기법은 의료용 기구의 단부가 환자의 신체에 삽입될 때 의료용 기구, 예를 들어, 니들의 가능한 변형을 고려하지 않는다.

최종적으로, 경험 많은 집도의는 또한 피해야 하는 부위, 예컨대, 혈관, 및 의료용 기구가 통과해야 하는 부위를 이미지로부터 선택하기 위해 정기적으로 개입하여, 의료용 기구의 최적의 궤도를 결정한다.

개입 유형에서 집도의 측에는 상당한 주의 및 경험이 필요하기 때문에, 집도의에 의한 개입은 성가시고 제한적인 것으로 보인다.

현재의 어떤 시스템에서도 모든 필요한 수요를 동시에 충족시키지 못한다. 즉, 더 정밀하고 더 신뢰할 수 있는 설계를 허용하면서, 집도의와 관계 없이 환자의 관심 해부학적 조직 내 타깃에 도달하는 것을 돕는 의료 개입을 자동으로 설계하기 위한 개선된 기법을 이용 가능하게 하지 못한다.

본 발명은 위에서 언급된 종래 기술의 단점 중 전부 또는 일부를 극복하는 것을 목적으로 한다.

이를 위해, 본 발명은 의료 개입 동안 환자의 관심 해부학적 조직을 목표로 하는 의료용 기구가 따르는 궤도를 자동으로 설계하기 위한 방법에 관한 것이고, 상기 자동 설계 방법은,

- 관심 해부학적 조직의 적어도 하나의 의료용 이미지를 획득하는 단계;

- 이전에 획득된 이미지 상의 타깃 지점을 결정하는 단계;

- 관심 해부학적 조직의 이미지 및 이전에 결정된 타깃 지점을 기반으로, 의료용 이미지 상의 진입 지점의 좌표를 포함하는 궤도 설계 매개변수의 세트를 생성하는 단계를 포함한다.

의료 개입 전에 사용되는 이러한 방법은 환자와 연계된 참조 지점을 사용하여, 환자의 신체에 삽입될 수 있는 니들, 프로브, 전극 또는 임의의 다른 의료용 기구일 수 있는 의료용 기구의 조작 동안 내과의 또는 외과의를 가이드하는 매개변수의 세트를 제공하는 것을 가능하게 한다. 이 참조 지점은 일반적으로 공간에서 의료용 기구를 가이드하기 위해 3차원이다.

의료 개입의 목적은 환자의 신체의 타깃 해부학적 부위에 도달하여, 예를 들어, 장기 내 종양을 제거하고, 생체 검사를 수행하고, 척추성형술 또는 시멘트성형술을 수행하거나, 또는 해부학적 부위를 자극하는 것이다. 타깃 해부학적 부위는 환자의 관심 해부학적 조직의 표면 내에 또는 표면에 위치된다. 이러한 관심 해부학적 조직은 예를 들어, 폐, 신장, 간, 경골, 무릎, 척추골 또는 뇌이다.

설계를 위해 사용되는 의료용 이미지는 예를 들어, 컴퓨터 단층촬영에 의해, 자기 공명 영상에 의해, 초음파에 의해, 양전자 방출 단층촬영에 의해 또는 임의의 다른 의료 영상 방법에 의해 획득된 것이다.

본 발명에 따르면, 매개변수의 세트는 의료용 훈련 이미지로 불리는 것의 세트에 대해 이전에 훈련된, 신경망 유형의 자동 학습 방법을 구현함으로써 생성되고, 각각의 훈련 이미지는 환자의 관심 해부학적 조직과 유사한 관심 해부학적 조직을 포함하고, 각각의 의료용 훈련 이미지는 사전에 결정된 적어도 하나의 진입 지점의 좌표 및 타깃 지점의 좌표와 연관된다.

따라서, 설계 방법은 의료용 이미지 상의 타깃 지점을 선택해야 하는 임의의 집도의에 의해 사용될 수 있다.

설계 방법이 유사한 의료용 이미지의 기계 학습에 기초하고, 이들 각각이 진입 지점 및 타깃 지점과 연관된다는 것에 유의해야 한다.

유사한 의료용 이미지는 임의의 개인에 대해 촬영된 의료용 이미지 내 동일한 관심 해부학적 조직을 포함하고 동일하거나 또는 등가의 영상 방법에 의해 획득된 이미지를 의미하는 것으로 이해된다. 의료 개입의 유형, 의료용 기구의 유형 또는 타깃이 된 관심 해부학적 조직이 획득된 설계 매개변수의 정확성에 대한 편견 없이 다를 수 있다는 것에 유의해야 한다. 학습은 실제로 환자의 관심 해부학적 조직의 의료용 이미지 상의 집도의에 의해 선택된 타깃 지점에 대한 최적의 궤도를 결정하기 위해 새로운 이미지를 분석하는 것을 가능하게 한다.

의료용 훈련 이미지가 일반적으로 개인이 겪는 의료 개입 동안 실제로 사용되는 진입 지점 및 기구의 삽입 후 기구가 실제로 도달하는 타깃 지점과 연관된다는 것에 유의해야 한다. 의료용 훈련 이미지의 세트를 완성하기 위해, 집도의에 의해 선택된, 추정된 진입 지점과 연관된 의료용 이미지가 세트에 부가될 수 있다.

또한, 자동 설계 방법은 유리하게는 미세분화된 의료용 이미지의 학습에 기초한다. 즉, 이미지 중 전부 또는 일부는 이미지의 부분에 존재하는 조직, 장기 또는 혈관의 유형에 따라 특성화된다. 따라서 설계 방법에 의한 이미지의 처리가 더 빨라진다.

의료용 훈련 이미지의 세트는 일반적으로 데이터베이스 또는 의료용 이미지 뱅크에 포함된다.

자동 설계 방법은 일반적으로 적어도 하나의 가능한 궤도에 대한 설계 매개변수를 제공한다. 자동 설계 방법이 수개의 가능한 궤도에 대한 설계 매개변수를 제공할 때, 집도의는 보통 집도의에게 가장 최상으로 보이는 궤도를 수동으로 선택한다. 궤도는 일반적으로 궤도가 의료 개입에 특정된 복수의 기준, 예컨대, 조직 계면(예를 들어, 피부, 간 캡슐 등)에 대한 입사각, 궤도 상의 혈관, 장기 또는 뼈 구조의 근접성 등을 충족할 때 가장 최상인 것으로 고려된다는 것에 유의해야 한다.

자동 설계 방법이 임의의 의료, 수술 또는 치료 행위 전에 구현된다는 것에 유의해야 한다.

본 발명의 특정한 실시형태에서, 기계 학습 방법은 획득된 의료용 이미지를 기반으로 한 진입 지점의 좌표 및 획득된 의료용 이미지에서 이전에 결정된 타깃 지점의 좌표를 결정한다.

본 발명의 특정한 실시형태에서, 기계 학습 방법은 2D 또는 3D에서 각각 획득된 의료용 이미지의 각각의 픽셀 또는 복셀에 대한 진입 지점일 확률을 먼저 생성하고, 진입 지점의 좌표는 가장 높은 확률을 가진 픽셀 또는 복셀의 좌표에 대응한다.

본 발명의 특정한 실시형태에서, 유사한 의료용 이미지의 세트는 복수의 동일한 이미지를 포함하고, 각각의 동일한 이미지는 서로 다른 지점과 연관된다.

따라서, 학습은 의료용 이미지의 세트가 의료용 기구에 대한 가능한 궤도 변형을 포함하기 때문에 개선된다.

유리하게는, 유사한 의료용 이미지의 세트는 복수의 동일한 이미지를 포함하고, 각각의 동일한 이미지는 별개의 집도의에 의해 선택된 별개의 진입 지점과 연관된다.

따라서, 획득된 설계 매개변수는 특정한 집도의의 선택에 덜 민감하기 때문에 더 정확하다. 획득된 설계 매개변수의 정확성이 학습 단계 동안 동일한 의료용 이미지를 분석하는 데 관여한 집도의의 수에 의존적이라는 것에 유의해야 한다.

바람직하게는, 유사한 의료용 이미지의 세트는 적어도 3개의 동일한 이미지를 포함하고, 각각의 동일한 이미지는 별개의 집도의에 의한 별개의 진입 지점과 연관된다.

따라서, 적어도 3명의 집도의가 학습 단계 동안 사용되는 의료용 이미지의 세트를 포함하는 데이터베이스를 생성하는 데 관여한다.

본 발명의 특정한 실시형태에서, 관심 해부학적 조직과 관련된 정보는 의료용 이미지의 세트 중 각각의 의료용 이미지와 연관되고, 정보는 관심 해부학적 조직의 유형 또는 관심 해부학적 조직에 존재하는 종양을 포함하고, 기계 학습 방법은 동일한 유형의 해부학적 조직 또는 종양과 연관된 이미지로 제한된 복수의 의료용 이미지의 세트에 대해 훈련된다.

본 발명의 특정한 실시형태에서, 자동 설계 방법은 또한 설계 매개변수의 세트의 진입 지점과 획득된 이미지에 대해 사전에 결정된 타깃 지점 간에 획정된 궤도에 스코어를 할당하는 단계를 포함한다.

따라서, 집도의가 자동 설계 방법에 의해 제공된 가능한 궤도들 중에서 궤도를 선택하는 데 도움이 된다. 스코어는 일반적으로 의료 개입에 특정된 기준에 따라 할당된다.

설계 매개변수의 세트의 진입 지점과 획득된 이미지 상에서 이전에 결정된 타깃 지점 간에 획정된 궤도는 일반적으로 직선이다. 그러나, 궤도가 예를 들어, 의료용 기구의 강도를 고려하기 위해 최대 곡률반경을 가진 원의 호를 실질적으로 따른 곡선이라는 것을 생각해볼 수 있다. 일반적으로, 곡선 궤도는 오목하거나 또는 볼록하다. 즉, 곡선 궤도의 도함수는 일반적으로 진입 지점과 타깃 지점 간에, 일정한 부호, 음 또는 양이다.

바람직하게는, 궤도 스코어의 할당이 다음의 기준 중 적어도 하나에 따라 달라진다:

- 혈관의 근접;

- 장기의 근접;

- 뼈 구조의 근접;

- 조직 계면에 대한 입사각;

- 궤도의 길이;

- 궤도가 통과하는 조직의 취성.

본 발명의 특정한 실시형태에서, 궤도 스코어의 할당은 조직 계면과의 접촉 시 의료용 기구가 변형될 확률을 고려한다.

이 변형은 일반적으로 의료용 기구가 가요성 부분을 가질 때 발생한다.즉, 예를 들어, 환자의 피부를 통한 의료용 기구의 삽입 중 조직 계면과 접촉 시 변형될 수 있다.

본 발명의 특정한 실시형태에서, 궤도 스코어의 할당은 설계된 궤도와 유사한 궤도와 연관된 재발률 또는 회복 시간을 고려한다.

따라서, 궤도에 할당된 스코어는 설계된 궤도가 환자에게 너무 높은 재발률 또는 너무 긴 회복 시간을 발생시킨다면 부정적으로 영향을 받는다.

본 발명의 특정한 실시형태에서, 자동 설계 방법은 또한 궤도에 할당된 스코어를 문턱값 스코어와 비교하는 단계를 포함하되, 궤도는 궤도 스코어가 문턱값 스코어 이상일 때 검증된다.

본 발명의 특정한 실시형태에서, 자동 설계 방법은 또한 궤도에 할당된 스코어가 문턱값 스코어 미만일 때 진입 지점을 변경하는 단계를 포함한다.

본 발명의 특정한 실시형태에서, 획득된 의료용 이미지는 2차원 또는 3차원이다.

본 발명의 특정한 실시형태에서, 의료용 이미지는 자기 공명에 의해, 초음파에 의해, 컴퓨터 단층촬영에 의해 또는 양전자 방출 단층촬영에 의해 획득된다.

본 발명은 또한 의료용 기구를 가이드하기 위한 디바이스에 관한 것이고, 이전의 실시형태 중 임의의 실시형태에 따른 자동 설계 방법에 의해 획득된 설계 매개변수의 세트에 따라 의료용 기구를 가이드하기 위한 수단을 포함한다.

가이딩 디바이스는 로봇, 로봇식 디바이스와 연관되거나 또는 연관되지 않는 내비게이션 시스템, 증강현실 디바이스, 환자-특정 가이드, 또는 환자의 해부학적 조직의 3차원 모델일 수 있다.

의료용 기구를 가이드하기 위한 디바이스가 의료 개입을 수행하는 의사를 동반하는 것을 가능하게 한다는 것에 유의해야 한다.

본 발명의 다른 이점, 목적 및 특정한 특징은, 첨부 도면과 함께 본 발명의 주제인 디바이스 및 방법의 적어도 하나의 특정한 실시형태의 다음의 비제한적인 설명을 참조하여 알 수 있을 것이다:
- 도 1은 본 발명에 따른 자동 설계 방법에 의해 확립되는 매개변수의 세트에 따라 의료용 기구가 가이드되는 의료 개입의 개략도이다;
- 도 2는 본 발명의 특정한 실시형태에 따른 자동 설계 방법의 블록도이다;
- 도 3은 도 2의 설계 방법의 제1 단계 동안 획득된 의료용 이미지의 예이다;
- 도 4는 도 2의 방법에 의해 구현되는 신경망의 훈련 동안 사용되는 의료용 이미지의 예이다;
- 도 5는 도 2의 방법에 의해 구현되는 신경망의 훈련 단계의 개략도이다;
- 도 6은 도 2의 방법에 의해 구현되고, 도 5의 훈련 단계에 따라 훈련되는 신경망의 발달의 개략도이다;
- 도 7은 도 2의 방법에 의해 구현되고, 대안적인 훈련 단계에 따라 훈련되는 신경망의 발달의 개략도이다;
- 도 8은 동일한 환자의 2개의 의료용 이미지, 즉, 의료용 기구가 삽입된 이미지 및 의료용 기구가 없는 동일한 뷰에 대응하는 다른 하나의 이미지를 나타내고, 상기 이미지는 의료용 기구의 곡선 궤도를 획정하도록 구성된 신경망을 학습할 때 사용된다.

이 설명은 제한 없이 제공되고, 실시형태의 각각의 특징은 유리한 방식으로 임의의 다른 실시형태의 임의의 다른 특징과 결합될 수 있다.

도면이 축척대로 도시되지 않은 것을 본 명세서에서 유의해야 할 것이다.

특정한 실시형태의 예

도 1은 수술대(115) 상에 누워있는 환자(110)가 의료용 기구(120)의 도움으로 치료되는 의료 개입의 개략도이다. 본 발명의 비제한적인 예에서, 의료 개입은 이 경우에 반강성 니들인 의료용 기구(120)에 의해, 본 명세서에서 환자(110)의 간인, 관심 해부학적 조직(130) 내 종양의 제거에 대응한다. 본 명세서에서 의료 개입은 환자(110)의 신체가 개방되지 않는 경피적 수술이다. 또한, 의료 개입은 상이한 치료 매개변수에 따라 수행될 수 있다. 이러한 치료 매개변수는 예를 들어, 제거 치료의 지속기간 및 전력, 전기천공에 의한 치료의 경우에 인가되는 전압, 또는 무선 주파수에 의한 치료의 경우에 인가되는 주파수이다. 본 예가 예시로서 제공되고 당업자가 환자의 관심 해부학적 조직을 목표로 하는 임의의 의료용 기구를 사용하는 임의의 유형의 의료 개입을 위해 아래에서 설명되는 본 발명을 구현할 수 있다는 것에 유의해야 한다.

본 예에서 의료용 기구(120)는 유리하게는 환자(110)의 피부의 높이에서의 진입 지점(140)의 좌표, 또는 심지어 환자(110)와 연계된 3차원 참조 프레임에서 따르는 각을 포함하는 설계 매개변수의 세트의 사전 확립에 의해, 직선 경로를 따라 디바이스(150)에 의해 가이드되어 사전에 결정된 타깃 지점(145)을 목표로 한다. 설계 매개변수의 세트는 블록도의 형태로 도 2에 예시된 바와 같이, 본 발명에 따른 자동 설계 방법(200)에 의해 확립된다.

의료 개입 동안 의료용 기구(120)가 따르는 궤도를 자동으로 설계하기 위한 방법(200)은 환자(110)의 관심 해부학적 조직(130)의 적어도 하나의 의료용 이미지를 획득하는 제1 단계(210)를 포함한다.

의료용 이미지는 일반적으로 의료 영상에 전용인 장비, 예컨대, 자기 공명 영상(magnetic resonance imaging: MRI) 장치, CT 스캐너, 스펙트럼 스캐너 또는 초음파 장치를 사용하여 의료 개입 전에 촬영된다.

컴퓨터 단층촬영에 의해 획득되고 환자(110)의 관심 해부학적 조직(130)에 대응하는, 팬텀으로서 흔히 지칭되는, 모델을 나타내는 의료용 이미지(300)의 예가 도 3에 제공된다. 의료용 이미지(300)는 환자(110)의 척추의 축에 대해 실질적으로 수직인 평면에 따른 환자(110)의 단면도에 대응한다. 관심 해부학적 조직(130) 이외에, 의료용 이미지(300)는 또한 특히 척추의 척추골(310) 및 6개의 늑골(320)을 나타낸다.

이전에 획득된 의료용 이미지(300)에서, 타깃 지점(145)은 수동으로 집도의에 의해 또는 자동으로 이미지 분석에 의해, 자동 설계 방법(200)의 제2 단계(220) 동안 결정된다.

타깃 지점(145)은 의료용 이미지(300)의 좌표와 연관된다. 이 좌표는 획득된 의료용 이미지의 유형에 따라 2차원 또는 3차원이다. 2차원 의료용 이미지(300)의 경우에, 타깃 지점(145)은 이미지의 하나의 픽셀에 실질적으로 대응한다. 3차원 의료용 이미지(300)의 경우에, 타깃 지점(145)은 이미지의 하나의 복셀에 실질적으로 대응한다.

의료용 이미지(300)로부터 그리고 타깃 지점(145)으로부터 의료용 기구(120)가 따르는 궤도를 설계하기 위한 매개변수의 세트의 진입 지점의 좌표를 결정하기 위해, 기계 학습 알고리즘(여기에서는 신경망 유형)이 자동 설계 방법(200)의 제3 단계(230) 동안 로딩된다.

신경망은 의료용 훈련 이미지의 세트에 대해 학습 단계(290) 동안 사전에 훈련되었고, 이들 각각은 관심 해부학적 조직(130)과 유사한 관심 해부학적 조직을 포함한다. 의료용 훈련 이미지는 일반적으로 개인의 집단에 대해 획득되었고, 각각의 의료용 훈련 이미지는 일반적으로 적어도 하나의 집도의에 의해 이전에 결정된 타깃 지점 및 진입 지점의 좌표와 연관된다.

유리하게는, 의료용 훈련 이미지의 세트는 여러 번 동일한 의료용 이미지를 포함하지만, 적어도 3명의 집도의에 의해 일반적으로 결정된 별개의 진입 지점과 연관되었다.

도 4는 매번 동일한 타깃 지점(420)을 포함하는 동일한 의료용 이미지(400)의 예를 도시한다. 의료용 훈련 이미지의 세트에 9회 포함된 이 의료용 이미지(400)는, 3개의 진입 지점(각각 410₀₁, 410₀₂ 및 410₀₃)을 각각 제공하는, 3명의 서로 다른 집도의(01, 02 및 03)에 의해 처리되었다.

신경망의 훈련은 유리하게는 신경망이 획득할 수 있는 설계 매개변수의 세트의 가변성을 감소시킴으로써 일관성을 증가시키기 위해, 관심 해부학적 조직의 유형 또는 관심 해부학적 조직에 존재하는 종양의 유형과 같은, 주어진 항목의 정보와 연관된 이미지로 제한될 수 있다.

특히 의료용 훈련 이미지의 세트가 관심 해부학적 조직의 3차원 이미지를 포함할 때, 신경망의 훈련에 대한 하드웨어 제한이 있을 수 있다는 것에 유의해야 한다. 이 하드웨어 제한을 극복하기 위해, 각각의 의료용 이미지의 해상도를 감소시키는 것이 가능하지만, 신경망에 의해 획득된 매개변수의 정확성을 감소시킬 위험이 있다. 사전 결정된 평면, 예컨대, 환자의 척추의 축에 수직인 평면과 평행한 궤도로 훈련을 제한하는 것이 또한 가능하다. 하드웨어 제한을 극복하는 또 다른 해결책은 기계 학습에 전용인, 흔히 텐서 프로세서 장치로서 지칭되는 칩을 사용하는 것일 수 있다.

도 5에 더 상세히 예시된 바와 같은, 신경망을 훈련시키는 단계(290)는 일반적으로 반복될 수 있는 2개의 주요 단계(510, 520)를 포함하고, 각각의 이미지가 진입 지점 및 타깃 지점과 연관되는 의료용 이미지의 세트를 포함하는 데이터베이스(501)를 필요로 한다. 임의로, 개입을 수행하도록 사용되는 기구의 특성, 예컨대, 기구의 길이 또는 기구의 강성도 계수에 대한 정보가 또한 데이터베이스(501)의 각각의 의료용 이미지와 연관된다. 훈련 단계(290) 후에, 가능한 테스트 단계(550)가 구현될 수 있다.

의료용 이미지의 데이터베이스(501)는 서로 다른 의료용 이미지를 포함하는 3개의 데이터베이스(502, 503, 504)로 분할된다. 3개의 데이터베이스(502, 503, 504)는 각각 훈련 베이스, 검증 베이스 및 테스트 베이스로 불린다.

본 발명의 비제한적인 예에서, 데이터베이스(501)의 의료용 이미지 중 60 내지 98%가 훈련 베이스(502)에 함께 그룹화되고, 1 내지 20%가 검증 베이스(503)에 그룹화되고, 1 내지 20%가 테스트 베이스(504)에 그룹화된다. 백분율, 일반적으로 데이터베이스(501) 내 이미지의 수의 함수가 표시에 의해 본 명세서에 제공된다.

훈련 단계 중 제1 단계(510) 동안, 훈련 베이스(502)의 의료용 이미지(515)는 궤도 설계 매개변수의 세트의 진입 지점의 좌표를 획득하기 위해 사용되는 신경망(530)의 각각의 뉴런에 대한 중량(W) 및 바이어스(b)를 결정하기 위해 사용된다.

각각의 뉴런의 중량(W) 및 바이어스(b)를 결정하기 위해, 훈련 베이스(502)의 각각의 의료용 이미지(515)는 2개의 변형, 즉, 타깃 지점(c_e)만을 포함하는 제1 변형(515₁) 및 타깃 지점(c_e)과 사전 결정된 진입 지점(p) 둘 다를 포함하는 제2 변형(515₂)에 따라 신경망(530)에 제안된다. 의료용 이미지의 제1 변형(515₁)으로부터, 신경망(530)은 진입 지점(p')의 위치를 예측한다(535). 예측된 진입 지점(p')의 좌표는 의료용 이미지의 제2 변형(515₂)과 연관된, 사전 결정된 진입 지점(p)의 위치의 좌표와 비교된다. 이어서 예측된 진입 지점(p')의 좌표와 사전 결정된 진입 지점(p)의 좌표 간의 오류는 신경망(530)의 각각의 뉴런의 매개변수(W 및 b)를 조정하기 위해 사용된다. 훈련 단계 중 제1 단계(510)의 종료 시 모델(518)이 획득된다.

훈련 단계 중 제2 단계(520) 동안, 유리하게는 의료용 이미지(515)와 구별되는, 검증 베이스(503)의 의료용 이미지(525)는 신경망(530)의 각각의 뉴런의 중량(W) 및 바이어스(b)를 검증하기 위해 사용된다.

훈련 단계(290) 중 제2 단계(520) 동안, 타깃 지점(c_v)의 위치만을 포함하는 각각의 의료용 이미지의 변형(525₁)이 신경망(530)에 제안된다. 이어서 신경망(530)은 진입 지점(d')의 위치를 예측한다(536). 예측된 진입 지점(d')의 좌표는 검증을 위해 사용되는 의료용 이미지(525)와 연관된, 사전 결정된 진입 지점(d)의 위치의 좌표와 비교된다. 이어서 예측된 진입 지점(d')의 좌표와 사전 결정된 진입 지점(d)의 좌표 간의 오류는 제1 단계(510)에서 결정되는 신경망(530)의 각각의 뉴런의 매개변수(W 및 b)를 검증하기 위해 사용된다.

신경망의 예측 오류가 이 제2 단계(520)의 종료 시 매우 클 경우에, 신경망(530)은 동일한 의료용 훈련 이미지(515) 및 검증 이미지(525)를 재사용함으로써, 이전에 설명된 훈련 단계(290) 중 2개의 단계(510 및 520)에 따라 재훈련된다.

대안적으로, 신경망(530)의 재훈련 동안, 제1 단계(510)는 검증 이미지(525) 중 전부 또는 일부를 사용한다. 신경망을 재훈련시키는 제2 단계(520)는 검증 이미지(525)가 재훈련의 제1 단계(510)를 위해 사용되는 만큼 많은 훈련 이미지(515)를 사용한다.

신경망(530)이 예측 오류를 감소시키기 위해 필요한 만큼 여러 번 재훈련될 수 있다는 것에 유의해야 한다.

훈련 단계(290) 중 2개의 단계(510, 520)가 적어도 1회 구현될 때, 신경망의 최종 성능은 테스트 베이스(504)의 의료용 이미지(555)와 함께 가능한 테스트 단계(550) 동안 테스트될 수 있다. 유리하게는 이미지(515 및 525)와 구별되는 이러한 의료용 이미지(555)로 인해, 각각의 뉴런에 대한 매개변수(W 및 b)로 구성된 바와 같은 신경망(530)이 직면할 가능성이 있는 모든 상황에서 이러한 신경망(530)이 진입 지점의 좌표를 우수한 정확성으로 예측할 수 있게 한다는 것을 검증할 수 있다. 따라서 신경망(530)에 의해 예측된 바와 같은 진입 지점(f')의 좌표와, 소위 테스트 의료용 이미지(555) 내 사전 결정된 진입 지점(f)의 좌표가 비교된다. 이 비교는 훈련 단계 중 제2 단계(520) 동안 수행되는 것과 동일하다. 그러나, 단계(520)와 대조적으로, 이 테스트 단계(550)는 신경망(530)의 새로운 훈련 사이클을 발생시키지 않는다. 신경망(530)의 성능이 단계(550)의 종료 시 우수하지 않다면, 훈련 단계(290)에는 새로운 훈련되지 않은 신경망이 추천된다.

테스트 단계(550)에서 사용되는 이미지(555)가 훈련 신경망(530)의 예측 능력을 최적으로 테스트하기 위해, 관심 해부학적 조직 내 타깃 지점(c_t)의 상이한 위치들을 포함하도록 일반적으로 주의 깊게 선택된다는 것에 유의해야 한다.

대안적인 훈련 단계에서, 신경망은 의료용 이미지의 각각의 픽셀 또는 복셀에 대해, 진입 지점에 실제로 대응하는 확률을 제공하기 위해 훈련될 수 있다. 이 대안적인 훈련을 위해 사용되는 의료용 이미지의 세트는 이전에 사용된 의료용 이미지의 세트와 동일할 수 있다. 그러나, 이 대안적인 훈련이 동일한 이미지 상에 수개의 진입 지점을 가진 의료용 이미지를 사용하는 것이 선호될 수 있다. 유리하게는, 동일한 이미지 상에 디스플레이된 진입 지점은 적어도 3명의 서로 다른 집도의에 의해 결정된다. 신경망의 대안적인 훈련은 위에서 설명된 훈련 단계와 유사하게 3개의 단계로 발생한다.

이전에 훈련된 신경망은 자동 설계 방법(200)의 제4 단계(240) 동안, 분석을 기반으로 의료용 기구(120)가 따르는 궤도를 설계하기 위한 매개변수의 적어도 하나의 세트를 결정하는 것을 가능하게 한다.

신경망이 훈련 단계(290)에 따라 훈련되는 경우에, 신경망(530)은 의료용 이미지(I)로부터 그리고 타깃 지점(T)의 좌표로부터, 도 6에 예시된 바와 같은, 획득된 의료용 이미지 내 진입 지점의 3차원 좌표(x, y, z)를 제공할 것이다.

신경망이 대안적인 훈련 단계에 따라 훈련되는 경우에, 신경망(530)은 의료용 이미지(I)로부터 그리고 타깃 지점(T)의 좌표로부터, 도 7에 예시된 바와 같은, 의료용 이미지의 각각의 픽셀 또는 복셀에 대한, 진입 지점일 확률을 제공할 것이다. 그래서 가장 높은 확률을 가진 픽셀 또는 복셀이 진입 지점으로서 선택된다.

도 2에 예시된 자동 설계 방법(200)은 궤도가 신경망에 의해 생성되는 설계 매개변수의 세트에 의해 결정될 때 구현되는 제5 단계(250)를 포함한다. 제5 단계(250) 동안, 스코어가 진입 지점과 타깃 지점을 연결시키는 직선으로 규정된 궤도에 할당된다.

예를 들어, 궤도에 할당된 스코어는 0 내지 100이고, 100 스코어는 이상적인 궤도의 스코어에 대응한다.

본 발명의 이 특정한 실시형태의 변형에서, 궤도는 예를 들어, 이전에 세분화된, 획득된 의료용 이미지에서 가장 유망한 궤도를 계산함으로써, 또는 특히 강성도 및 길이의 면에서, 유사하거나 또는 동일한 의료용 기구에 의한 앞선 의료 개입 동안 따르는 궤도를 이전에 학습한 신경망에 의해 획득된 곡선이다. 그래서 매개변수의 세트는 진입 지점과 타깃 지점 간에 예측된 궤도를 획정하는 것을 가능하게 하는 부가적인 매개변수를 포함한다.

본 발명의 이 대안적인 실시형태의 예시를 통해, 도 8은 의료용 기구(840)가 있거나 또는 없는 환자(830)의 2개의 의료용 이미지(810, 820)를 나타낸다. 2개의 의료용 이미지(810 및 820)를 구별함으로써, 의료용 기구(8840)가 실제로 따르는 궤도를 결정하는 것이 가능하다. 이 궤도는 또한 의료용 이미지(810) 내 의료용 기구(840)의 인지를 수행함으로써, 예를 들어, 의료용 이미지(810)의 픽셀/복셀에서 강도 또는 콘트라스트의 강한 변동을 검출함으로써 결정되어, 의료용 이미지(810)에서 의료용 기구(840)를 라우팅할 수 있다.

궤도 스코어는 일반적으로 중요도 순으로 순위가 매겨질 수 있는 기준을 기반으로 결정된다. 아래에서 설명된 기준의 예가 제한적이지 않고 주어진 의료 개입에 특정된 다른 기준이 궤도 스코어를 결정하기 위해 사용될 수 있다는 것에 유의해야 한다.

궤도 스코어는 예를 들어, 혈관에 대한 궤도의 근접의 함수로서 계산될 수 있다. 이것은, 의료용 기구의 궤도가 혈관을 통과할 가능성이 있을 때, 출혈이 발생할 위험이 있기 때문이다. 따라서, 궤도에 존재하는 혈관의 수가 더 많을수록, 궤도에 할당되는 스코어가 더 낮다.

혈관의 크기가 이 스코어의 평가에서 고려될 수 있다는 것에 유의해야 한다. 예를 들어, 3 ㎜ 이상의 직경을 가진 혈관이 신경망에 의해 계산된 궤도 상에 또는 그 근방에 위치된다면, 스코어로부터 점수가 자동으로 공제되고, 이 혈관이 환자에게 필수적일 수 있기 때문에, 예를 들어, 0 내지 100 범위에서 50점이 공제된다. 통과되는 혈관이 대정맥, 간문맥 또는 대동맥인 것으로 판명될 때, 스코어는 자동으로 0과 같고, 이는 특히 간에서 종양을 제거할 때의 경우일 수 있다.

궤도 스코어는 또한 장기 및/또는 뼈 구조에 대한 궤도의 근접에 따라 계산될 수 있다.

실제로 일부 개입의 경우, 예를 들어 연조직 상에서, 궤도에 위치된 뼈 구조가 없어야 한다. 그러하다면, 궤도에 할당되는 스코어는 0이다.

다른 개입의 경우, 예를 들어, 무릎 또는 어깨 뼈와 같은 구조에서, 뼈 구조를 통과하는 것은 할당된 스코어에 부정적으로 영향을 주지 않는다. 더 정확하게는, 궤도가 사전 결정된 뼈 구조를 통과한다면, 할당된 스코어가 증가될 수 있다.

장기의 경우, 궤도 스코어는 일반적으로 장기, 예컨대 폐, 장 또는 근육이 적어도 궤도에 근접하게 위치되어 위험에 있을 때 감소된다. 이것은 또한 신경, 담관, 인대, 힘줄 또는 관심 해부학적 조직의 이웃한 장기가 적어도 궤도에 근접하게 위치될 때의 경우이다.

궤도 스코어는 또한 진입 지점에서 조직 계면과 궤도의 입사각에 따라 계산될 수 있다.

예를 들어 조직 계면, 예컨대 피부 또는 간 캡슐에 대해 접선인 궤도를 따라 반강성 니들을 삽입하는 경우에, 니들이 구부러져 설계된 궤도를 따르지 않을 위험이 있다. 궤도와 조직 계면 간의 각이 더 작을수록, 궤도 스코어가 더 낮아진다. 기준에는 최적의 궤도가 20° 초과의, 조직 계면과 궤도 간의 각에 대응한다는 사실이 반영될 수 있다.

궤도 스코어는 또한 뼈 구조와 궤도의 입사각에 따라 계산될 수 있다.

예를 들어, 뼈 구조에 개입하는 경우에, 의료용 기구가 접선 방향으로 뼈로 삽입될 때 의료용 기구가 뼈 상에서 미끄러질 위험이 있다. 그래서 기준에는 궤도와 뼈 구조 간의 각이 더 클수록, 궤도 스코어가 더 낮아진다는 사실이 반영된다.

궤도 스코어가 또한 궤도의 길이를 따라 계산되어, 궤도의 길이 및 환자의 신체에 손상을 유발하는 내재 위험을 최소화할 수 있다.

궤도 스코어는 또한 통과되는 조직의 취성에 따라 계산될 수 있다.

예를 들어, 환자의 뇌에 개입하는 특정한 경우에, 궤도 스코어는 설계된 궤도가 취성 조직을 통과한다면 감소될 수 있다.

반강성 니들을 삽입하는 경우에, 스코어는 또한 삽입 동안 니들의 변형 확률에 따라 계산될 수 있다. 이 확률은 이전에 결정된 정보, 즉, 통과되는 조직의 유형, 궤도의 입사각 및/또는 길이와 조합하여, 사용되는 니들의 유형에 대한 정보, 예컨대, 길이, 강성도 계수 또는 니들의 베벨의 형상을 사용하여 계산된다.

궤도 스코어를 계산하기 위해, 예측된 진입 지점과 사전 결정된 타깃 지점 간에 획정된 궤도 상에 또는 그에 근접하여 위치되고, 조직, 혈관, 뼈 구조 등과 같은, 획득된 이미지에 존재하는 상이한 유형의 구성요소들을 식별하기 위해, 획득된 의료용 이미지가 사전에 세분화될 수 있다는 것에 유의해야 한다. 이 획득된 이미지의 세분화는 신경망에 의한 궤도의 생성 동안이 아니라, 의료용 기구의 궤도가 생성될 때에만 사용된다.

의료 개입에 특정된 기준에 따라 획득된 궤도 스코어는 재발률의 함수로서 그리고/또는 회복 시간에 의해 가중될 수 있다.

재발률에 대해, 획득된 스코어는 신경망에 의해 설계된 궤도가 동일한 의료용 기구를 사용하는 이전의 의료 개입 동안 동일한 치료 매개변수와 함께 사용되는 궤도와 유사할 때 감소되고, 이 의료 개입을 겪은 개인의 재발률은 주목할 만하다.

마찬가지로, 회복 시간에 대해, 획득된 스코어는 설계된 궤도와 유사한 궤도를 가진 의료 개입을 겪은 개인에 대한 이전에 관찰된 회복 시간이 길 때, 예를 들어, 3일 초과일 때 감소된다.

이어서 설계된 궤도에 할당된 스코어는 자동 설계 방법(200)의 제6 단계(260) 동안 문턱값 스코어와 비교된다.

예를 들어, 0 내지 100의 범위에서, 설계된 궤도는 할당된 스코어가 50 이상인 경우에만 검증될 수 있다. 바람직하게는, 설계된 궤도는 이의 스코어가 70 이상인 경우에 검증된다.

궤도에 할당된 스코어가 문턱값 스코어 미만인 경우에, 집도의는 자동 설계 방법(200)의 가능한 제7 단계(270) 동안 진입 지점을 수동으로 변경하는 옵션을 갖는다. 변경은 변경된 궤도 스코어가 문턱값 스코어를 초과할 때까지 예를 들어, 그래픽 인터페이스를 통해 수행된다.

대안적으로, 궤도는 기울기 알고리즘, 그래픽 알고리즘 또는 임의의 다른 최적화 알고리즘(Momentum, Nesterov Momentum, AdaGrad, RMSProp, Adam 등)을 사용하여 자동으로 변경될 수 있다.

최종적으로, 가능하게 변경되는, 신경망에 의해 제공된 궤도에 대한 스코어가 문턱값 스코어 이상일 때, 궤도는 자동 설계 방법(200)의 제8 단계(280) 동안 검증된다.

이어서 검증된 궤도는 매우 우수한 정확성으로 그리고 의료 개입이 잘 진행되는 최상의 기회로 환자(110)의 관심 해부학적 조직(130)으로의 의료용 기구(120)의 삽입을 가이드하기 위해 의료 개입 동안 사용될 수 있다.

가이딩을 위해 사용되는 참조 프레임은 일반적으로 환자(110)가 누워 있는 수술대(115)에 대응한다는 것에 유의해야 한다. 타깃 지점의 좌표는 유리하게는 환자(110)의 특성 지점이 사전에 교정되는 가이드 참조 프레임으로 이동된다. 가이드 참조 프레임의 이동 및 교정의 이 작동은 흔하다.

이어서 가이딩 디바이스(150)는 검증된 궤도의 설계 매개변수의 세트를 따름으로써 의료용 기구(120)를 가이드하기 위해 사용될 수 있다.

가이딩 디바이스(150)는 로봇, 로봇식 디바이스와 연관되거나 또는 연관되지 않는 내비게이션 시스템, 증강현실 디바이스, 환자-특정 가이드(110), 또는 환자(110)의 해부학적 조직의 3차원 모델일 수 있다.

증강현실 디바이스는 예를 들어, 설계된 궤도가 하나의 안경의 렌즈 중 적어도 하나의 렌즈 상에 투사되는 하나의 안경일 수 있다. 증강현실 디바이스는 또한 환자(110)에 근접하게 배치된 스크린일 수 있고, 스크린은 설계된 궤도를 디스플레이한다. 증강현실 디바이스는 또한 환자(110)의 신체 상에 설계된 궤도를 투사하는 프로젝터를 포함할 수 있거나 또는 홀로그램 디바이스일 수 있다.

가이딩 디바이스는 광학적 내비게이션 수단, 전자기 내비게이션 수단 또는 가속 센서 및 회전 센서를 가진 관성 장치를 포함할 수 있다.

검증된 궤도의 설계 매개변수의 세트는 환자-특정 가이드(110)를 구성하기 위해 사용될 수 있다. 이 특정한 가이드는 일반적으로 의료 개입, 예컨대, 뼈 구조에 대한 개복술의 맥락에서 사용된다. 환자-특정 가이드는 일반적으로 3D 인쇄된, 개인맞춤형 일회용 의료용 디바이스라는 것에 유의해야 한다. 환자-특정 가이드는 수술 동안 부정확성을 방지하는 것을 도와서, 설계된 대로 개입을 수행한다. 특정 가이드는 일반적으로 관심 해부학적 조직에 대응하는 뼈 구조의 형상을 매칭하고 설계된 궤도의 방향에 따라 의료용 기구의 삽입을 가이드하는 것을 가능하게 한다.

일부 의료 개입의 경우에, 흔히 팬텀으로서 지칭되는, 환자(110)의 해부학적 조직의 3차원 모델은 의료 개입 전에 훈련을 허용하기 위해 구성된다. 그래서 환자(110)의 해부학적 조직의 3차원 모델은 유리하게는 자동 설계 방법(200)에 의해 획득된 궤도의 설계 매개변수의 세트에 규정된 바와 같이 의료용 기구의 진입 지점의 표시를 포함할 수 있다.

자동 설계 방법(200)에 의해 획득된 결과는 또한 의료 개입을 동료, 예를 들어, 내과의, 외과의 또는 방사선 전문의에게, 또는 심지어 의료 개입을 겪는 환자(110)에게 보여주기 위해 사용될 수 있다. 이 결과는 또한 의료 개입 시 동료를 훈련시키기 위해 사용될 수 있다.

Claims (15)

1. 의료 개입 동안 환자(110)의 관심 해부학적 조직(130)을 목표로 하는 의료용 기구(120)가 따르는 궤도를 자동으로 설계하기 위한 방법(200)으로서,
   - 상기 관심 해부학적 조직의 적어도 하나의 의료용 이미지(300)를 획득하는 단계(210);
   - 이전에 획득된 이미지(300) 상의 타깃 지점(145)을 결정하는 단계(220);
   - 상기 관심 해부학적 조직의 상기 의료용 이미지로부터 그리고 이전에 결정된 타깃 지점으로부터, 의료용 이미지(300) 상의 진입 지점(140)의 좌표를 포함하는 궤도 설계 매개변수의 세트를 생성하는 단계(240)
   를 포함하되;
   상기 매개변수의 세트는 의료용 훈련 이미지로 불리는 것의 세트에 대해 이전에 훈련된, 신경망 유형(530)의 기계 학습 방법을 사용하여 생성되고, 각각의 의료용 훈련 이미지는 상기 환자(110)의 상기 관심 해부학적 조직(130)과 유사한 관심 해부학적 조직을 포함하고, 각각의 의료용 훈련 이미지는 이전에 결정된 적어도 하나의 진입 지점의 좌표 및 타깃 지점의 좌표와 연관되는 것을 특징으로 하는 자동 설계 방법.
2. 제1항에 있어서, 상기 기계 학습 방법은 상기 획득된 의료용 이미지로부터 상기 진입 지점의 좌표 및 상기 획득된 의료용 이미지에서 이전에 결정된 상기 타깃 지점으로부터 좌표를 결정하는, 자동 설계 방법.
3. 제1항 또는 제2항에 있어서, 상기 기계 학습 방법은 각각 2D 또는 3D에서 획득된 상기 의료용 이미지의 각각의 픽셀 또는 복셀에 대한 진입 지점일 확률을 먼저 생성하고, 상기 진입 지점의 좌표는 가장 높은 확률을 가진 상기 픽셀 또는 복셀의 좌표에 대응하는, 자동 설계 방법.
4. 제1항 내지 제3항 중 어느 한 항에 있어서, 유사한 의료용 이미지의 세트는 복수의 동일한 이미지를 포함하고, 각각의 동일한 이미지는 별개의 진입 지점과 연관되는, 자동 설계 방법.
5. 제1항 내지 제4항 중 어느 한 항에 있어서, 유사한 의료용 이미지의 세트는 복수의 동일한 이미지를 포함하고, 각각의 동일한 이미지는 별개의 집도의에 의해 선택된 별개의 진입 지점과 연관되는, 자동 설계 방법.
6. 제1항 내지 제5항 중 어느 한 항에 있어서, 상기 관심 해부학적 조직과 관련된 정보는 상기 의료용 이미지의 세트 중 각각의 의료용 이미지와 연관되고, 상기 정보는 관심 해부학적 조직의 유형 또는 상기 관심 해부학적 조직에 존재하는 종양의 유형을 포함하고, 상기 기계 학습 방법은 동일한 유형의 해부학적 조직 또는 종양과 연관된 이미지로 제한된 복수의 상기 의료용 이미지의 세트에 대해 훈련되는, 자동 설계 방법.
7. 제1항 내지 제6항 중 어느 한 항에 있어서, 상기 설계 매개변수의 세트의 상기 진입 지점과 상기 획득된 이미지에 대해 이전에 결정된 상기 타깃 지점 간에 획정된 궤도에 스코어를 할당하는 단계를 또한 포함하는, 자동 설계 방법.
8. 제7항에 있어서, 상기 획득된 이미지가 매핑되고, 궤도 스코어의 할당이 다음의 기준 중 적어도 하나의 함수인, 자동 설계 방법:
   - 혈관의 근접;
   - 장기의 근접;
   - 뼈 구조의 근접;
   - 조직 계면에 대한 입사각;
   - 상기 궤도의 길이;
   - 상기 궤도가 통과하는 조직의 취성.
9. 제7항 또는 제8항에 있어서, 상기 궤도 스코어의 할당은 조직 계면과의 접촉 시 상기 의료용 기구가 변형될 확률을 고려하는, 자동 설계 방법.
10. 제7항 내지 제9항 중 어느 한 항에 있어서, 상기 궤도 스코어의 할당은 설계된 궤도와 유사한 궤도와 연관된 재발률을 고려하는, 자동 설계 방법.
11. 제7항 내지 제10항 중 어느 한 항에 있어서, 상기 궤도 스코어의 할당은 상기 설계된 궤도와 유사한 궤도와 연관된 회복 시간을 고려하는, 자동 설계 방법.
12. 제7항 내지 제11항 중 어느 한 항에 있어서, 상기 궤도에 할당된 상기 스코어가 문턱값 스코어와 비교되는 단계를 또한 포함하되, 상기 궤도는 상기 궤도 스코어가 상기 문턱값 스코어 이상일 때 검증되는, 자동 설계 방법.
13. 제7항 내지 제12항 중 어느 한 항에 있어서, 상기 궤도에 할당된 상기 스코어가 상기 문턱값 스코어 미만일 때 상기 진입 지점을 변경하는 단계를 또한 포함하는, 자동 설계 방법.
14. 의료용 기구를 가이드하기 위한 디바이스로서, 제1항 내지 제13항 중 어느 한 항에 따른 자동 설계 방법에 의해 획득된 상기 설계 매개변수의 세트에 따라 의료용 기구를 가이드하기 위한 수단을 포함하는, 가이딩 디바이스.
15. 제14항에 있어서, 로봇식 가이딩 디바이스, 로봇식 디바이스와 연관되거나 또는 연관되지 않는 내비게이션 시스템, 증강현실 디바이스, 환자-특정 가이드, 또는 상기 환자의 상기 해부학적 조직의 3차원 모델인, 가이딩 디바이스.

Images