CN112562073A - 一种脑深部肿瘤与白质纤维束关系模型及其制备方法 - Google Patents
一种脑深部肿瘤与白质纤维束关系模型及其制备方法 Download PDFInfo
- Publication number
- CN112562073A CN112562073A CN202011580452.3A CN202011580452A CN112562073A CN 112562073 A CN112562073 A CN 112562073A CN 202011580452 A CN202011580452 A CN 202011580452A CN 112562073 A CN112562073 A CN 112562073A
- Authority
- CN
- China
- Prior art keywords
- tumor
- white matter
- model
- brain
- deep
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000000835 fiber Substances 0.000 title claims abstract description 87
- 208000003174 Brain Neoplasms Diseases 0.000 title claims abstract description 63
- 210000004885 white matter Anatomy 0.000 title claims abstract description 52
- 238000002360 preparation method Methods 0.000 title abstract description 6
- 210000004556 brain Anatomy 0.000 claims abstract description 45
- 208000032843 Hemorrhage Diseases 0.000 claims abstract description 18
- 206010030124 Oedema peripheral Diseases 0.000 claims abstract description 11
- 238000010146 3D printing Methods 0.000 claims abstract description 10
- 238000003384 imaging method Methods 0.000 claims abstract description 10
- 210000000877 corpus callosum Anatomy 0.000 claims abstract description 9
- 239000007787 solid Substances 0.000 claims abstract description 6
- 230000004927 fusion Effects 0.000 claims abstract description 5
- 230000011218 segmentation Effects 0.000 claims abstract description 4
- 210000002804 pyramidal tract Anatomy 0.000 claims abstract description 3
- 206010028980 Neoplasm Diseases 0.000 claims description 51
- 238000007639 printing Methods 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 15
- 239000003086 colorant Substances 0.000 claims description 12
- 238000002598 diffusion tensor imaging Methods 0.000 claims description 12
- 239000011347 resin Substances 0.000 claims description 9
- 229920005989 resin Polymers 0.000 claims description 9
- 230000000740 bleeding effect Effects 0.000 claims description 8
- 239000000463 material Substances 0.000 claims description 8
- 238000012805 post-processing Methods 0.000 claims description 7
- 206010030113 Oedema Diseases 0.000 claims description 6
- 210000000133 brain stem Anatomy 0.000 claims description 6
- 210000001638 cerebellum Anatomy 0.000 claims description 6
- 230000001054 cortical effect Effects 0.000 claims description 6
- 238000002075 inversion recovery Methods 0.000 claims description 6
- 230000005415 magnetization Effects 0.000 claims description 6
- 238000000264 spin echo pulse sequence Methods 0.000 claims description 6
- 230000002739 subcortical effect Effects 0.000 claims description 6
- 206010072360 Peritumoural oedema Diseases 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 239000012530 fluid Substances 0.000 claims description 3
- 230000003902 lesion Effects 0.000 claims description 3
- 239000007788 liquid Substances 0.000 claims description 3
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 3
- 230000002238 attenuated effect Effects 0.000 claims description 2
- 210000005112 optic tract Anatomy 0.000 claims description 2
- 230000004421 optic tracts Effects 0.000 claims description 2
- 238000012549 training Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 5
- 230000002980 postoperative effect Effects 0.000 abstract description 5
- 206010061296 Motor dysfunction Diseases 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 abstract 1
- 238000004088 simulation Methods 0.000 abstract 1
- 230000000007 visual effect Effects 0.000 description 11
- 230000006835 compression Effects 0.000 description 5
- 238000007906 compression Methods 0.000 description 5
- 230000006378 damage Effects 0.000 description 4
- 208000027418 Wounds and injury Diseases 0.000 description 3
- 210000003484 anatomy Anatomy 0.000 description 3
- 208000014674 injury Diseases 0.000 description 3
- 210000005036 nerve Anatomy 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- JXSJBGJIGXNWCI-UHFFFAOYSA-N diethyl 2-[(dimethoxyphosphorothioyl)thio]succinate Chemical group CCOC(=O)CC(SP(=S)(OC)OC)C(=O)OCC JXSJBGJIGXNWCI-UHFFFAOYSA-N 0.000 description 2
- 210000004126 nerve fiber Anatomy 0.000 description 2
- 230000008092 positive effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 208000032612 Glial tumor Diseases 0.000 description 1
- 206010018338 Glioma Diseases 0.000 description 1
- 206010071541 Metastatic lymphoma Diseases 0.000 description 1
- 238000012274 Preoperative evaluation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 230000002594 corticospinal effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 206010061289 metastatic neoplasm Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009251 neurologic dysfunction Effects 0.000 description 1
- 208000015015 neurological dysfunction Diseases 0.000 description 1
- 230000004431 optic radiations Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000002271 resection Methods 0.000 description 1
- 238000007920 subcutaneous administration Methods 0.000 description 1
- 208000037816 tissue injury Diseases 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
- B29C64/30—Auxiliary operations or equipment
- B29C64/386—Data acquisition or data processing for additive manufacturing
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B33—ADDITIVE MANUFACTURING TECHNOLOGY
- B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
- B33Y50/00—Data acquisition or data processing for additive manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Materials Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Graphics (AREA)
- Mechanical Engineering (AREA)
- Optics & Photonics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供一种脑深部肿瘤与白质纤维束关系模型及其制备方法，通过MR多模态成像序列，获得脑深部肿瘤及邻近白质纤维束、脑实质的3D高分辨扫描图像。对得到的原始图像数据导入建模后处理软件，对脑深部肿瘤及内部出血、周围水肿、邻近功能纤维束及脑实质结构进行图像融合、分割、重建，获得脑深部肿瘤立体解剖模型，可导入彩色3D打印机打印出针对脑肿瘤的个体化精准医学3D打印实体模型。精确定位脑肿瘤及其邻近关键视束、皮质脊髓束、胼胝体等白质纤维束、脑实质的前后、上下空间关系。降低术后视觉、运动功能障碍发生概率，满足精准医学评估与手术的需要。用于术前规划、手术模拟和作为精准医学教学培训模具，提高医学培训教学效果。
Description
技术领域
本发明属于医疗用模型技术领域，尤其是涉及一种脑深部肿瘤与白质纤维束关系模型及其制备方法。
背景技术
脑深部肿瘤传统显微手术全切除率低、致残率高，术后易造成永久性神经功能障碍，如何最大程度安全、精准的切除肿瘤显得尤为重要。脑深部肿瘤多见于胶质瘤、转移瘤、淋巴瘤等，由于肿瘤位于深部脑实质及功能区皮层深方，手术风险很高；如何精准、安全、快速、完整地切除肿瘤，一直困扰着神经外科医生。
临床实践中，皮质下传导通路－脑白质纤维束的走行存在个体化差异，肿瘤周围脑白质纤维呈推移、 挤压、中断破坏的程度，肿瘤与神经纤维的前后上下左右空间三维关系可视化受限，临床上，不同神经外科医生及医学生自身的空间想象力不同、仅依靠二维层面对手术区结构三维空间理解困难等影响因素的存在，导致术者对脑深部肿瘤的精准术前评价、术中肿瘤切除的精准实施及有效的医学外科培训及医学教学实践面临一定的困难与挑战。
发明内容
本发明要解决的问题是提供一种脑深部肿瘤与白质纤维束关系模型及其制备方法，尤其是基于MR多模态成像序列，构建脑深部肿瘤与神经纤维束关系的3D打印精准医学模型，有效地个体化评估相关脑深部肿瘤与邻近功能纤维束前后、上下空间关系，提高医生对手术区复杂解剖结构的精确术前理解，术前识别高风险区域并预测潜在并发症，术中有效保护邻近功能纤维束的同时最大范围地切除肿瘤，有效降低邻功能纤维束损伤后脑患者术后神经功能致残率，增加外科医师手术信心，减少手术中不必要的探索时程，亦可用于精准医学教学模具及外科操作培训实践，增加医学教学效果的一种脑深部肿瘤与白质纤维束关系模型及其制备方法。
为解决上述技术问题，本发明采用的技术方案是：一种脑深部肿瘤与白质纤维束关系模型，包括脑深部肿瘤模型及邻近白质纤维束模型，对所述脑深部肿瘤模型及内部出血、周围水肿、邻近各功能纤维束模型及脑实质模型，上述各模型部件通过彩色3D打印机装载颜色各异的柔性光敏树脂后，打印制备成脑深部肿瘤与白质纤维束关系实体模型，精确定位脑深部肿瘤及其邻近各白质纤维束、脑实质的前后、上下空间关系。
进一步的，本发明还提供一种脑深部肿瘤与白质纤维束关系模型制备方法，用于制备上述脑深部肿瘤模型，包括以下步骤，
S1：采用MR多模态扫描序列进行图像采集；
S2：基于MRI多模态图像的脑深部肿瘤数字化建模；
S3：使用3D打印机制备所述脑深部肿瘤模型。
进一步的，所述S1采用MR多模态图像序列以采集脑深部肿瘤及内部出血、周围水肿，脑白质纤维束以及脑实质图像达到最佳信噪比用于不同结构的分割提取。
进一步的，所述S1包括以下步骤，
S11：采用强化T1WI或优化磁化准备的快速梯度回波序列采集强化的肿瘤实质；
S12：采用液体衰减反转恢复序列提取肿瘤周围水肿及内部囊变；
S13：采用SWI序列采集病变内部出血；
S14：采用扩散张量成像及图像后处理分割肿瘤周围重要白质纤维束；
S15：采用快速梯度回波序列及可变反转角快速自旋回波序列分割大脑、小脑及脑干结构。
进一步的，所述S2包括以下步骤，
S21：采用扩散张量成像序列纤维束追踪成像分割肿瘤周围白质纤维束结构，将获得的扩散张量成像图像导入图像后处理工作站MR扩散张量成像软件包，进行相应白质纤维束追踪，保存为可操作的DICOM格式可识别图像；
S22：采用强化T1WI或优化磁化准备的快速梯度回波序列显示为高信号的脑深部肿瘤采集强化的脑肿瘤实质部分；
S23：采用液体衰减反转恢复序列选择合理阈值提取显示为长T2信号的肿瘤周围水肿及内部囊变部分；
S24：采用SWI序列选择合理阈值或手动勾画提取显示为明显低信号的肿瘤内部出血部分，手动修正细节轮廓使之精确，使用魔刷工具去除非目标区域的标记；
S25：采用快速梯度回波序列及可变反转角快速自旋回波序列微调合理阈值分割大脑、小脑及脑干结构，手动修正细节轮廓使之精确，使用魔刷工具去除非目标区域的标记；
S26：以上脑深部肿瘤及内部出血、周围水肿、邻近皮层下功能纤维束、脑实质结构分割完成后，进行各个图像部件的融合，将获得的图像文件转化为STL格式文件用于3D打印。
进一步的，所述白质纤维束包括但不限于皮质脊髓束、皮质核束、视束、胼胝体、弓形纤维。
进一步的，所述S2还包括以下步骤，
S27：采用blender软件对需要进行透明化的脑实质、肿瘤周围水肿进行透明化处理，并设置颜色，导出带颜色的obj格式文件。
进一步的，所述S3包括以下步骤，
S31：将重建好的STL文件倒入3D打印设备；
S32：设置打印参数，并装载打印材料后，制作脑深部肿瘤实体模型。
进一步的，所述打印参数为，打印厚度为28μm，打印精度≤200μm，环境温度为18℃-26℃，肖氏硬度为30。
进一步的，所述打印材料为柔性光敏树脂，设置肿瘤实体、邻近不同纤维束采用不同彩色光敏树脂材料，实体化打印脑深部肿瘤及邻近纤维束模型。
本发明具有的优点和积极效果是：
本发明基于MR多模态成像序列，构建脑深部肿瘤与功能纤维束关系的集成式3D打印精准医学模型，有利于复杂脑深部肿瘤患者、压迫位点、压迫程度的术前三维立体可视化，有效地显示脑深部肿瘤及周围水肿、内部出血及邻近皮层下功能纤维束的关系。如负责视觉传导的视束、下行运动传导束锥体束-皮质脊髓束、皮质核束、联合纤维胼胝体及其他白质纤维束等，提高医生对手术区域复杂解剖结构的精确术前理解，识别高风险区域并预测潜在并发症，利于术前手术规划及模拟干预，最大化切除肿瘤的同时，有效降低邻功能纤维束损伤后脑患者术后神经功能致残率，增加外科医师手术信心，减少术中不必要的探索时程，降低手术并发症，亦可用于医学教学及外科操作培训实践，增加医学教学效果的有效性。
附图说明
图1-图6是本发明实施例的整体结构示意图。
图7是本发明实施例的制备方法工艺流程图。
图中：
1、视束、视辐射模型 2、正常侧锥体束模型 3、瘤周推压破坏的锥体束模型
4、瘤周水肿模型 5、脑深部肿瘤模型 6、脑实质模型
7、扣带束模型 8、胼胝体联合纤维模型。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
下面结合附图对本发明实施例做进一步描述：
如图1-图6所示，一种脑深部肿瘤与白质纤维束关系模型，包括脑深部肿瘤模型5及邻近白质纤维束模型，对脑深部肿瘤模型5及内部出血、瘤周水肿模型4、邻近各功能纤维束模型及脑实质模型6，具体的白质纤维束模型包括视束、视辐射模型1、扣带束模型7、锥体束模型、胼胝体联合纤维模型8，其中，锥体束模型包括正常侧锥体束模型2和瘤周推压破坏的锥体束模型3。上述各模型部件通过彩色3D打印机装载颜色各异的柔性光敏树脂后，打印制备成脑深部肿瘤与白质纤维束关系实体模型，精确定位脑深部肿瘤及其邻近各白质纤维束、脑实质的前后、上下空间关系。
不同模态MR成像可以从肿瘤成分、脑解剖及功能方面提供不同影像学信息，全方面分析功能区深部肿瘤与周围结构的关系，使神经外科医生获得更加精准的判断和制定更加合理的诊疗计划。弥散张量成像纤维束示踪技术能够三维重建皮层下重要的脑白质纤维束投射通路，如负责视觉传导的视束、下行运动传导束锥体束-皮质脊髓束、皮质核束、联合纤维胼胝体及其他白质纤维束等，直观显示功能纤维束是否被瘤体侵犯、包绕或推压移位的情况，精确定位肿瘤与视束、锥体束等皮层下功能纤维束间的空间关系，降低术后视觉、运动功能障碍发生概率，这对术前优化设计手术入路、实现深部功能区肿瘤的最大化切除、最小化正常脑组织损伤及功能损伤、最佳的术后恢复的精准神经外科手术目标显得尤为重要。
具体的，如图7所示，一种脑深部肿瘤与白质纤维束关系模型制备方法，用于制备上述的脑深部肿瘤模型，包括以下步骤，
S1：采用MR多模态扫描序列进行图像采集，优选的，采用MR多模态图像序列以采集脑深部肿瘤及内部出血、周围水肿，脑白质纤维束以及脑实质图像达到最佳信噪比用于不同结构的分割提取。具体的，本实施例采用西门子MR设备。
S11：采用强化T1WI或优化磁化准备的快速梯度回波序列，及MP-RAGE序列采集强化的肿瘤实质；
S12：采用液体衰减反转恢复序列，即FLAIR序列提取肿瘤周围水肿及内部囊变；
S13：采用SWI序列采集病变内部出血；
S14：采用扩散张量成像，即DTI，及图像后处理分割肿瘤周围重要白质纤维束，具体的，如锥体束、视束等；
S15：采用快速梯度回波序列，即MP-RAGE序列及可变反转角快速自旋回波序列，即T2-SPACE序列分割大脑、小脑及脑干等结构。
S2：基于MRI多模态图像的脑深部肿瘤数字化建模，将获得的脑深部肿瘤MR高分辨成像序列加载到西门子或飞利浦图像后处理工作站Neuro 3D、3Dprinter、3Dslicer、VTK等软件中进行图像分割、校准、融合。
S21：采用扩散张量成像，即DTI序列纤维束追踪成像分割肿瘤周围白质纤维束结构，将获得的扩散张量成像，即DTI图像导入西门子或飞利浦图像后处理工作站MR扩散张量成像软件包，进行相应皮质脊髓束、皮质核束、视束、胼胝体、弓形纤维等白质纤维束追踪，保存为可操作的DICOM格式可识别图像；
S22：采用强化T1WI或优化磁化准备的快速梯度回波序列，即MP-RAGE序列，显示为高信号的脑深部肿瘤采集强化的脑肿瘤实质部分；
S23：采用液体衰减反转恢复序列，即FLAIR序列选择合理阈值提取显示为长T2信号的肿瘤周围水肿及内部囊变部分；
S24：采用SWI序列选择合理阈值或手动勾画提取显示为明显低信号的肿瘤内部出血部分，手动修正细节轮廓使之精确，使用魔刷工具去除非目标区域的标记；
S25：采用MPRAGE序列及可变反转角快速自旋回波序列，即T2-SPACE序列微调合理阈值分割大脑、小脑及脑干等结构，手动修正细节轮廓使之精确，使用魔刷工具去除非目标区域的标记；
S26：以上脑深部肿瘤及内部出血、周围水肿、邻近皮层下功能纤维束、脑实质结构分割完成后，进行各个图像部件的融合，将获得的图像文件转化为STL格式文件用于3D打印。
S27：采用blender软件对需要进行透明化的脑实质、肿瘤周围水肿进行透明化处理，并设置颜色，导出带颜色的obj格式文件，如需增加硬度，可外部包覆一层透明层。
S3：使用3D打印机制备脑深部肿瘤模型。
S31：将重建好的STL文件倒入3D打印设备。
S32：设置打印参数，并装载打印材料后，制作脑深部肿瘤实体模型。具体的，打印参数如下，打印厚度为28μm，打印精度≤200μm，环境温度为18~26℃，肖氏硬度为30，装载打印材料为柔性光敏树脂后，设置肿瘤实体、邻近不同纤维束采用不同颜色，实体化打印脑深部肿瘤及邻近纤维束模型，具体的，可以为红、蓝、黄、绿、白等颜色，因部分血管太细，添加透明层链接以保证空间连续性及抗压效果。
本发明具有的优点和积极效果是：
本发明基于MR多模态成像序列，构建脑深部肿瘤与功能纤维束关系的集成式3D打印精准医学模型，有利于复杂脑深部肿瘤患者、压迫位点、压迫程度的术前三维立体可视化，有效地显示脑深部肿瘤及周围水肿、内部出血及邻近皮层下功能纤维束的关系。如负责视觉传导的视束、下行运动传导束锥体束-皮质脊髓束、皮质核束、联合纤维胼胝体及其他白质纤维束等，提高医生对手术区域复杂解剖结构的精确术前理解，识别高风险区域并预测潜在并发症，利于术前手术规划及模拟干预，最大化切除肿瘤的同时，有效降低邻功能纤维束损伤后脑患者术后神经功能致残率，增加外科医师手术信心，减少术中不必要的探索时程，降低手术并发症，亦可用于医学教学及外科操作培训实践，增加医学教学效果的有效性。
以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。
Claims (10)
1.一种脑深部肿瘤与白质纤维束关系模型，其特征在于：包括脑深部肿瘤模型及邻近白质纤维束模型，对所述脑深部肿瘤模型及内部出血、周围水肿、邻近各功能纤维束模型及脑实质模型，上述各模型部件通过彩色3D打印机装载颜色各异的柔性光敏树脂后，打印制备成脑深部肿瘤与白质纤维束关系实体模型，精确定位脑深部肿瘤及其邻近各白质纤维束、脑实质的前后、上下空间关系。
2.一种脑深部肿瘤与白质纤维束关系模型制备方法，用于制备上述权利要求1所述的脑深部肿瘤模型，其特征在于：包括以下步骤，
S1：采用MR多模态扫描序列进行图像采集；
S2：基于MRI多模态图像的脑深部肿瘤数字化建模；
S3：使用3D打印机制备所述脑深部肿瘤模型。
3.根据权利要求2所述的一种脑深部肿瘤与白质纤维束关系模型制备方法，其特征在于：所述S1采用MR多模态图像序列以采集脑深部肿瘤及内部出血、周围水肿，脑白质纤维束以及脑实质图像达到最佳信噪比用于不同结构的分割提取。
4.根据权利要求3所述的一种脑深部肿瘤与白质纤维束关系模型制备方法，其特征在于：所述S1包括以下步骤，
S11：采用强化T1WI或优化磁化准备的快速梯度回波序列采集强化的肿瘤实质；
S12：采用液体衰减反转恢复序列提取肿瘤周围水肿及内部囊变；
S13：采用SWI序列采集病变内部出血；
S14：采用扩散张量成像及图像后处理分割肿瘤周围重要白质纤维束；
S15：采用快速梯度回波序列及可变反转角快速自旋回波序列分割大脑、小脑及脑干结构。
5.根据权利要求2至4任一所述的一种脑深部肿瘤与白质纤维束关系模型制备方法，其特征在于：所述S2包括以下步骤，
S21：采用扩散张量成像序列纤维束追踪成像分割肿瘤周围白质纤维束结构，将获得的扩散张量成像图像导入图像后处理工作站MR扩散张量成像软件包，进行相应白质纤维束追踪，保存为可操作的DICOM格式可识别图像；
S22：采用强化T1WI或优化磁化准备的快速梯度回波序列显示为高信号的脑深部肿瘤采集强化的脑肿瘤实质部分；
S23：采用液体衰减反转恢复序列选择合理阈值提取显示为长T2信号的肿瘤周围水肿及内部囊变部分；
S24：采用SWI序列选择合理阈值或手动勾画提取显示为明显低信号的肿瘤内部出血部分，手动修正细节轮廓使之精确，使用魔刷工具去除非目标区域的标记；
S25：采用快速梯度回波序列及可变反转角快速自旋回波序列微调合理阈值分割大脑、小脑及脑干结构，手动修正细节轮廓使之精确，使用魔刷工具去除非目标区域的标记；
S26：以上脑深部肿瘤及内部出血、周围水肿、邻近皮层下功能纤维束、脑实质结构分割完成后，进行各个图像部件的融合，将获得的图像文件转化为STL格式文件用于3D打印。
6.根据权利要求5所述的一种脑深部肿瘤与白质纤维束关系模型制备方法，其特征在于：所述白质纤维束包括但不限于皮质脊髓束、皮质核束、视束、胼胝体、弓形纤维。
7.根据权利要求5所述的一种脑深部肿瘤与白质纤维束关系模型制备方法，其特征在于：所述S2还包括以下步骤，
S27：采用blender软件对需要进行透明化的脑实质、肿瘤周围水肿进行透明化处理，并设置颜色，导出带颜色的obj格式文件。
8.根据权利要求5所述的一种脑深部肿瘤与白质纤维束关系模型制备方法，其特征在于：所述S3包括以下步骤，
S31：将重建好的STL文件倒入3D打印设备；
S32：设置打印参数，并装载打印材料后，制作脑深部肿瘤实体模型。
9.根据权利要求8所述的一种脑深部肿瘤与白质纤维束关系模型制备方法，其特征在于：所述打印参数为，打印厚度为28μm，打印精度≤200μm，环境温度为18℃-26℃，肖氏硬度为30。
10.根据权利要求9所述的一种脑深部肿瘤与白质纤维束关系模型制备方法，其特征在于：所述打印材料为柔性光敏树脂，设置肿瘤实体、邻近不同纤维束采用不同彩色光敏树脂材料，实体化打印脑深部肿瘤及邻近纤维束模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011580452.3A CN112562073B (zh) | 2020-12-28 | 2020-12-28 | 一种脑深部肿瘤与白质纤维束关系模型及其制备方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011580452.3A CN112562073B (zh) | 2020-12-28 | 2020-12-28 | 一种脑深部肿瘤与白质纤维束关系模型及其制备方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112562073A true CN112562073A (zh) | 2021-03-26 |
| CN112562073B CN112562073B (zh) | 2022-12-27 |
Family
ID=75033958
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011580452.3A Active CN112562073B (zh) | 2020-12-28 | 2020-12-28 | 一种脑深部肿瘤与白质纤维束关系模型及其制备方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112562073B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115880425A (zh) * | 2022-11-28 | 2023-03-31 | 中国人民解放军空军军医大学 | 一种脑肿瘤的标签化三维多模态脑结构融合重建方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104091347A (zh) * | 2014-07-26 | 2014-10-08 | 刘宇清 | 一种基于3d打印技术的颅内肿瘤手术规划模拟方法 |
| CN106683549A (zh) * | 2016-12-13 | 2017-05-17 | 李翔宇 | 基于3d打印的动脉瘤模型及其制备方法 |
| CN110164276A (zh) * | 2019-01-25 | 2019-08-23 | 福建省立医院 | 一种颅神经模型的制备方法 |
-
2020
- 2020-12-28 CN CN202011580452.3A patent/CN112562073B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104091347A (zh) * | 2014-07-26 | 2014-10-08 | 刘宇清 | 一种基于3d打印技术的颅内肿瘤手术规划模拟方法 |
| CN106683549A (zh) * | 2016-12-13 | 2017-05-17 | 李翔宇 | 基于3d打印的动脉瘤模型及其制备方法 |
| CN110164276A (zh) * | 2019-01-25 | 2019-08-23 | 福建省立医院 | 一种颅神经模型的制备方法 |
Non-Patent Citations (2)
| Title |
|---|
| ANTONIOS DREVELEGAS等: "《 Imaging of Brain Tumors with Histological Correlations》", 30 September 2010, SPRINGER * |
| 兰青等: "通过3D打印技术制备颅脑实体模型", 《中华医学杂志》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115880425A (zh) * | 2022-11-28 | 2023-03-31 | 中国人民解放军空军军医大学 | 一种脑肿瘤的标签化三维多模态脑结构融合重建方法 |
| CN115880425B (zh) * | 2022-11-28 | 2023-07-25 | 中国人民解放军空军军医大学 | 一种脑肿瘤的标签化三维多模态脑结构融合重建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112562073B (zh) | 2022-12-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105631930B (zh) | 一种基于dti的颅内神经纤维束的三维重建方法 | |
| Hodaie et al. | In vivo visualization of cranial nerve pathways in humans using diffusion-based tractography | |
| Fernandez-Miranda et al. | High-definition fiber tractography of the human brain: neuroanatomical validation and neurosurgical applications | |
| Berman | Diffusion MR tractography as a tool for surgical planning | |
| Ma et al. | Preoperative visualization of cranial nerves in skull base tumor surgery using diffusion tensor imaging technology | |
| Nakajima et al. | Use of cortical surface vessel registration for image-guided neurosurgery | |
| Peters | Image-guided surgery: from X-rays to virtual reality | |
| Song et al. | In vivo visualization of the facial nerve in patients with acoustic neuroma using diffusion tensor imaging–based fiber tracking | |
| Riva et al. | 3D intra-operative ultrasound and MR image guidance: pursuing an ultrasound-based management of brainshift to enhance neuronavigation | |
| Hill et al. | Sources of error in comparing functional magnetic resonance imaging and invasive electrophysiological recordings | |
| CN108523997A (zh) | 脑皮层结构、脑血管及脑内病灶3d打印模型及其制备方法 | |
| Gering | A system for surgical planning and guidance using image fusion and interventional MR | |
| Cardinale et al. | Talairach methodology in the multimodal imaging and robotics era | |
| Prada et al. | Intraoperative ultrasonography (ioUS) characteristics of focal cortical dysplasia (FCD) type II b | |
| Gu et al. | Anatomical studies on the temporal bridging veins with Dextroscope and its application in tumor surgery across the middle and posterior fossa | |
| CN112562073B (zh) | 一种脑深部肿瘤与白质纤维束关系模型及其制备方法 | |
| Ozawa et al. | Identification of the pyramidal tract by neuronavigation based on intraoperative diffusion-weighted imaging combined with subcortical stimulation | |
| Ozawa et al. | Shift of the pyramidal tract during resection of the intraaxial brain tumors estimated by intraoperative diffusion-weighted imaging | |
| Xiao et al. | Nonlinear deformation of tractography in ultrasound-guided low-grade gliomas resection | |
| Kettenbach et al. | Computer-based imaging and interventional MRI: applications for neurosurgery | |
| CN112735240A (zh) | 一种基于mr图像的面肌痉挛模型及其制备方法 | |
| Laganà et al. | Transcranial ultrasound and magnetic resonance image fusion with virtual navigator | |
| Zimmermann et al. | Open MRI-guided microsurgery of intracranial tumours. Preliminary experience using a vertical open MRI-scanner | |
| Guo et al. | Comparison of different targeting methods for subthalamic nucleus deep brain stimulation | |
| Wei et al. | Neuronavigation based on track density image extracted from deterministic high-definition fiber tractography |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |