この規格 プレビューページの目次
※一部、英文及び仏文を自動翻訳した日本語訳を使用しています。
導入
このドキュメントは、情報通信技術 (ICT) の活用による医療業界における 3D プリンティング技術のカスタマイズのニーズに応えて作成されました。
積層造形 (AM) の既存の標準where 医療業界の要件と一致しない点が数多くあります。医療画像から 3D プリントに至るまで、医療機器の開発は、複数のソフトウェアを複雑に管理する非常に複雑な作業です。
医療用 3D プリント部品の市場が新興しているため、標準化が必要な点が数多くあります。
現在、医療画像データを一貫して正確に 3D プリント オブジェクトに変換できることを保証するプロトコルと検証手順を作成するための標準化されたプロセスはありません。
医療 3D プリンティングの場合、最適な 3D モデルを取得するには、医療画像と対応する身体部位の特性に応じてセグメンテーション技術を最適化し、組み合わせる必要があります。
特に、医療画像のセグメンテーションにおいて、コンピューター断層撮影 (CT) や磁気共鳴 (MR) 画像などの生データから臓器や病変のピクセルを識別することは、最も困難な分析タスクの 1 つです。
たとえば、眼球の位置をサポートし、眼窩の体積と形状を復元するために、頭蓋顎顔面手術における眼窩壁の再構築には、眼窩骨のセグメント化が必要です。ただし、眼窩骨は軟組織と同様に、強度値の高い皮質骨と強度値の低い小柱骨と薄い骨で構成されているため、眼窩骨のセグメンテーションは困難です。
人間の骨はセグメンテーション技術によって描写および抽出され、このセグメンテーションから 3D 骨格モデルが構築されます。対象となる身体の関連部分をセグメンテーションする際のエラーを最小限に抑えることが重要です。このセグメント化には既知の重大な問題がいくつかあるため、続行する前に検証プロセスが行われます。
対象部位を正確に抽出するには、単一のセグメンテーション技術だけでなく、それらの技術を組み合わせて採用する必要があります。ただし、このプロセスはオペレーターに大きく依存します。この作業中のエラーを最小限に抑えるために、オペレータは、イメージング ソフトウェアでどのセグメンテーション技術が最もよく使用されているかを理解し、その技術に必要なスキルを持っている必要があります。
デフォルトのハウンズフィールド単位 (HU) 範囲によって提供されるしきい値技術は、真の骨構造を完全には回復しません。 [ 1] 通常、オペレータはセグメンテーションの範囲を手動で調整する必要があります。通常、問題はセグメント化が不十分であることです。ただし、過度のセグメント化は、特に外科用インプラントの場合、さらなる設計プロセスにおいても問題となります。人的エラーを減らし、セグメンテーションの問題に対するパフォーマンスと一貫性を向上させるために、さまざまな手法が提案されています。 [ 2]
この文書では、セグメンテーションを最適化するための標準化されたプロセスを提案します。
Introduction
This document was developed in response to the need for customization of 3D printing technology in the medical industry through the use of information and communication technology (ICT).
There are many points where the existing standards for additive manufacturing (AM) do not match the requirements of the medical industry. From medical images to 3D printing, medical device development is quite a complex journey with complicated management of multiple pieces of software.
With the emerging market for medical 3D printed parts, there are many points requiring standardization.
There is currently no standardized process for the creation of protocols and validation procedures to ensure that medical imaging data can be consistently and accurately transformed into a 3D printed object.
For medical 3D printing, segmentation techniques should be optimized and combined according to the characteristics of the medical images and corresponding body parts to get an optimal 3D model.
In particular, during medical image segmentation, identification of the pixels of organs or lesions from raw data such as computed tomography (CT) or magnetic resonance (MR) images, is one of the most challenging analysis tasks.
For example, segmentation of the orbital bone is necessary for orbital wall reconstruction in cranio-maxillofacial surgery to support the eye globe position and restore the volume and shape of the orbit. However, orbital bone segmentation is challenging as the orbital bone is composed of cortical bone with a high intensity value, and trabecular and thin bone with low intensity values, similar to soft tissue.
The human bone is delineated and extracted by segmentation techniques, and a 3D skeletal model is built from this segmentation. The minimization of errors during segmentation of relevant body parts of interest is critical. As there are several known critical issues for this segmentation, a verification process is made before proceeding.
Not only single segmentation techniques but also combinations of those techniques should be adopted for accurate extraction of a target body part. However, this process depends heavily on the operator. For minimization of errors during this job, operators should know which segmentation technique is most used in their imaging software and possess the necessary skills for that technique.
Thresholding techniques which are provided by a default Hounsfield unit (HU) range do not completely recover true bony structure.[1] An operator should typically adjust the extent of the segmentation manually. The problem is usually under-segmentation. However, over-segmentation will also be problematic for further designing processes, especially for surgical implants. Various techniques have been suggested to reduce human error and improve performance and consistency for segmentation issues.[2]
This document proposes a standardized process for the optimization of segmentation.