Knee osteoarthritis is one of the most common forms of joint osteoarthritis, and whenever feasible, the use of a prosthesis is avoided through joint-preserving corrective osteotomy. The aim of the procedure is to shift the knee joint load from the pathological to the unaffected compartment in order to preserve the cartilage and joint integrity. However, the long-term effectiveness of this intervention is not always guaranteed and depends significantly on both preoperative measurement and planning as well as intraoperative implementation. In recent decades, technological advancements have led to the development of new approaches to bring the preoperative plan into the operating room and improve the accurate execution of the planned surgery. Navigation systems, robots, or patient-specific instruments - they are all usually based on three-dimensional imaging and planning. This has led to a shift from traditional preoperative planning based on the two-dimensional (2D) angles measured on radiographs to fully threedimensional (3D) planning based on 3D bone models segmented from CT scans. It is intuitively understandable that assessing, measuring, and planning based on such patient-specific models is likely to be more precise than performing all these processes on 2D projected radiographs. In our initial study, we demonstrated that projecting that anatomy onto 2D radiographs has led to significant distortion of reality in some patient cases. However, 3D planning also comes with challenges. Firstly, it is significantly more complex and therefore requires more effort. Measuring all parameters and placing the cutting plane, osteotomy axis, and fixation plate is tedious and involves repeated discussions between surgeons and biomedical engineers. Measurement values are interdependent, and finding the best solution requires experience and patience. Secondly, a CT scan is taken in a supine position, and the reconstructed bone models therefore represent the non-weight-bearing state. However, for the development of knee osteoarthritis, the loaded state is particularly important, and it is apparent that measurements in the unloaded state do not provide enough information.
This thesis had two main objectives: First, we aimed to investigate the influence of weight-bearing on the alignment of the lower limb affected by osteoarthritis and integrate this aspect in the preoperative planning. Second, our goal was to develop a fully automated pipeline for preoperative planning of corrective osteotomies of the lower limb. To this end, we contributed the studies described in the following sections.
In the first step, we investigated how the measured deformity values for mechanical axis (MA) and joint line convergence angle (JLCA) change depending on imaging modality (2D vs. 3D) and loading condition (weight-bearing vs. non-weight-bearing). We found significant differences due to both loading (MA and JLCA) and modality (JLCA only). When directly comparing the models with their corresponding radiographs, it was observed that the projection sometimes resulted in a significantly different representation of the anatomy.
The goal of our second study was to develop a pipeline which facilitates the 3D deformity assessment in the weight-bearing state, intending to eliminate one of the disadvantages 3D planning has faced so far. To this end, we used an intensity-based 2D-3D registration algorithm to transform CT-reconstructed and thus unloaded 3D models into the weight-bearing state. The CT scans of the femur and tibia were individually and independently registered to standing biplanar radiographs. The resulting transformation matrices were used to transform the 3D bone models into a weight-bearing position. The algorithm was technically validated using a leg phantom and clinically evaluated using a series of 59 patients. It was found that the difference between the weight-bearing and non-weight-bearing values exceeded the critical threshold of 2° in approximately 40% of all patients. We therefore conclude that measuring the weight-bearing alignment is of great relevance for these patients.
The core of this work is the development of a framework for fully automated preoperative planning of high tibial osteotomies. Comprising several modules, this framework automates the entire process from initial preoperative imaging to the ready-to-use preoperative plan. A deep-learning approach is applied to segment the CT images and extract the required 3D models. Similarly, the coordinates of the hip, knee, and ankle joint centers are localized, allowing for the automatic measurement of the MA. Additionally, by fitting a plane to the tibial articular surface, the tibial slope is calculated. The previously described registration algorithm allows the transformation of the models and their joint centers, enabling the assessment in the weight-bearing state. A genetic optimization algorithm, capable of optimizing multiple objectives simultaneously, then iteratively determines the ideal values for the twelve osteotomy parameters that define a high tibial osteotomy. These parameters include positioning and orientation of the osteotomy axis, cutting plane, and fixation plate. A significant challenge thereby is to incorporate all the clinical expertise of biomedical engineers and surgeons into the algorithm such that the generated solutions are clinically feasible. To validate the framework, we used the pipeline to generate preoperative solutions for a series of 53 real patients. The latter were compared to the manually planned solutions by an expert panel of three surgeons and two biomedical engineers through a blinded assessment survey. The algorithm successfully found a feasible solution for all 53 cases and achieved MA and TS values very close to the target values. On average, the automatically generated solutions were rated better than the manual solutions. None of the algorithm's solutions were deemed unacceptable.
This successful implementation led us to the question of whether it would be possible to directly reconstruct the required 3D model of the proximal tibia from the biplanar standing radiographs. Bypassing the need for a CT scan would reduce both costs and radiation exposure. Multiple neural networks were trained to reconstruct the 3D models and localize the required joint coordinates. The models were successfully used in our planning algorithm, and feasible preoperative planning solutions were found. In some aspects, the planned osteotomies however still differed significantly from the solutions based on the original bone models.
In summary, the studies comprised in this thesis found that the frontal alignment in knee osteoarthritis patients can be significantly altered under weight-bearing conditions. Therefore, the effects of load on the knee joint need to be considered during preoperative planning. We have developed a framework for preoperative planning of high tibial osteotomies which is able to generate planning solutions in a fully automated fashion. The framework includes a module that allows the 3D deformity assessment under weight-bearing conditions. Additionally, we have shown that the required 3D models could even be reconstructed from low-dose 2D biplanar standing radiographs. This does not only obviate the need for a CT but also directly provides weight-bearing 3D models. To predict the frontal leg alignment under loading conditions more accurately and prevent over- and undercorrection, future research should investigate the influence of ligament laxity as well as the remaining cartilage shape and other factors on leg alignment. Besides, our planning framework should be extended to integrate additional deformity measurement and surgery types. Both surgeons and patients will benefit from more accurate and comprehensive measurements and planning. Automation allows for thorough experimentation and consideration of various options, which is not possible in manual planning.
Kniearthrose ist eine der häufigsten Formen der Gelenksarthrose, und wann immer es möglich ist, wird der Einsatz einer Prothese durch eine gelenkserhaltende Achsenkorrektur vermieden. Das Ziel des Eingriffs ist die Verschiebung der Gewichtsbelastung vom geschädigten Kompartiment des Kniegelenks auf die gegenüberliegende Seite. Die langfristige Wirksamkeit dieses Eingriffs ist allerdings nicht automatisch gegeben und hängt massgeblich einerseits von der präoperativen Vermessung und Planung und andererseits von der intraoperativen Umsetzung dessen ab. In den vergangenen Jahrzehnten wurden durch technologische Fortschritte viele neue Wege entwickelt, um den präoperativ entwickelten Plan in den Operationssaal zu bringen und die akkurate Umsetzung der Planung zu verbessern. Navigationssysteme, Roboter oder Patient-Specific Instruments – sie alle verlassen sich dabei meistens auf eine dreidimensionale Bildgebung und Planung. Dadurch entstand ein Wechsel von der traditionellen präoperativen Planung anhand von gemessenen Winkeln auf Röntgenbildern hin zu einer vollständig dreidimensionalen Planung basierend auf 3D Knochenmodellen, die aus einer CT Bildgebung extrahiert werden. Es ist intuitiv verständlich, dass das Beurteilen, Vermessen und Planen anhand solcher patienten-spezifischen Modelle genauer sein dürfte als die Bearbeitung der Fälle mittels Röntgenaufnahmen. So konnten wir in unserer ersten Studie zeigen, dass die Projektion der Knochen auf 2D in manchen Fällen zu einer erheblichen Verzerrung der Realität führt. Allerdings bringt die 3D Planung auch Herausforderungen mit sich. Einerseits ist sie bedeutend komplexer und führt daher zu einem viel grösseren Aufwand. Die Vermessung aller Parameter und die Platzierung der Schnittebene, der Osteotomieachse und der Fixationsplatte beansprucht viel Zeit und immer wiederkehrende Diskussionsrunden zwischen Chirurgen und Planer. Die verschiedenen Messwerte sind gegenseitig voneinander abhängig und es erfordert viel Erfahrung und Geduld, die bestmögliche Lösung zu finden. Andererseits wird ein CT in liegender Position aufgenommen und die daraus rekonstruierten Beinmodelle repräsentieren daher den unbelasteten Zustand. Für die Entwicklung der Kniearthrose ist allerdings vor allem der belastete Zustand von Bedeutung, und daher ist auch hier intuitiv zu verstehen, dass die Vermessung im unbelasteten Zustand nicht genug Aussagekraft hat.
Die vorliegende Arbeit hatte hauptsächlich zwei Ziele. Einerseits sollte der Aspekt der Gewichtsbelastung und dessen Einfluss auf die Beinachse untersucht und in die Überlegungen während der präoperativen Planung integriert werden. Das zweite Ziel war die Entwicklung einer vollständig automatisierten Pipeline für die präoperative Planung von Korrekturosteotomien der unteren Extremität. Im ersten Schritt haben wir untersucht, wie sich die gemessenen Deformitätswerte für mechanische Achse (MA) und Gelenklinienkonvergenzwinkel (joint line convergence angle, JLCA) in Abhängigkeit von Bildmodalität (2D vs. 3D) und Belastungssituation (belastet vs. unbelastet) verändern. Dabei konnten wir signifikante Unterschiede sowohl durch die Belastung (MA und JLCA) als auch durch die Modalität (nur JLCA) feststellen. Beim direkten Vergleich der Modelle mit den dazugehörenden Röntgenaufnahmen war festzustellen, dass sich anhand der Projektion teilweise ein deutlich abweichender Eindruck der Anatomie ergab.
Das Ziel der zweiten Studie war es, eine Pipeline zu entwickeln, welche die Vermessung einer Deformität in 3D und unter Gewichtsbelastung erlaubt. Dies sollte einen der zentralen Nachteile der 3D Planung eliminieren. Mittels eines intensitätsbasierten 2D – 3D Registrierungsalgorithmus haben wir eine Möglichkeit geschaffen, um CT-rekonstruierte und damit unbelastete 3D Modelle in einen belasteten Zustand zu versetzen. Dafür wurden die CT Aufnahmen von Femur und Tibia individuell und unabhängig auf ein stehendes, biplanares Röntgen registriert. Die resultierenden Transformationsmatrizen konnten dazu genutzt werden, die 3D Knochenmodelle in eine gewichtsbelastete Position zu bringen. Der Algorithmus wurde technisch mittels eines künstlichen Beinmodells validiert und danach in einer Patientenserie von 59 Patienten erfolgreich angewendet. Es hat sich gezeigt, dass der Unterschied zwischen den gewichtsbelasteten und unbelasteten Werten in rund 40% aller Patienten die kritische Schwelle von 2° übersteigt. Gerade für diese Patienten ist daher die Vermessung unter Belastung von grosser Relevanz.
Der Kern dieser Arbeit bildet die Entwicklung eines Frameworks zur vollautomatischen präoperativen Planung von Knieosteotomien. Bestehend aus mehreren Modulen wird dadurch der gesamte Ablauf zwischen der initialen, präoperativen Bildgebung und der fertigen präoperativen Planung automatisiert. Neuronale Netzwerke segmentieren die CT Bilder und extrahieren daraus die erforderlichen 3D Modelle, ausserdem finden sie die Koordinaten der Gelenkszentren von Hüfte, Knie und Sprunggelenk und erlauben dadurch die automatische Vermessung der mechanischen Achse. Durch die Einpassung einer Ebene auf die Gelenksfläche der Tibia wird zusätzlich die tibiale Slope bestimmt. Die zuvor beschriebene Registrierung erlaubt die Transformation der Modelle inklusive der Gelenkszentren in den belasteten Zustand. Ein genetischer Optimierungsalgorithmus, der mehrere Ziele gleichzeitig verfolgen kann, bestimmt danach in einem iterativen Verfahren die idealen Werte für die zwölf Osteotomieparameter, die eine solche Operation definieren. Darin enthalten sind Parameter für die Positionierung und Orientierung von Osteotomieachse, Schnittebene und Fixationsplatte. Die grösste Herausforderung hierbei ist es, die ganze klinische Expertise der Planer und Chirurgen in den Algorithmus zu implementieren, so dass die generierten Lösungen auch innerhalb der klinisch sinnvollen und machbaren Möglichkeiten liegen. Wir haben dieses Framework anschliessend mittels einer Patientenserie von 53 echten Patienten evaluiert. Die vom Algorithmus generierten Lösungen wurden von einer Gruppe aus drei Chirurgen und zwei Operationsplanern blind beurteilt und mit den ursprünglichen, manuell geplanten Planungen verglichen. Der Algorithmus hat erfolgreich für alle 53 Fälle eine mögliche Lösung gefunden und kam dabei sehr nahe an die zuvor definierten Zielwerte für MA und TS. Es hat sich gezeigt, dass die automatisch generierten Lösungen durchschnittlich deutlich besser bewertet wurden als die manuellen Planungen. Keine der Lösungen wurde als inakzeptabel eingestuft.
Diese erfolgreiche Implementierung hat uns abschliessend zu der Frage geführt, ob es nicht möglich wäre, das vom Algorithmus benötigte 3D Modell der proximalen Tibia direkt von den biplanaren, stehenden Röntgenaufnahmen zu rekonstruieren. Damit könnte ein CT umgangen werden und somit würden nicht nur die Kosten, sondern auch die Strahlendosis reduziert. Mittels mehrerer neuronaler Netzwerke konnten die 3D Modelle rekonstruiert und die benötigten Gelenkskoordinaten gefunden werden. Mit einer Ausnahme wurden alle Modelle erfolgreich in unserem Planungsalgorithmus verwendet und passende Lösungen wurden gefunden. Die damit geplanten Osteotomien weichen in einzelnen Punkten noch deutlich von den Planungen mit den ursprünglichen Knochenmodellen ab.
Zusammenfassend ergaben die in dieser Dissertation enthaltenen Studien, dass die Beinachse bei Patienten mit Kniegelenksarthrose unter Belastung erheblich verändert werden kann. Daher müssen die Auswirkungen der Belastung auf das Kniegelenk bei der präoperativen Planung berücksichtigt werden. Wir haben ein Framework für die präoperative Planung von Korrekturosteotomien entwickelt, das in der Lage ist, Planungslösungen vollautomatisch zu generieren. Das Framework umfasst ein Modul, das die 3D Deformiätsvermessung unter Gewichtsbelastung ermöglicht. Darüber hinaus haben wir gezeigt, dass die erforderlichen 3DModelle sogar aus stehenden, niedrig dosierten biplanaren 2D Röntgenaufnahmen rekonstruiert werden können. Dies macht nicht nur die Akquisition eines CTs unnötig, sondern liefert auch direkt belastete 3D-Modelle. Um die Beinachse unter Gewichtsbelastung genauer vorhersagen und Über- und Unterkorrekturen verhindern zu können, sollte zukünftige Forschung den Einfluss der Bandlaxizität, des verbleibenden Knorpels und anderen Faktoren auf die Beinachse untersuchen. Außerdem sollte unser Framework erweitert werden, um zusätzliche Deformitätsmessungen und Operationstypen zu integrieren. Sowohl Chirurgen als auch Patienten werden von genaueren und umfassenderen Messungen und Planungen profitieren. Die Automatisierung ermöglicht das präoperative Experimentieren und Abwägen verschiedener Optionen, was in der manuellen Planung nicht möglich ist.