Kırık Kemiklerin Kaynamasında Kullanılan İmplant Materyalin Giriş Aksını Konumlama Yöntemi ve 3D Slicer Eklenti Yazılımının Geliştirilmesi

Öz

Ortopedik travma sonucunda kemik yapısında meydana gelen kırılma veya yerinden oynama sorunlarının tedavisinde tel veya vida gibi implant uygulaması yapılmaktadır. İmplant malzemenin kırık kemiğe doğru aks ve açıda uygulanması, kemiğin hızlı ve doğru kaynaması için önemlidir. Ancak kemik yapısının 3boyutlu karmaşık bir geometriye sahip olması ve iç dolgusunda delik veya boşluk içerebilmesi gibi durumlarda implant malzemenin doğru aks ve açıda uygulanması oldukça güçtür. Bu makalede, CT veya MRI çekimleri girdi olarak alarak belirlenen kemik yapısına implant malzemenin uygulanacağı aks ve açıyı otomatik tespit edebilen bir yöntem sunulmaktadır. Bu yöntem, CT veya MRI verisinin yüklemesi, veriden kemik yapısının ayıklanması, belirlenen kırık kemik bölgesinin kesilmesi ve modelinin üretilmesi, modelin merkez hattının çıkarılması (Voroni) ve çıkarılan noktalar üzerine doğru modelinin uydurulması (Line Regression) aşamalarını içermektedir. Uygulama çalışmaları 3D Slicer yazılımında ve Python programlama dilinde gerçekleştirilmiştir. Uygulama çalışmalarında RibFrac2020 veri kümesindeki CT taramaları kullanılmıştır. Uygulama sonuçları incelendiğinde, düzgün ve simetrik kemik yapılarında implant malzemenin sorunsuz bir şekilde yerleştirilebildiği, bununla birlikte dış geometrik yapısı düzgün olmayan veya iç kısmında boşluklar bulunan kemik yapılarında merkez hattında çatallaşmanın meydana geldiği görülmüştür. Bu durumda cerrah çatallaşan hatları eleyerek tek bir ana hat kalmasını sağlar. Böylece geliştirilen yöntemin düzgün veya düzensiz kemik yapılarına uygulanabildiği ve implant malzemenin en uygun aks ve açısını hesaplayabildiği görülmüştür. Önerilen yöntemin implant uygulama doğruluğunu maksimize ettiği, böylece hasta ve cerrah konforunu arttırma potansiyeline sahip olduğu değerlendirilmektedir.

Anahtar Kelimeler

• Kırık kemik kaynama
• ortopedi
• implant
• görüntü işleme
• MRI
• CT.

The Method of Positioning the Insertion Axis of The Implant Material Used in The Union of Broken Bones and the Development of the 3D Slicer Add-On Software

Öz

In the treatment of fractures or dislocations in the bone structure as a result of orthopedic trauma, implants such as wires or screws are applied. Applying the implant material to the broken bone at the correct axis and angle is important for the bone to heal quickly and correctly. However, in cases where the bone structure has a complex 3D geometry and may contain holes or gaps in its inner filling, it is quite difficult to apply the implant material at the correct axis and angle. This article presents a method that can automatically detect the axis and angle at which the implant material will be applied to the determined bone structure by taking CT or MRI images as input. This method includes the stages of loading the CT or MRI data, extracting the bone structure from the data, cutting the determined broken bone area and producing its model, extracting the centerline of the model (Voroni) and fitting the correct model on the extracted points (Line Regression). The application studies were carried out in the 3D Slicer software and the Python programming language. CT scans in the RibFrac2020 dataset were used in the application studies. When the application results are examined, it is seen that the implant material can be placed without any problems in smooth and symmetrical bone structures, however, in bone structures with irregular external geometric structure or with gaps in the interior, bifurcation occurs in the center line. In this case, the surgeon eliminates the bifurcated lines and leaves a single main line. Thus, it has been seen that the developed method can be applied to smooth or irregular bone structures and can calculate the most appropriate axis and angle of the implant material. It is evaluated that the proposed method maximizes implant application accuracy, thus has the potential to increase patient and surgeon comfort.

Anahtar Kelimeler

• Fracture bone healing
• orthopedics
• implant
• image processing
• MRI
• CT

Kaynakça

1. Özel Adana Ortadoğu Hastanesi, Kapalı Redüksiyon. Retrieved from https://www.ortadoguhastanesi.com.tr/kapali-reduksiyon. Erişim tarihi: 10.01.2025.
2. Promedis, G. Skopi Cihazları. Retrieved from https://www.promedis.com.tr/tr/urunler/c-kollu-skopi-cihazi. Erişim tarihi: 02.04.2025.
3. Ma Y, Luo Y. Bone fracture detection through the two-stage system of Crack-Sensitive Convolutional Neural Network. Informatics in Medicine Unlocked. 2021, 22, 100452.
4. Shaghayegh Tabarestani AA, Ezoji M. Bone Fracture Detection and Localization on MURA Database Using Faster-RCNN. 2021 7th International Conference on Signal Processing and Intelligent Systems (ICSPIS), 1–6.
5. Lind A, Others. Artificial intelligence for the classification of fractures around the knee in adults according to the 2018 AO/OTA classification system. PLoS ONE, 2021, 16(4).
6. Chen Y. Classification of Atypical Femur Fracture with Deep Neural Networks (Dissertation). 2019. Retrieved from https://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-255677.
7. Y Qi, et al., “Ground Truth Annotated Femoral X-Ray Image Dataset and Object Detection Based Method for Fracture Types Classification” in IEEE Access, , pp. 189436-189444, 2020.
8. Malik H. Wrist Fracture - X-rays. Mendeley Data. 2020.

9. Pranav Rajpurkar, Jeremy Irvin, Aarti Bagul, Daisy Ding, Tony Duan, Hershel Mehta, Brandon Yang, Kaylie Zhu, Dillon Laird, Robyn L. Ball, Curtis Langlotz, Katie Shpanskaya, Matthew P. Lungren, & Andrew Y. Ng. 2018. MURA: Large Dataset for Abnormality Detection in Musculoskeletal Radiographs.
10. Srinivas V. Kaggle-Fracture. 2021. Retrieved from https://www.kaggle.com/datasets/srinivasvishal7/fracture.
11. Jin, Liang et al. Deep-learning-assisted detection and segmentation of rib fractures from CT scans: Development and validation of FracNet. eBioMedicine. 2020, Volume 62, 103106.
12. Piccinelli M. Description of geometric indices. Retrieved from http://ecm2.mathcs.emory.edu/aneuriskweb/description. Erişim tarihi: 01.03.2025.
13. Cormen, T. H.. Introduction to Algorithms (Second ed.). The MIT Press. Cambridge, Massachusetts London, England. 2001, 595–601.
14. Bai X. Voronoi Diagram Based Heterogeneous Circuit Layout Centerline Extraction for Mask Verification. 2022. pp. 172–177. 2022 27th Asia and South Pacific Design Automation Conference (ASP-DAC).
15. 3D Slicer. Link: https://www.slicer.org/. Erişim Tarihi: 09.10.2024.
16. Itksnap. http://www.itksnap.org/pmwiki/pmwiki.php. Erişim Tarihi: 20.12.2024.
17. Mitk. https://www.mitk.org/wiki/The_Medical_Imaging_Interaction_Toolkit_(MITK). Erişim Tarihi: 24.10.2024.
18. Mricron. https://people.cas.sc.edu/rorden/mricron/index.html. Erişim Tarihi: 04.02.2024.
19. Brainbox. https://people.cas.sc.edu/rorden/mricron/index.html. Erişim Tarihi: 04.02.2024.
20. Akça Z, Çalış C. On The Voronoi Diagram and Taxicab Plane. Erzincan University Journal of Science and Technology. 2021. 14(1), 175-181.
21. RibFrac. https://ribfrac.grand-challenge.org/publication/. Erişim Tarihi: 16.10.2024.