PCA 개선

서울대학교박노열

PCA

• CT Data 로부터 Femur 의 특징을 나타내는 축을 찾아내는 것

• 각각의 축에 데이터의 " 가장 중요한 " 성분을 차례대로 위치

기대하는 것• Varus & Valgus

기대하는 것• Anteversion & Retroversion

기대하는 것• 환자 개개인의 특징– Shaft 의 모양– Neck 의 길이– Great throchanter 의 모양– Distal femur 의 모양–등등

기존 PCA

• PCA 결과가 명확하지 못함

• 기대하는 특징을 잘 나타내지 못함

생각되는 원인• Orientation– 기준이 되는 축을 맞춤

• Scale– 소아와 성인의 뼈의 크기

• Shape– 소아와 성인의 모양 차이

• Node 수– 원본 Shape 비해 적은 Node 수

• CT Data 수– 데이터의 수 차이

Orientation

Orientation 해결• Shaft–첫 번째 Eigenvector

Orientation 해결• Distal femur–Medial condyle 과 Lateral condyle 을 잇는

축–수동으로 찍어줘야 함

Scale

Scale 해결• Shaft 고정 후 측정

Shape

Shape

Shape

방안• 소아와 성인을 나누자–뼈가 자라고 있기 때문에 명확한 구분이 힘듬–대부분이 소아의 뼈–주된 환자가 성장기 소아

해결• Orientation 과 Scale 이 해결해줌– Graph 생성에 끼치는 영향– Shape 의 영향 < Scale 의 영향

Node

• 성인 Shape 의 Vertex 수 약 3~4 만개• 소아 Shape 의 Vertex 수 약 2~3 만개• 생성된 Node 수 약 600~700 개

• Node 하나당 Vertex 약 4~50 개 매칭–뭉개지거나 정보 누락

방법• 생성되는 Node 수를 늘림–매칭되는 Vertex 수가 줄어듬– Optimization 시 연산량이 늘어남

• 지정된 Vertex 에 Node 를 매칭–수작업이 너무 많아짐– Graph 가 꼬일 가능성–특징점이 애매함

CT Data

• CT Data 24 개 -> 54 개

결과