继今年初在《Medical Image Analysis》期刊发表骨盆复位规划全流程算法后，罗森博特团队再次在《IEEE TMI》发表创新成果，至此在骨科手术智能规划领域集齐了该方向最具代表性的两大顶刊成果，展现出持续领跑的技术实力与科研深度。
荣登顶刊 IEEE TMI | 罗森博特FracFormer骨折复位规划算法成果发表
荣登顶刊 IEEE TMI
近日，罗森博特与北京航空航天大学、北京积水潭医院团队的共同研究成果——“FracFormer: Fracture Reduction Planning with Transformer-Based Shape Restoration and Fracture Data Simulation”成功发表于医学图像处理顶级期刊《IEEE Transactions on Medical Imaging（TMI）》。
期刊简介：IEEE TMI
《IEEE TMI》是医学影像领域全球公认的权威SCI顶刊，是图像分析与人工智能在医学中的交叉应用的重要平台。长期位列中科院一区，2025年影响因子为8.9。本次论文的录用，标志着本研究的突破性成果和临床转化价值在国际学界获得了高度认可。
研究背景：复位难题的“智能突围”
骨折复位是创伤骨科中的关键环节，尤其是髋骨、骶骨与股骨等大骨结构，其骨折多为多片碎裂，解剖结构复杂，碎块位姿差异大。
传统复位规划依赖医生手动移动三维CT图像，将骨块一块块“拼回去”，不仅费时费力、经验依赖强，而且在面对畸形、残缺、小碎块等情况时难以保证精度。
虽然已有若干基于深度学习的尝试，但主要难点在于：
-
数据不足：真实骨折数据难以获取和标注，影响深度网络训练；
-
形状复杂性高：骨块数量不定、碎块错位、表面不规则，导致常规CNN难以建模；
-
碎块之间的依赖关系建模难：每个骨块的恢复状态依赖于整体的空间布局。
基于此，研究团队创新性地提出了骨折“复原”与“模拟”的综合解决方案：FracFormer。
研究方法：Transformer + 模拟骨折，
推动手术规划从经验驱动迈向数据驱动
1.Transformer骨骼形态复原网络（FracFormer）
本研究首次将Transformer点云处理网络引入骨折复位问题：
-
将碎裂骨块看作多个点云碎块；
-
将复位任务建模为“分片到分片的翻译任务”；
-
设计了碎块感知的Patch编码器，精细保留每块骨的空间信息与边界关系；
-
构建稀疏到稠密的递归复位框架，逐步修正骨块的姿态，直至整体复位收敛。
此网络结构具备良好的全局形状感知力与局部结构还原能力，能够适用于处理高度碎裂、变形的真实骨折场景。
2. 骨折数据模拟生成
针对真实骨折数据获取难的问题，研究团队开发了一个用于模拟真实骨折数据的生成模型：
-
使用统计形状模型（SSM）学习正常骨结构的变异性；
-
将真实临床骨折模式映射至SSM，形成“骨折模式字典”；
-
对这些骨折模式进行变形、扰动、边界滑动、片段丢失等操作，生成更具多样性与临床真实性的数据；
-
每个合成样本包含碎块标签与真实位姿，用于监督深度模型训练。
此方法实现了少量真实数据驱动大规模骨折数据合成，显著提升了网络的泛化能力。
研究结果：全面验证方法有效性
实验数据广泛
-
使用来自CTPelvic1K数据集的健康骨骼数据与积水潭医院的真实临床骨折样本；
-
骨骼类型覆盖髋骨、骶骨与股骨；
-
训练与测试样本数达到数百例真实骨折数据+2万例模拟数据，为目前规模最大的复位算法评估之一。
结果表现卓越
-
复位误差：平均平移误差1.85mm，旋转误差3.4°，显著优于所有对比方法；
-
运行速度快：单例处理时间2秒，比传统SSM方法快20倍；
-
泛化性强：在儿童骨折、不完整CT、严重畸形等异常样本中依然保持稳定；
-
标本实验验证：使用真实完整CT进行比对，算法结果误差控制在2mm以内，满足临床精度要求。
研究结论：实现术前复位从辅助到自动的跨越
本研究构建了一套从“骨折点云”到“复位姿态”的智能规划方案，具备以下优势：
-
准确性高：Transformer深度理解碎块形态与空间关系；
-
稳定性强：可适应不同骨折类型、扫描条件；
-
自动化程度高：无需人工干预，提升规划效率与结果一致性。
本研究是继骨折智能分割之后，罗森博特在智能骨科领域的又一关键突破。未来，我们将持续推进该技术在手术机器人系统中的集成与落地，致力于打造从术前规划到术中执行的完整智能化闭环，加速科研成果的临床转化进程。
全文链接：
https://ieeexplore.ieee.org/document/10965880
END
2025年5月8日 11:18
ꄘ浏览量：0
