具体实施方式

本公开描述了用于为外科手术关节修复程序提供患者分析、术前计划、和/或训练和培训的各种系统、设备、以及技术。整形外科手术能够涉及植入一个或多个假体设备来修复或置换患者的受损或患病的关节。虚拟外科手术计划工具使用患病或受损关节的图像数据来生成准确的三维骨骼模型，该三维骨骼模型可以由外科医生术前查看和操纵。这些工具能够通过允许外科医生模拟外科手术、选择或设计与患者的实际骨骼的轮廓更严格匹配的植入物、以及选择或设计特别适于修复特定患者的骨骼的外科手术器械和引导工具来增强外科手术结果。

这些计划工具能够用于生成术前外科手术计划、利用为个体患者选择或制造的植入物和手术器械完成。这些系统可以依赖于患者的骨骼模型来确定个体患者的程序和/或特定植入物的类型。然而，从患者的成像数据导出的软组织结构信息(例如，肌肉和/或结缔组织)是不可用的。在无患者的软组织的该成像数据的情况下，计划工具和临床医生可以确定外科手术或植入物的某些方面而无需患者的软组织如何影响当前关节和术后关节的帮助。

如此处所描述的，系统可以从患者成像数据中确定软组织(例如，肌肉、肌腱、韧带、软骨、和/或结缔组织)尺度及其他特征。因此，系统可以被配置为使用从患者成像数据所导出的这些软组织尺度和/或其他特征来选择或建议医疗干预的某些类型、外科手术治疗的类型、或者甚至一个或多个医疗植入物的类型、尺度、和/或放置。如此，系统可以使用从患者成像数据所导出的软组织信息来确定或帮助确定特定患者的外科手术计划。例如，系统可以在解剖学肩置换手术或反向肩置换手术之间选择，并且然后基于从患者成像数据所导出的软组织尺度及其他特征而通过例如显示器上的呈现将选项输出给诸如外科医生等用户。对此处所述的肩置换的这些建议可以应用于肩部的新置换或第一次置换，或者在其他实施例中，可以应用于其中患者已经进行肩置换的修正外科手术。通常，肩部外科手术可以用于恢复肩功能和/或减少患者的疼痛。

在一个实施例中，系统可以接收患者成像数据(例如，包括X射线图像、磁共振成像(MRI)图像、或其他成像模态的计算机断层扫描(CT))并且构建三维(3D)成像数据集。从该成像数据集中，系统能够识别与感兴趣的软组织结构相关联的骨骼的位置以及软组织结构自身的近似位置。例如，如果患者可能需要肩置换手术，系统则可以对肩胛骨和肱骨的各部分以及肩袖的肌肉进行识别。对于各个软组织结构(例如，对于肩袖的每块肌肉)，系统可以从成像数据中确定软组织结构的表示。系统可以将初始形状放置在软组织结构的估计位置内并且然后将该初始形状拟合到成像数据，以确定实际软组织结构的表示。该估计位置可以基于相关联骨骼或其他骨骼结构或骨骼结构的部分上的一个或多个标记或标志(例如，肌肉插入点或肌肉来源)。初始形状可以是从多个受试者或任意几何形状所导出的统计平均形状(SMS)。

对于初始形状，系统可以使用与初始形状的表面正交的向量来识别初始形状外或内并超过表示成像数据内的软组织结构的边界的强度阈值的体元。在一些实施例中，可以从相邻的软组织结构之间所识别的分离区估计软组织结构的边界。对于每个向量，从初始形状上的相应位置中，系统可以朝向已识别体元的相应体元移动初始形状的表面。初始形状的表面的这种移动可能发生若干次迭代，直至初始形状被修改成接近已识别体元的轮廓。在其他实施例中，系统可以使用从初始形状至相关联的骨骼的对应性和/或者最小化或最大化算法(例如，成本函数)来将初始形状拟合并缩放至患者特定的图像数据。然后，可以使用最终修改的形状作为诸如患者的肩袖的肌肉等软组织结构的表示。

系统可以从所确定的表示中确定一个或多个软组织结构的一个或多个特征。例如，系统可以采用这些特征用于外科手术计划。在一些实施例中，系统可以计算其他确定所使用的软组织结构的体积。在软组织结构的表示内，系统可以基于来自成像数据的体元的阈值化强度确定软组织结构的脂肪渗透值，即，对体元强度和阈值强度值进行比较，以将体元表征为脂肪组织的表示。例如。软组织结构的分段表示内具有超过阈值强度值的体元可以被视为是脂肪组织而非肌肉组织的表示。不超过阈值强度值的体元或者两个或多于两个体元的组可以被视为表示非脂肪组织。如此处使用的，术语“超过”可以指大于阈值或小于阈值的值。

可以确定表示内的脂肪组织与总组织(包括脂肪组织和非脂肪组织)之比为脂肪渗透值。系统还可以通过使拟合于患者的骨骼的SMS的体积(例如，针对患者所估计的病前组织体积)除以软组织结构的表示的体积而计算萎缩率。然后，系统能够确定软组织结构及与关节相关联的其他软组织结构的弹簧常数(或肌肉功能的某一其他表示)，以确定该关节的运动范围。然后，系统能够基于此处所讨论的运动范围和/或其他特征确定该关节的干预类型。例如，系统能够确定解剖学肩置换或反向肩置换是否是对患者的更合适治疗。

在一些实施例中，系统可以基于患者特定的图像数据(例如，2D或3D图像数据)确定肱骨的肱骨头的骨密度特征。例如，系统可以对为肱骨头的至少一部分内的小梁骨的体元或体元组合分配的骨密度值表征化。在其他实施例中，系统可以确定指示肱骨头的至少一部分中的小梁骨的全部体积的整体骨密度度量或得分。系统可以控制显示设备显示用户界面，用户界面包括诸如骨密度的图形指示等骨密度的表示。在一些实施例中，系统可以基于所确定的骨密度生成肱骨植入物(例如，有柄或无柄)的类型的建议。在一些实施例中，肱骨植入物的类型的建议可以基于肱骨植入物的历史性外科手术数据，其中，系统使为患者使用的肱骨植入物的类型与在针对该同一患者的患者特定的图像数据中所识别的骨密度值关联。

作为此处的一个实施例，对肩置换手术进行描述。然而，可以采用此处所描述的系统、设备、以及技术来分析患者的其他解剖学结构或结构组，确定患者的其他关节(例如，肘、臀、膝等)的治疗类型，或者为患者的特定解剖学健康情况选择某一类型的植入物。此外，在其他实施例中，可以采用用于从患者成像数据中确定软组织结构的此处所述技术来识别诸如骨骼等其他结构。

在一些实施例中，系统、设备、以及方法可以采用混合现实(MR)可视化系统来帮助创建、实现、验证、和/或修改外科手术程序之前和过程中的外科手术计划，诸如确定为什么为患者提供治疗的类型的这些相关联过程等(例如，诸如肩置换等关节置换手术)。因为MR，或者在一些实例中为VR，可以用于与外科手术计划交互作用，所以本公开也可以将外科手术计划称为“虚拟的”外科手术计划。根据本公开的技术，可以一起使用混合现实可视化系统和可视化工具或使用混合现实可视化系统除外的可视化工具。

例如，由系统BLUEPRINT^TM系统生成，从Wright医疗有限公司可获得的外科手术计划或建议，或者另一外科手术计划平台可以包括定义外科手术程序的各个特征的信息，诸如由外科医生根据外科手术计划(例如，包括骨骼或组织准备步骤和/或用于选择、修改、或置换植入部件的步骤)对患者执行的特定外科手术程序步骤的外科手术治疗(例如，解剖学或反置肩手术)的建议步骤等。在各个实施例中，该信息可以包括由外科医生选择或修改的植入部件的尺度、形状、角度、表面轮廓、和/或方位、在骨骼或组织准备步骤中由外科医生定义的骨骼或软组织的尺度、形状、角度、表面轮廓、和/或方位、和/或由外科医生相对于患者骨骼或其他组织限定植入部件的放置的位置、轴、平面、角度、和/或进入点。可以从成像(例如，x射线、CT、MRI、或超声波或其他图像)、直接观察、或其他技术导出诸如患者的解剖学特征的诸如尺度、形状、角度、表面轮廓、和/或方位等信息。

一些可视化工具利用患者图像数据生成骨骼轮廓的三维模型，以便于用于关节修复和置换的术前计划。这些工具可以允许外科医生设计和/或选择与患者的解剖结构严格匹配的外科手术引导件和植入部件。这些工具能够通过为每个患者定制外科手术计划而改善外科手术结果。用于肩修复的这种可视化工具的实施例是上面已识别的BLUEPRINT^TM系统。BLUEPRINT^TM系统为外科医生提供骨骼修复区域的二维平面图以及修复区域的三维虚拟模型。外科医生能够使用BLUEPRINT^TM系统来选择、设计、或修改适当的植入部件，确定如何最好地定位和定向植入部件以及如何使骨骼的表面成形为接收部件，并且设计、选择、或修改外科手术引导工具或器械来完成外科手术计划。由BLUEPRINT^TM系统生成的信息可以在存储在数据库中的适当位置(例如，广域网、局域网、或全球网的服务器上)的患者的术前外科手术计划中(包括实际外科手术之前和过程中)被编译，其中，外科医生或其他护理提供者能够访问数据库中的适当位置。

参考所附附图对本公开的特定实施例进行描述，其中，类似参考标号表示类似元件。然而，应当理解的是，所附附图仅示出了此处所述的各个实现方式并且并不旨在限制此处所述的各种技术的范围。附图示出并且描述了本公开的各个实施例。

在下列描述中，阐述了多个细节，以提供对本公开的理解。然而，本领域技术人员应当理解的是，在无这些细节的情况下，可以实施本公开的一个或多个方面，并且所描述实施例的各种变形或改造是可能的。

图1是根据本公开的实施例的整形外科手术系统100的框图。整形外科手术系统100包括子系统集。在图1的实施例中，子系统包括虚拟计划系统102、计划支持系统104、制造和交付系统106、术中引导系统108、医疗教育系统110、监测系统112、预测分析系统114、以及通信网络116。在其他实施例中，整形外科手术系统100可以包括更多、更少、或不同的子系统。例如，整形外科手术系统100可以省去医疗教育系统110、监测系统112、预测分析系统114、和/或其他子系统。在一些实施例中，整形外科手术系统100可以用于外科手术跟踪，在这种情况下，可以将整形外科手术系统100称为外科手术跟踪系统。在其他情况下，可以将整形外科手术系统100总体上称为医疗设备系统。

整形外科手术系统100的用户可以使用虚拟计划系统102来规划整形外科手术。如此处所讨论的，例如，虚拟计划系统102和/或另一外科手术计划系统可以对患者成像数据(例如，骨骼和/或软组织)进行分析并且基于从成像数据确定的骨骼和/或软组织特征而确定所建议的外科手术治疗。整形外科手术系统100的用户可以使用计划支持系统104来查阅使用整形外科手术系统100所生成的外科手术计划。制造和交付系统106可以帮助制造并且交付执行整形外科手术需要的物品。术中引导系统108提供引导，以帮助整形外科手术系统100的用户以执行整形外科手术。医疗教育系统110可以帮助用户的培训，用户诸如医疗专业人员、患者、以及其他类型的个人等。术前和术中监测系统112可以在患者进行外科手术之前和之后帮助监测患者。预测分析系统114可以帮助医疗专业人员进行各种类型的预测。例如，预测分析系统114可以应用人工智能技术来确定整形关节的健康情况的分类(例如，诊断)、确定对患者执行哪种类型的手术和/或在程序中使用哪种类型的植入物、确定外科手术过程中可能需要的物品类型等。

整形外科手术系统100的子系统(例如，虚拟计划系统102、计划支持系统104、制造和交付系统106、术中引导系统108、医疗教育系统110、术前和术中监测系统112、以及预测分析系统114)可以包括各种系统。整形外科手术系统100的子系统中的系统可以包括各种类型的计算系统、计算设备，包括服务器计算机、个人电脑、平板电脑、智能手机、显示设备、物联网(IoT)设备、可视化设备(例如，混合现实(MR)可视化设备、虚拟现实(VR)可视化设备、全息投影仪、或用于呈现扩展现实(XR)可视化的其他设备)、外科手术工具等等。在一些实施例中，全息投影仪可以投影全息图，以供多个用户或单个用户的总体观看而无需耳机，而非仅供佩戴耳机的用户观看。例如，虚拟计划系统102可以包括MR可视化设备和一个或多个服务器设备，计划支持系统104可以包括一个或多个个人电脑以及一个或多个服务器设备等。计算系统是被配置为操作成系统的一个或多个计算设备和/或系统的集合。在一些实施例中，可以在整形外科手术系统100的两个或多于两个子系统之间共享一个或多个设备。例如，在之前的实施例中，虚拟计划系统102和计划支持系统104可以包括相同的服务器设备。

示例性的MR可视化设备包括可从华盛顿的雷德蒙德微软公司获得的微软HOLOLENS^TM耳机，其包括透视全息透镜，有时被称为波导，允许用户透过透镜看到现实世界的物体并且同时看到所投影的3D全息物体。微软HOLOLENS^TM耳机或基于类似波导的可视化设备是可以根据本公开的一些实施例使用的MR可视化设备的实施例。一些全息透镜可以通过透视全息透镜呈现具有一定程度的透明度的全息对象，以使得用户看到现实世界的对象和虚拟的全息对象。在一些实施例中，一些全息透镜有时可能完全防止用户看到现实世界的对象，而是可以允许用户看到完整的虚拟环境。术语“混合现实”还可以涵盖其中一个或多个用户能够感知由全息投影所生成的一个或多个虚拟对象的场景。换言之，“混合现实”可以涵盖其中全息投影仪生成对用户而言看起来存在于用户的实际物理环境中的元素的全息图的情况。尽管此处将MR可视化设备描述为一个实施例，然而，在其他实施例中，可以使用诸如阴极射线管(CRT)显示器、液晶显示器(LCD)、以及发光二极管(LED)显示器等显示屏幕呈现此处所述的信息的任意方面。

在图1的实施例中，整形外科手术系统100的子系统中所包括的设备可以使用通信网络16进行通信。通信网络16可以包括各种类型的通信网络，包括诸如互联网等一个或多个广域网、局域网等。在一些实施例中，通信网络116可以包括有线和/或无线通信链路。

整形外科手术系统100的多种变形是可能的。该变形可以包括比图1中所示的整形外科手术系统100的版本更多或更少的子系统。例如，图2是根据本公开的实施例的包括一个或多个混合现实(MR)系统的整形外科手术系统200的框图。整形外科手术系统200可以用于创建、验证、更新、修改、和/或实施外科手术计划。在一些实施例中，诸如通过使用虚拟外科手术计划系统(例如，BLUEPRINT^TM系统)，可以在术前创建外科手术计划，并且然后例如使用外科手术计划的MR可视化或其他可视化在术中验证、修改、更新、以及查看外科手术计划。在其他实施例中，整形外科手术系统200能够用于在外科手术之前或术中根据需要立即创建外科手术计划。在一些实施例中，整形外科手术系统200可以用于外科手术跟踪，在这种情况下，整形外科手术系统200可以被称为外科手术跟踪系统。在其他情况下，整形外科手术系统200通常可以被称为医疗设备系统。

在图2的实施例中，整形外科手术系统200包括术前外科手术计划系统202、保健设施204(例如，外科手术中心或医院)、存储系统206、以及允许用户在保健设施204访问所存储的患者信息的网络208，所存储的患者信息诸如病史、与受损关节或骨骼对应的图像数据、以及与术前已经创建的外科手术计划对应的各种参数(作为实施例)。术前外科手术计划系统202可以与图1中的虚拟计划系统102等同，并且在一些实施例中，通常可以对应于与BLUEPRINT^TM系统相似或相同的虚拟计划系统。

在图2的实施例中，保健设施204包括混合现实(MR)系统212。在本公开的一些实施例中，MR系统212包括一个或多个处理设备(P)210，以提供诸如将与术前计划、术中引导、或者甚至术后审阅和随访有关的视觉信息呈现给用户等功能。处理设备210也可以被称为处理器。此外，MR系统212的一个或多个用户(例如，外科医生、护士、或其他护理提供者)能够使用处理设备(P)210生成对特定外科手术计划或其他患者信息的请求，特定外科手术计划或其他患者信息经由网络208被发送至存储系统206。响应地，存储系统206将所请求的患者信息返回至MR系统212。在一些实施例中，用户能够使用其他处理设备来请求并且接收信息，诸如作为MR系统212的一部分但并不作为任意可视化设备的一部分的一个或多个处理设备、或者作为MR系统212的可视化设备(例如，可视化设备213)的一部分的一个或多个处理设备、或者作为MR系统212的一部分但并不作为任意可视化设备的一部分的一个或多个处理设备与作为可视化设备(例如，可视化设备213)的一部分的一个或多个处理设备的组合等，可视化设备(例如，可视化设备213)作为MR系统212的一部分。换言之，诸如微软HOLOLENS^TM设备等示例性的MR可视化设备可以包括MR系统212的全部部件、或利用一个或多个外部处理器和/或存储器执行无源的可视化设备213所必需的一些或全部处理功能。

在一些实施例中，多个用户能够同时使用MR系统212。例如，能够在观众模式下使用MR系统212，在该模式下，多个用户各自使用其自身的可视化设备，以使得用户能够同时并且从同一视角看到相同的信息。在一些实施例中，可以在这样的模式下使用MR系统212，即，其中，多个用户各自使用其自身的可视化设备，以使得用户能够从不同的视角看到相同的信息。

在一些实施例中，处理设备210能够提供显示数据的用户界面并且接收来自保健设施204处的用户的输入。处理设备210可以被配置为控制可视化设备213呈现用户界面。进一步地，处理设备210可以被配置为控制可视化设备213(例如，诸如全息透镜等一个或多个光学波导)呈现虚拟图像，诸如3D虚拟模型、2D图像、外科手术计划信息等。处理设备210能够包括各种不同的处理或计算设备，诸如服务器、桌面型计算机、膝上型计算机、平板电脑、移动电话、以及其他电子计算设备、或该设备内的处理器等。在一些实施例中，一个或多个处理设备210能够定位成远离保健设施204。在一些实施例中，处理设备210位于可视化设备213内。在一些实施例中，至少一个处理设备210位于可视化设备213的外部。在一些实施例中，一个或多个处理设备210位于可视化设备213内并且一个或多个处理设备210位于可视化设备213的外部。

在图2的实施例中，MR系统212还包括用于存储数据和能够由处理设备210执行的软件的指令的一个或多个存储器或存储设备(M)215。软件的指令能够与此处所述的MR系统212的功能对应。在一些实施例中，还能够存储诸如BLUEPRINT^TM系统等虚拟外科手术计划应用的功能并且由处理设备210结合存储器存储设备(M)215执行该功能。例如，存储器或存储系统215可以被配置为存储与虚拟外科手术计划的至少一部分对应的数据。在一些实施例中，存储系统206可以被配置为存储与虚拟外科手术计划的至少一部分对应的数据。在一些实施例中，存储器或存储设备(M)215位于可视化设备213内。在一些实施例中，存储器或存储设备(M)215位于可视化设备213的外部。在一些实施例中，存储器或存储设备(M)215包括可视化设备213内的一个或多个存储器或存储设备与位于可视化设备的外部的一个或多个存储器或存储设备的组合。

网络208可以与网络116等同。网络208能够包括将术前外科手术计划系统202和MR系统212连接至存储系统206的一个或多个广域网、局域网、和/或全球网络(例如，互联网)。存储系统206能够包括一个或多个数据库，数据库包含患者信息、医疗信息、患者图像数据、以及定义外科手术计划的参数。例如，在准备整形外科手术程序时，通常术前生成患者的患病或受损骨骼和/或软组织的医学图像。医学图像能够包括沿着患者身体的矢状面和冠状面所截取的有关骨骼和/或软组织的图像。医学图像能够包括X射线图像、磁共振成像(MRI)图像、计算机断层扫描(CT)图像、超声图像、和/或提供关于有关外科手术区域的信息的任意其他类型的2D或3D图像。存储系统206还能够包括识别针对特定患者所选择的植入部件的数据(例如，类型、尺寸等)、针对特定患者所选择的外科手术引导、以及诸如进入点、切割平面、钻孔轴线、扩孔深度等外科手术程序的细节。作为实施例，存储系统206能够是基于云的存储系统(如所示)或能够位于保健设施204处或术前外科手术计划系统202的位置处、或者能够成为MR系统212或可视化设备(VD)213的一部分。

在外科手术程序之前(例如术前)或过程中(例如术中)，外科医生能够使用MR系统212来创建、审阅、验证、更新、修改、和/或实施外科手术计划。在一些实施例中，还可以在外科手术程序之后(例如，术后)使用MR系统212，以审阅外科手术程序的结果、评估是否需要修正、或执行其他术后任务。如此，MR系统12能够使得用户看到除放置在该现实世界场景处的虚拟图像(例如，虚拟肩胛或肱骨图像、引导物图像或其他文本或图像)之外的诸如解剖对象等现实世界场景。为此，MR系统212可以包括由外科医生穿戴并且(如下面进一步详细说明的)并可操作为显示各种类型的信息的可视化设备213，各种类型的信息包括患者的患病、受损或术后关节的3D虚拟图像以及外科手术计划的细节，诸如从患者成像数据导出的患者的骨骼和/或软组织的图像、骨骼或软组织的生成模型、针对外科手术计划所选择的假体植入部件的3D虚拟图像、外科手术程序中为了适当地定向并且定位假体部件、外科手术引导件、以及器械及其在受损关节上的放置的用于定位假体部件的进入点的3D虚拟图像、用于对准切割或扩孔工具而使骨骼平面成形的对准轴线和切割平面的3D虚拟图像或者限定骨骼表面中的一个或多个孔的钻孔工具的3D虚拟图像，以及外科医生可以用于实施外科手术计划的任意其他信息等。MR系统212能够生成可视化设备213的用户在外科手术程序之前和/或过程中能够感知的该信息的图像。

在一些实施例中，MR系统212包括多个可视化设备(例如，可视化设备213的多个实例)，以使得多个用户能够同时看到相同的图像并且共享相同的3D场景。在一些该实施例中，能够指定一个可视化设备作为主设备并且能够指定其他可视化设备作为观察器或观测器(spectators)。MR系统212的用户可以根据需要，随时能够重新指定任意观察器设备作为主设备。

图3是示出外科手术生命周期(lifecycle，过程周期)300的示例性阶段的流程图。在图3的实施例中，外科手术生命周期300以术前阶段开始(302)。在术前阶段期间，开发外科手术计划。术前阶段之后是制造和交付阶段(304)。在制造和交付阶段期间，制造诸如执行外科手术计划所需的零件和装备等患者特定的物品并且交付至外科手术地点。在一些实施例中，不需要制造患者特定的物品来执行外科手术计划。术中阶段(306)在制造和交付阶段之后。在术中阶段期间执行外科手术计划。换言之，一个或多个人在术中阶段期间对患者执行外科手术。术中阶段之后是术后阶段(308)。术后阶段包括在外科手术计划完成之后所发生的活动。例如，可以在手术后阶段期间监测患者的并发症。

如本公开中所描述的，在术前阶段302、制造和交付阶段304、术中阶段306、以及术后阶段308的一个或多个阶段中可以使用整形外科手术系统100(图1)。例如，在术前阶段302中可以使用虚拟计划系统102和计划支持系统104。在一些实施例中，术前阶段302可以包括对患者成像数据进行分析、对骨骼和/或软组织进行建模、和/或基于患者的健康情况确定或建议外科手术治疗的类型的系统。在制造和交付阶段304中可以使用制造和交付系统106。在术中阶段306中可以使用术中引导系统108。在图3的多个阶段中可以使用图1中的一些系统。例如，在术前阶段302、术中阶段306、以及术后阶段308的一个或多个阶段中可以使用医疗教育系统110；在术前阶段302和术后阶段308中可以使用术前和术后监测系统112。在术前阶段302和术后阶段308中可以使用预测分析系统114。图3的外科手术过程中可能存在各种工作流程。例如，图3的外科手术过程内的不同工作流程可能适合于不同类型的外科手术。

图4是示出支持整形外科手术程序的示例性术前、术中、以及术后工作流程的流程图。在图4的实施例中，外科手术过程以医疗咨询开始(400)。在医疗咨询过程中(400)，医疗专业人员对患者的医疗健康情况进行评估。例如，医疗专业人员可以针对患者的症状询问患者。在医疗咨询过程中(400)，医疗专业人员还可以与患者讨论各种治疗选择。例如，医疗专业人员可以描述解决患者症状的一种或多种不同的外科手术。

进一步地，图4中的实施例包括病例创建步骤(402)。在其他实施例中，在医疗咨询步骤之前进行病例创建步骤。在病例创建步骤过程中，医疗专业人员或其他用户为患者建立电子病例文件。患者的电子病例文件可以包括与患者有关的信息，诸如关于患者的症状的数据、患者运动范围观察、关于患者的外科手术计划的数据、患者的医学图像、关于患者的注意事项、关于患者的计费信息等等。

图4中的实施例包括术前患者监测阶段(404)。在术前患者监测阶段期间，可以监测患者的症状。例如，患者可能患有与患者肩部中的关节炎相关联的疼痛。在该实施例中，患者的症状可能尚未上升到需要关节成形术来置换患者的肩部的水平。然而，关节炎通常会随着时间而恶化。相应地，可以监测患者的症状来确定是否到了对患者的肩部执行外科手术的时间。可以将来自术前患者监测阶段的观察存储在患者的电子病例文件中。在一些实施例中，可以使用预测分析系统114来预测患者何时可能需要外科手术、预测延迟治疗过程或避免外科手术或者对患者的健康作出其他预测。

此外，在图4的实施例中，在术前阶段期间进行医学图像获取步骤(406)。在图像获取步骤过程中，生成患者的医学图像。可以通过各种方式生成特定患者的医学图像。例如，可以使用计算机断层扫描(CT)过程、磁共振成像(MRI)过程、超声处理、或其他成像过程生成图像。在图像获取步骤过程中所生成的医学图像包括特定患者的感兴趣的解剖结构的图像。例如，如果患者的症状涉及患者的肩部，则可以生成患者的肩部的医学图像。可以将医学图像添加至患者的电子病例文件。医疗专业人员能够在术前、术中、以及术后阶段的一个或多个阶段中使用医学图像。

进一步地，在图4的实施例中，可以进行自动处理步骤(408)。在自动处理步骤过程中，虚拟计划系统102(图1)可以自动开发患者的初步外科手术计划。例如，虚拟计划系统102可以生成患者的骨骼和/或软组织的模型或表示。基于这些表示，虚拟计划系统102可以确定诸如软组织体积、肌肉的脂肪渗透、肌肉的萎缩率、以及骨骼的运动范围等骨骼和/或软组织特征。虚拟计划系统102可以基于这些特征确定应该执行什么类型的治疗(例如，肩置换是解剖置换还是反向置换)。在本公开的一些实施例中，虚拟计划系统102可以使用机器学习技术来基于患者的虚拟病例文件中的信息开发初步外科手术计划。

图4的实施例还包括手动校正步骤(410)。在手动校正步骤过程中，一个或多个人类用户可以检查并且校正在自动处理步骤过程中所做出的确定。在本公开的一些实施例中，一个或多个用户可以在手动校正步骤过程中使用混合现实或虚拟现实可视化设备。在一些实施例中，可以使用在手动校正步骤过程中所做出的改变作为训练数据来改善虚拟计划系统102在自动处理步骤过程中所应用的机器学习技术。

虚拟计划步骤(412)可以在图4中的手动校正步骤之后。在虚拟计划步骤过程中，医疗专业人员可以为患者开发外科手术计划。在本公开的一些实施例中，一个或多个用户可以在为患者开发外科手术计划的过程中使用混合现实或虚拟显示可视化设备。

进一步地，在图4的实施例中，可以生成术中引导(414)。术中引导可以包括引导外科医生如何执行外科手术计划。在本公开的一些实施例中，虚拟计划系统102可以生成术中引导的至少一部分。在一些实施例中，外科医生或其他用户可以有助于术中引导。

此外，在图4的实施例中，执行选择并且制造外科手术物品的步骤(416)。在选择并且制造外科手术物品的步骤过程中，制造和交付系统106(图1)可以制造在由外科手术计划所描述的外科手术过程中所使用的外科手术物品。例如，外科手术物品可以包括外科手术植入物、外科手术工具、以及执行由外科手术计划描述的外科手术所需的其他物品。

在图4的实施例中，可以利用来自术中系统108(图1)的引导执行外科手术程序(418)。例如，外科医生可以在穿戴将引导信息呈现给外科医生的术中系统108的头戴式MR可视化设备的同时执行外科手术。引导信息可以帮助引导外科医生完成外科手术，从而为外科手术工作流程中的各个步骤提供引导，包括外科手术程序工作流程的各个步骤中的步骤顺序、各个步骤的细节、以及工具或植入物选择、植入物放置和定位，以及为外科手术工作流程中的各个步骤提供骨骼表面准备。

在外科手术程序完成之后，可以进行术后患者监测(420)。在术后患者监测步骤过程中，可以监测患者的康复结果。康复结果可以包括缓解症状、运动范围、并发症、所植入的外科手术物品的性能等。术前和术后监测系统112(图1)可以有助于术后患者监测步骤。

图4中的医疗咨询、病例创建、术前患者监测、图像获取、自动处理、手动校正、以及虚拟计划步骤是图3中的术前阶段302的一部分。具有图4中的引导步骤的外科手术程序是图3中的术中阶段306的一部分。图4中的术后患者监测步骤是图3中的术后阶段308的一部分。

如上所述，整形外科手术系统100的一个或多个子系统可以包括诸如MR系统212(图2)等一个或多个混合现实(MR)系统。每个MR系统可以包括可视化设备。例如，在图2的实施例中，MR系统212包括可视化设备213。在一些实施例中，除包括可视化设备之外，MR系统还可以包括支持可视化设备的操作的外部计算资源。例如，MR系统的可视化设备可以通信地联接至提供外部计算资源的计算设备(例如，个人电脑、笔记本电脑、平板电脑、智能手机等)。可替代地，可以在可视化设备213上或内提供执行可视化设备的必要功能的足够计算资源。

虚拟计划系统102和/或其他系统可以对诸如关节手术等计划外科手术干预也使用的患者成像数据进行分析。如此处所讨论的，作为实施例，肩置换手术是可以使用此处的系统和技术进行计划的一种类型的外科手术。图5A和图5B是与患者的肩部有关的示例性肌肉和骨骼的示图。

如图5A的实施例中所示，患者500的前视图包括胸骨502、肩部504、以及肋骨506。与肩部504的结构和功能相关联的一些骨骼包括肩胛骨的胛骨突510和胛骨512(未示出其全部)。与肩部504相关联的肌肉包括前锯肌508、大圆肌、以及二头肌518。肩胛下肌514是图5A中所示的一块肩袖肌。在图5B的实施例中，在患者500的后视图中示出了其他肩袖肌、冈上肌526、冈下肌530、以及小圆肌532。图5B还示出了肱骨头520和肩胛骨528的脊柱的骨骼特征。与肩部504相关联的其他肌肉包括三头肌522和三角肌524。

当评估肩部504进行治疗时，诸如什么类型的肩部治疗或置换可能是合适的等，系统可以对诸如图5A和图5B中所讨论的这些骨骼和软组织的患者特定的成像数据进行分析。例如，虚拟计划系统102可以从患者成像数据中生成软组织(例如，肌肉)的表示并且确定软组织的各种特征。这些特征可以包括与肌肉相关联的肌肉体积、脂肪渗透(例如，脂肪比)、肌肉萎缩率、以及关节的运动范围。

从该信息中，虚拟计划系统102可以确定所建议的治疗类型，诸如患者是否从解剖学肩置换或反向肩置换中受益等。在解剖学肩置换中，利用人造肱骨头(例如，部分球体)置换肱骨头，并且利用与人造肱骨头配合的人造曲面置换肩胛骨的肩臼面。在反向肩置换中，将人造部分球体植入肩臼面并且植入与球体配合的人造曲面(例如，杯体)来代替骨骼头。虚拟计划系统102还可以基于患者成像数据和/或肌肉特征建议植入物的尺度和/或放置。

在一个实施例中，诸如虚拟计划系统102等系统可以被配置为用于对患者的软组织结构进行建模。虚拟计划系统102可以包括被配置为存储患者的患者特定图像数据的存储器和处理电路。处理电路可以被配置为接收患者特定的图像数据(例如，CT数据)、基于患者特定的图像数据的强度确定表示患者的软组织结构的患者特定形状、并且输出患者特定的形状。如此，患者特定的形状可以是患者的实际软组织结构的模型。

虚拟计划系统102可以使用各种方法生成软组织结构的患者特定的形状。例如，处理电路可以被配置为接收初始形状(例如，几何形状或基于患者群体的统计平均形状)并且确定初始形状上的多个表面点。然后，虚拟计划系统102可以使初始形状与患者特定的图像数据配准(例如，基于相邻的骨骼上的肌肉插入点将初始形状放置到患者特定的图像数据中)并且识别患者特定的图像数据中的一个或多个轮廓，该一个或多个轮廓表示患者的软组织结构的边界。该一个或多个轮廓可以是患者特定的成像数据内具有超过指示软组织结构的边界的阈值的强度的体元或像素。在一些实施例中，通过识别相邻的软组织结构之间的分离区可以确定轮廓(例如，使用表示患者特定的图像数据内的强度梯度的黑塞特征图像)。与仅基于肌肉(例如，以及脂肪组织)之间非常相似的强度识别结构边界相反，识别相邻的结构之间的分离区的黑塞特征图像可以提高这些结构边界之间的精确度。然后，虚拟计划系统102朝向一个或多个轮廓的相应位置迭代地移动多个表面点，以将初始形状改变成表示患者的软组织结构的患者特定的形状。如此，每次迭代移动致使所修改的初始形状变得与图像数据中所指示的患者的软组织结构的实际形状越来越相似。

在一些实施例中，虚拟计划系统102可以显示使用成像数据已经建模的患者特定的形状。虚拟计划系统102还可以执行额外的确定作为外科手术计划的一部分。例如，虚拟计划系统102可以使用患者特定的成像数据来确定患者特定的形状的脂肪体积比、确定患者特定的形状的萎缩率、基于患者的软组织结构的患者特定的形状的脂肪体积比和萎缩率确定患者的肱骨的运动范围、并且然后基于肱骨的运动范围确定对患者的肩部治疗程序的多种类型中的一种类型。

虚拟计划系统102可以通过基于患者的肩袖的一块或多块肌肉的脂肪体积比和萎缩率确定患者的肱骨的运动范围，来确定肱骨的运动范围。基于该信息，虚拟计划系统102可以从解剖学肩置换手术或反向肩置换手术的一项中选择肩部治疗的类型。在一些实施例中，对于患者的骨骼和/或肌肉不能支持解剖学肩置换时的情形，虚拟计划系统102可能建议反向肩置换手术。如此，被确定具有更大脂肪渗透和更大萎缩率的患者可能更适合于反向肩置换(例如，与一个或多个适当的阈值相比较)。在一些实施例中，计划系统102可以采用决策树或神经网络并且使用脂肪渗透值以及诸如可能指示患者更适合于反向或解剖学肩置换的患者年龄、性别、活动性、和/或其他因素等其他参数作为输入。在一些实施例中，脂肪渗透值可以是诸如肌肉等软组织结构的质量度量的类型。在其他实施例中，可以由可能或可能不并入肌肉中的脂肪的存在的其他类型的值表示肌肉的质量。

图6是示出根据本公开的实施例的被配置为确定软组织结构尺度及与关节相关联的外科手术干预有关的其他信息的系统540的示例性部件的框图。系统540可以与图1中的虚拟计划系统102和/或被配置为执行此处所讨论的过程的系统相似。在图6的实施例中，系统514包括处理电路542、电源546、显示设备548、输入设备550、输出设备552、存储设备554、以及通信设备544。在图6的实施例中，显示设备548可以显示图像，以将诸如不透明或至少部分透明的屏幕等用户界面呈现给用户。显示设备548可以呈现视觉信息，并且在一些实施例中，为用户呈现音频信息或其他信息。例如，显示设备548可以包括一个或多个扬声器、触觉设备等。在其他实施例中，输出设备552可以包括一个或多个扬声器和/或触觉设备。显示设备548可以包括不透明的屏幕(例如，LCD或LED显示器)。可替代地，显示设备548可以包括MR可视化设备(例如，包括透视全息透镜)以及允许用户透过透镜看到现实世界环境中的现实世界对象并且还通过例如诸如微软HOLOLENS^TM设备等全息投影系统看到被投影到透镜中和用户的视网膜上的虚拟3D全息影像的投影仪。在该实施例中，虚拟3D全息对象看上去可能被放置在现实世界环境中。在一些实施例中，显示设备548包括诸如LCD显示屏幕、OLED显示屏幕等一个或多个显示屏幕。用户界面可以呈现特定患者的虚拟外科手术计划的细节的虚拟图像。

在一些实施例中，用户可以通过各种方式与系统540交互作用并且控制系统540。例如，输入设备550可以包括一个或多个麦克风以及相关联的语言识别处理电路或软件，可以识别用户所发出的语音命令，并且响应地执行诸如与外科手术计划、术中引导等相关联的各种功能的选择、激活、或禁用等各种任意操作。作为另一实施例，输入设备550可以包括检测并且解释姿势以执行上述所述操作的一个或多个摄像机或者其他光学传感器。作为又一实施例，输入设备550包括感测注视方向并且执行如本公开中的其他地方所描述的各种操作的一个或多个设备。在一些实施例中，输入设备550可以经由例如包括一个或多个按钮、键区、键盘、触摸屏、操纵杆、轨迹球、和/或其他手动输入介质的手持式控制器接收来自用户的手动输入，并且响应手动用户输入执行上述所述各种操作。

通信设备544可以包括便于与其他设备进行数据通信的一个或多个电路或其他部件。例如，通信设备544可以包括当物理地连接至系统540时，允许在系统540与驱动器之间传输数据的一个或多个物理驱动器(例如，DVD、蓝光、或通用串行总线(USB)驱动器)。在其他实施例中，通信设备544可以包括。通信设备544还可以支持与另一计算设备和/或网络的有线和/或无线通信。

存储设备544可以包括将相应类型的数据存储在共同和/或独立的设备中的一个或多个存储器和/或储存库。例如，用户界面模块556可以包括定义系统540如何控制显示设备548将信息呈现给用户的指令。术前模块558可以包括关于诸如成像数据等患者数据的分析和/或基于患者数据对治疗选项的确定的指令。术中模块560可以包括定义系统540如何在将诸如关于所计划的外科手术的细节和/或关于外科手术程序的反馈等信息提供给临床医生进行显示时的操作的指令。

表面拟合模块562可以包括定义处理电路542如何从患者特定的成像数据中确定软组织的表示(例如，患者特定的形状)的指令。例如，表面拟合模块564可以指定初始形状、迭代次数、以及关于基于患者成像数据的强度将初始形状调整成患者特定的形状的其他细节。图像配准模块564可以包括定义如何使初始形状或其他解剖学结构与患者图像数据配准的指令。例如，在表面拟合过程中生成患者特定的形状之前，图像配准模块564可以指示处理电路542如何使统计平均形状(SMS)(例如，从多人群体导出的解剖学形状)与患者成像数据的骨骼配准。患者数据566可以包括任意类型的患者数据，诸如患者成像数据(例如，CT扫描、X射线扫描、或MRI数据)、患者特征(例如，年龄、身高、体重)、患者诊断、患者健康情况、之前的外科手术或植入物、或与患者有关的任意其他信息等。

如上面所讨论的，外科手术生命周期300可以包括术前阶段302(图3)。一个或多个用户可以在术前阶段302中使用整形外科手术系统100。例如，整形外科手术系统100可以包括有助于一个或多个用户生成针对特定患者的感兴趣解剖结构所定制的虚拟外科手术计划的虚拟计划系统102(其可以与系统540相似)。如此处所述，虚拟外科手术计划可以包括与特定患者的感兴趣的解剖结构对应的3维虚拟模型以及与特定患者匹配以修复感兴趣的解剖结构或被选择用来修复感兴趣的解剖结构的一个或多个假体部件的3维模型。虚拟外科手术计划还可以包括在执行外科手术程序时引导外科医生的引导信息的3维虚拟模型，例如，在准备骨骼表面或组织并且相对于该骨骼表面或组织放置可植入的假体硬件时。

如此处所讨论的，系统540可以被配置为使用患者成像数据对患者的软组织结构进行建模。例如，系统540可以包括被配置为存储患者的患者特定的图像数据(例如，患者数据566)的存储器(例如，存储设备554)。系统540还包括被配置为接收患者特定的图像数据并且基于患者特定的图像数据的强度确定表示患者的软组织结构的患者特定的形状的处理电路542。然后，处理电路542能够输出诸如用于显示或在对患者的进一步分析中使用的患者特定形状。例如，处理电路542可以使用来自患者特定的图像数据的患者特定形状或其他特征，来生成此处所述的外科手术程序建议(例如，应对患者执行哪种类型的治疗)。

处理电路542可以使用一个或多个过程确定患者特定的形状。例如，处理电路542可以接收初始形状(例如，几何形状或SMS)、确定初始形状上的多个表面点、并且使初始形状与患者特定的图像数据配准。处理电路542可以通过确定患者特定的图像数据中的预分割骨骼上的一个或多个肌肉插入点和/或原点或通过其他方式识别感兴趣的软组织结构的近似位置而对初始形状进行配准。然后，处理电路542可以识别患者特定的图像数据中表示患者的软组织结构的边界(其可以基于软组织结构之间的分离区)的一个或多个轮廓并且朝向一个或多个轮廓的相应位置迭代地移动多个表面点，以将初始形状改变成表示患者的软组织结构的患者特定的形状。如此，当初始形状的边界朝向更紧密地拟合于轮廓而迭代地移动时，处理电路542可生成一个或多个中间形状。轮廓可以表示超过一定的阈值或落在阈值范围内、指示软组织结构的边界的体元集合。

在一些实施例中，初始形状与患者特定的形状是三维形状。然而，在其他实施例中，初始形状和/或患者特定的形状可以被定义成二维。在这些实施例中，可以使用若干二维形状的集合来定义整个体积、或三维形状。在一个实施例中，处理电路542可以在三个维度的各个向量的方向上迭代地移动初始形状以及中间形状的表面点，以使得处理电路542对三维空间中的数据进行处理。在其他实施例中，处理电路542可以在二维切片中操作，以朝向患者特定的图像数据中的轮廓改变初始形状。然后，处理电路542可以对若干个二维切片进行组合，以生成患者的最终患者特定的形状的全三维体积。

软组织结构可以包括肌肉、肌腱、韧带、或非骨骼的其他结缔组织。即使关节置换治疗通常可能涉及骨骼的改造(例如，利用诸如金属和/或聚合物等人造材料置换骨骼的至少一部分)，然而，软组织状态可以告知什么类型的置换可能适合于正被置换的特定关节。如此，系统540可以对诸如关节周围的肌肉等患者的软组织进行分析，以获得可能影响关节置换的类型的信息。在肩置换的情况下，关节的感兴趣的软组织结构可以包括诸如肩胛下肌、冈上肌、冈下肌以及小圆肌等肩袖肌肉。可以针对肩置换治疗对诸如大圆肌、三角肌、前锯肌、三头肌、以及二头肌等与肩部相关联的其他肌肉进行分析。出于外科手术计划的目的，系统540可以出于确定新修复关节可以经受什么类型的运动范围和/或应力之目的而确定每个软组织结构的各个特征。

在一些实施例中，处理电路542可以基于各种标准确定对患者的肩部治疗的类型，诸如肱骨相对于肩胛骨的肩臼面或其余部分的运动范围等。肩部治疗的类型可以包括解剖学肩置换或反向肩置换，并且处理电路542可以基于软组织特征建议什么类型的置换对患者是优选的。此外，处理电路542建议用于治疗的其他参数，诸如植入物放置位置、角度、方位、植入物的类型等。例如，处理电路542可以从患者特定的图像数据中确定患者特定的形状的脂肪体积比(例如，脂肪渗透值)。处理电路542还可以基于感兴趣的软组织结构的已评估的病前状态或之前的健康状态确定患者特定的形状的萎缩率。然后，处理电路542能够基于患者的软组织结构的患者特定的形状的脂肪体积比和萎缩率确定患者的肱骨的运动范围。例如，肌肉的较高脂肪渗透和萎缩可能指示关节的运动范围较低(或较窄)。在一些实施例中，运动范围可以是关节的相应移动的一个或多个特定角度或者表示关节的整体运动范围的度量或其他复合值。处理电路542可以基于若干块肌肉确定关节的运动范围。例如，处理电路542可以基于与肩关节相关联的肩袖和/或其他肌肉或结缔组织的若干相应肌肉的脂肪比和萎缩率，确定肱骨相对于肩胛骨的一个或多个运动范围值(例如，表示整个运动范围的一个或多个单独角度或者一个或多个复合值)。此外，运动范围可能受骨与骨碰撞或其他机械冲击的影响。从该信息中，处理电路542可以在术前计划阶段过程中建议对患者的肩部治疗的类型。

图7至图18B示出了在从患者特定的图像数据中对患者的软组织结构进行建模时所涉及的示例性步骤。将系统540的处理电路542描述为执行这些过程的示例性系统，但是，其他设备、系统、或其组合可以执行相似的确定。图7是肩袖的一些肌肉的示例性插入点的示图。

如图7的实施例中所示，处理电路542可以通过使初始形状与患者的相关联骨骼配准而开始软组织建模。与肱骨570的肱骨头520一起示出了肩胛骨的肩臼578。可以从自动分割过程中确定患者的骨骼，在该过程中，处理电路542或其他系统基于患者特定的图像数据的强度值确定骨骼。从这些骨骼中，处理电路542可以识别肩关节的感兴趣的一个或多个软组织结构的插入点或附接点(或肌肉的另外原点)。在其他实施例中，可以直接从患者特定的图像数据而非骨骼分割中确定插入点或其他骨骼标志。例如，插入冈上肌572指示冈上肌附接至肱骨头520的位置，插入冈下肌574指示冈下肌附接至肱骨头520的位置，并且插入肩胛骨576指示肩胛骨肌肉附接至肱骨头520的位置。处理电路542可以基于与解剖图的比较或基于一般的人体解剖学的其他指令识别这些插入点中的每个插入点。在一些实施例中，处理电路542可以确定肩胛骨或其他骨骼上的额外插入点作为用于使初始形状与患者的骨骼配准的额外点。

如此处所讨论的，被转换并且拟合于患者的图像数据的初始形状能够作为几何形状或更具体的SMS而开始。可以针对一般的群体选择SMS或基于患者群体的一个或多个人口统计因素(例如，性别、年龄、种族等)从多个不同的SMS中选择SMS。在一些实施例中，因为SMS可能与患者的肌肉更严格地匹配，所以可以使用SMS。因此，处理电路542可以减少修改初始形状所需的迭代或计算次数并且生成拟合于图像数据的患者特定的形状。此外，SMS可以包括与相关联的骨骼上的已识别插入点匹配的预识别位置。

图8A是示例性的患者特定的图像数据的概念图。如图8A中所示，显示示出了CT、或x射线图像的强度的二维图像数据600。较高的强度表示诸如肩胛骨602的形式的骨骼等吸收x射线能量的致密组织。通常，因为组织以相似的低水平吸收x射线能量，所以CT数据中更难以识别诸如肌肉等软组织结构。例如，冈下肌可以具有由边缘601(即，肩胛骨602的边缘)和边缘603(即，冈下肌的外边缘与相邻的脂肪组织层之间的分离区)部分确定的边界。尽管边缘603可能难以从x射线数据中识别，然而，特定的数据处理技术可以帮助识别边缘603或识别从中可以确定边缘603的分离区。

图8B是基于图8A中的患者特定的图像数据而生成的黑塞特征图像605的概念图。如图8B的实施例中所示，处理电路542可以从诸如图8A的图像数据600等患者特定的CT数据中确定黑塞特征图像605。黑塞特征图像605被示出作为二维图像，但是，其可以是三维数据场的一部分。黑塞特征图像605指示患者特定的CT数据的区域，区域包括患者特定的CT数据中的两个或多于两个体元之间的较高强度梯度。例如，处理电路542可以计算相邻的体元、或体元组之间的二阶导数，以确定体元或体元组之间的梯度，并且然后，基于二阶导数生成黑塞特征图像。尽管将黑塞特征图像描述为三维图像，然而，同样可以使用相同的技术生成二维图像。

因为这些结构的体元之间的强度存在变化，诸如骨骼对象与软组织之间、接近彼此的两组骨骼对象之间、以及接近彼此的两组软组织之间等，所以黑塞特征图像可以显示两个解剖学对象之间的分隔。处理电路542可以基于体元基的分隔信息(例图，基于黑塞特征图像)确定一个或多个轮廓、或者轮廓的至少一部分。

尽管轮廓指示解剖学对象之间的间隔，然而，轮廓可能不提供解剖学对象的完整形状。例如，由于成像不完美、体元或体元组之间缺少强度梯度、或噪音，可能存在引起表示解剖结构(例如，骨骼或软组织)的边界的轮廓的不连续性的洞、间隙、或其他误差。作为一个实施例，轮廓可能不完整并且可能不是表示解剖学对象的封闭式表面。通常，轮廓可以提供对解剖学对象的尺寸、形状、以及位置的初始估计。然而，如更为详细地描述的，因为轮廓基于图像信息并且2D扫描可能是不完美的，所以轮廓可能是实际解剖学对象的不精确指示符(例如，由于洞或其他丢失部分、以及轮廓中的突起)。因此，处理电路542可以使用具有封闭式表面的初始形状并且将初始形状修改成接近至少由黑塞特征图像部分定义的轮廓。

黑塞特征图像605包括各种强度的若干线(例如白色表示体元之间的梯度比暗或黑色区域更高的区域)。较白并且较宽的线表示较高梯度的区域。锁骨602能够被识别为锁骨602的外表面周围的线，即，表示从骨骼起具有较高强度的体元与从软组织起具有较低强度的这些体元之间的较大梯度。如图8B中所示，冈下肌可以具有由轮廓607A(即，肩胛骨602的边缘)和轮廓607B(即，冈下肌的外边缘与相邻的脂肪组织层之间的分离区)部分确定的边界。轮廓607A和607B中的每个轮廓可以被识别为延伸穿过由黑塞特征图像605的线所指示的分离区的中部。如此，轮廓607A和607B可以指示接近每个结构的边界的相邻结构之间的对应性。

轮廓607A和607B中的每个轮廓可以是不连续的，但是，在其他实施例中，这些轮廓可以是连续的分离区。因此，轮廓607A和607B可以构成表示冈下肌的边界的轮廓的至少一部分。在一些实施例中，可以使用其他分离区为其他肌肉提供轮廓。例如，黑塞特征图像605可以表示诸如轮廓607C等皮肤边界，轮廓607C可以用于识别这些肌肉(通常可以位于邻近具有肌肉与皮肤之间的最小脂肪组织的皮肤)的边界。

基于黑塞特征图像605，处理电路542可以识别软组织结构与相邻的软组织结构之间的一个或多个分离区。换言之，分离区可以指示患者特定的图像数据中的两个软组织结构之间的强度梯度。因此，处理电路542可以确定一个或多个轮廓的至少一部分穿过一个或多个分离区。处理电路542可以确定轮廓穿过分离区的中部或穿过分离区的基于强度的加权中部。

图8C是叠加在患者特定的图像数据上的示例性初始形状604与示例性分割轮廓的概念图。如图8C中所示，显示示出了根据此处所述的示例性过程对软组织结构进行建模的过程的二维图像数据600。尽管显示了冈下肌的软组织结构作为实施例，然而，可以对任意的软组织结构执行相同的过程。尽管在图8C中出于示出性之目的示出了二维图像，然而，处理电路542可以在三维空间中执行这些过程。

针对感兴趣的软组织结构(即，该实施例中的冈下肌)选择诸如作为破折线示出的初始形状604等初始形状。然后，使初始形状604与包括肩胛骨602的一个或多个相关联的骨骼配准。例如，在肩胛骨602上识别的插入点可以用于与从初始形状604识别的相应附接点匹配。初始形状604可以是SMS，即，表示与患者不同的多个受试者的软组织结构的解剖形状。因为SMS对于感兴趣的肌肉是特定的，所以初始形状604可能与患者的结构相似。然而，如图8C中所示，初始形状604并未准确地反映肩胛骨602的边界或图像数据600的其他强度。因此，处理电路542可以对初始形状604进行变形或修改，以拟合于该特定患者的图像数据。

处理电路542可以通过一次或多次迭代朝向由分割轮廓606(例如，与合成的患者特定形状相似)表示的患者的实际软组织结构移动初始形状604的各部分。如由箭头组608A、608B、以及608C(统称“箭头组608”)所示，使初始形状604的各部分朝向分割轮廓606的其他相应部分变形。图8C所示的相应箭头组中的每个箭头在一次迭代过程中朝向分割轮廓606移动初始形状604的表面上的相应表面点至少一部分距离。如此，在两次或多次迭代之后，处理电路542可以使初始形状604变形，以与分割轮廓606拟合。例如，在箭头组608B的方向上移动分割轮廓606的一部分，以与肩胛骨602的一部分拟合。现在使还在箭头组608A与箭头组608C的方向上移动的初始形状604的部分与由图像数据600的强度所指示的软组织结构的轮廓拟合。在一些实施例中，可以将该过程称为封闭式表面拟合。

在一些实施例中，处理电路542可以接收分割轮廓606，即，患者特定的图像数据的初始分析，以生成诸如冈下肌等感兴趣的软组织结构的表示。例如，分割轮廓606可以是三维形状或多个二维切片。然而，分割轮廓606可能不是表示软组织结构的完整模型。例如，图像数据中的各个体元可能不准确或丢失，并且合成的分割轮廓606可能不完整。例如，分割轮廓606至少可以部分由根据黑塞特征图像从分离区所识别的轮廓确定。因此，使完全封闭的SMS或几何形状变形成拟合于图像数据600可能导致产生软组织结构的完整模型。

在其他实施例中，处理电路542可能不接收软组织结构的任意分割轮廓606。代替地，处理电路542可以根据患者特定的图像数据内的相关联骨骼上的插入点放置初始形状。然后，处理电路542可以从初始形状的表面上的各个位置朝向相应体元延伸向量，或者通过其他方式指示图像数据600中的软组织结构或骨骼的边缘，这些体元超过阈值强度、与周围体元相差预定值或预定百分比。例如，超过阈值强度的这些体元可以一起构成由患者特定的图像数据表示的软组织结构的一个或多个轮廓。或者，如此处所讨论的，可以基于诸如黑塞特征图像中的体元之间的梯度确定表示软组织结构的边缘的轮廓。因此，在使初始形状604朝向超过阈值或超过体元强度的相对变化的已识别体元变形一次或多次迭代之后，初始形状604则可以被转换成表示患者的软组织结构的患者特定的形状。由此，患者特定的形状可以是患者的该结构的模型，并且可以通过处理电路542计算诸如体积、长度等各个特征。图9至图11示出了用于通过迭代地移动初始形状的表面上的点而从患者特定的图像数据中确定患者特定的形状的示例性过程。

图9是朝向表示患者的软组织结构的患者特定的形状614改变初始形状616的示例性程序的概念图。图9中的实施例表示患者图像数据、初始形状616以及肩胛骨612的矢状视图610。初始形状616可以被放置并且变形成表示肩胛下肌的软组织结构，即，可以与由点线表示的轮廓614相似。处理电路542通过使初始形状616上的多个位置与患者图像数据中所识别的一个或多个骨骼上的对应插入位置配准而对图像数据内的初始形状616进行配准。例如，初始形状616可以与肩胛骨612上的插入位置配准。该配准可能不要求初始形状616的任意部分与肩胛骨612实际接触，但是，配准使用肩胛骨612上的插入位置作为对患者特定的图像数据内的初始形状616进行配准的引导。初始形状616被示出作为SMS以接近患者的结构。在其他实施例中，可以使用诸如球体、卵体、或其他结构等几何形状作为初始形状616。

因为初始形状616需要发生变形或修改，所以处理电路542能够根据需要朝向表示软组织结构的表面的图像数据的体元移动初始形状616的各部分。例如，处理电路542可以选择初始形状616上的多个表面点。向量618A和618B(统称“向量618”)中的每个向量从初始形状616上的相应表面点并且在与初始形状616的表面正交的方向上延伸。处理电路542可以在初始形状616内和外延伸向量618，这可以使得处理电路542根据初始形状616与成像数据初始配准的位置而识别位于初始形状616的外面或内部的软组织结构的轮廓。例如，因为肩胛骨612的一部分位于初始形状616内，所以向量618B从初始形状616的表面向内指向。相反，初始形状616的其余部分周围的向量618A最终从初始形状616的表面向外指向。

由此，如由轮廓614和肩胛骨612的表面指示的，处理电路542能够使用向量618识别与软组织结构的边缘对应的一个或多个轮廓。例如，处理电路542可以以从初始形状616上的多个表面点中的相应表面点向外或向内延伸中的至少一种方式从每个表面点(例如，基于每个向量618的点)延伸相应的向量618。因此，处理电路542能够针对每个表面点的向量确定患者特定的图像数据中的体元强度超过阈值强度值的相应位置。多个表面点中的至少一个表面点的这些相应位置至少部分地限定一个或多个轮廓。换言之，对于向量618中的每个向量，可以确定包括超过阈值强度值的强度值的体元或像素是轮廓614的一部分或是软组织结构的相邻骨骼。在其他实施例中，处理电路542可以从指示患者的软组织结构的图像数据的之前分割中接收轮廓614，或者可以使用黑塞特征数据确定从黑塞特征图像中的分离区所识别的轮廓614的至少一部分。然而，处理电路542仍可以使初始形状616朝向已知的轮廓变形，以生成感兴趣的软组织结构的全封闭表面模型。该全封闭表面模型还可以被预先标记(例如，初始形状616可以被预先标记)为哪些部分应面向骨骼或哪些部分应是相邻的另一特定肌肉。该标记能够实现或开始软组织结构的进一步分割。

如上面所讨论的，患者特定的图像中每个向量618正在查找的位置可以基于分离区和从黑塞特征图像确定的轮廓。在其他实施例中，处理电路542可以通过确定患者特定的图像数据中大于或小于预定强度值的相应位置而确定患者特定的图像数据中其体元强度超过阈值强度值的相应位置。换言之，强度可以超过(例如，变得高于)指示体元表示骨骼的高阈值强度值或超过(例如，变得低于)指示体元表示指示软组织结构的边界的流体、脂肪组织、或其他组织的低阈值强度值。例如，阈值强度值可以表示骨骼强度。因为软组织(例如，肌肉)抵靠骨骼表面而存在，所以一旦向量到达骨骼的位置，处理电路542则推断该位置作为软组织结构的边界。阈值强度值还可以被设置成肌肉之外的结构，以识别向量已经离开软组织结构的体积。在其他实施例中，阈值强度值可以小于肌肉的预期强度值。例如，一旦向量的路径中的阈值强度减小到低于阈值强度值，处理电路542则可以将较低的强度值解释为与感兴趣的软组织结构不同的流体或其他结构。在一些实施例中，阈值强度值可以是预定的量级。

在其他实施例中，阈值强度值可以是基于向量源自何处和/或最近与向量相交的之前体元或像素而计算的差值。如此，处理电路542能够识别患者图像数据的强度的相对变化(例如，体元到体元的变化)或过滤遮罩，过滤遮罩(filter mask)可以指示软组织结构或与感兴趣的软组织结构的轮廓614的一部分相关联的其他结构的边界。例如，处理电路542可以被配置为通过确定患者特定的图像数据中大于差值阈值的相应位置，来确定患者特定的图像数据中超过阈值强度值的相应位置，其中，差值阈值是与相应的表面点相关联的强度和患者特定的图像数据中的相应位置的强度之间的差值。在一些实施例中，当分析感兴趣的软组织结构的边界的图像数据时，处理电路542可以采用这些类型的阈值中的一种或多种类型的阈值。

通常，处理电路542可以针对每个向量识别患者特定的图像数据中表示软组织结构的边界的相应位置。然而，在一些实施例中，处理电路542可以不识别超过阈值强度值的体元或像素。由于患者特定的图像数据中的信息不完整、数据损坏、数据生成过程中的患者移动、或任意其他类型的异常而可能导致出现这种问题。处理电路542可以采用算法来避免初始形状616的变形过程出现这种问题。例如，处理电路542可以采用图像数据中的最大距离，针对该最大距离，识别超过阈值强度值的体元或像素。最大距离可以是距向量开始的初始形状616上的点的预定距离或标度距离。可以在从约5毫米(mm)至约50mm的范围内选择最大距离。在一个实施例中，可以将最大距离设置成约20mm。

如果处理电路542不识别距向量的原点的该距离内超过阈值强度值的体元，处理电路542则可以从变形过程中移除该向量和初始形状616的表面上的相应点并且仅依赖于其他点和向量进行变形。可替代地，处理电路542可以从初始形状616中选择新的表面点并且从该新的表面点延伸新的向量，以试图找出超过阈值强度值的体元或找出与从黑塞特征图像确定的软组织结构的轮廓或边界对应的体元。初始形状616的表面上的该新表面点可以在距所移除的表面点的预定距离内或处、在所移除的表面点与另一表面点之间的预定距离处、或在处理电路542选择用于替换所移除的表面点的初始形状616上的某一其他位置处。

然后，处理电路542可以使用一次或多次迭代使初始形状616的表面变形，以使封闭的初始形状616接近或拟合于轮廓614及肩胛骨612的各部分。在每次迭代过程中，处理电路542可以移动初始形状616上的一些或全部表面点。例如，处理电路542可以从多个表面点中的每个表面点的相应表面点延伸相应的向量618并且向量618与包括相应的表面点的初始形状616的表面正交。如上面所讨论的，这些向量可以从初始形状616的表面向内和/或向外指向。然后，处理电路542可以针对每个表面点的相应向量618确定患者特定的图像数据中超过阈值强度值的相应点。超过阈值强度值的这些点可以形成与轮廓614和/或骨骼表面相似的一个或多个轮廓。

在轮廓614的每个相应点处，处理电路542可以确定位于相应点的包络内并且超过患者特定的图像数据中的阈值强度值的多个潜在位置。如此，该单一向量的多个潜在位置至少可以部分地限定轮廓614的表面。包络内的这些潜在位置指示其中初始形状616上的表面点应该移动的潜在方向。处理电路542选择这些潜在位置中的一个潜在位置来引导相应的表面点的移动，以解决这些潜在位置处的轮廓的表面如何相对于初始形状616上的表面点定向。换言之，处理电路542可以选择这种潜在位置，使得初始形状616的表面的取向与潜在位置处的轮廓614的表面的取向之间的差异减小。

例如，处理电路542可以针对多个潜在位置中的每个潜在位置确定与表面正交的相应法向向量。以初始形状616的表面上的相应表面点的向量620为例，从各个潜在位置生成若干法向向量。一个示例性的法向向量是自一个潜在位置的向量622。然后，处理电路542可以针对相应的法向向量中的每个法向向量确定相应的法向向量与自相应的表面点的向量之间的角度。使用向量624的实施例，处理电路542可以确定向量624与向量620之间的角度622。可以将该角度622称为余弦角。处理电路542可以对与诸如示例性的向量620等相应向量618对应的每个潜在位置执行这种计算。

然后，处理电路542可以针对初始形状616上的每个相应表面点选择多个潜在位置中的这样一个潜在位置，即，该潜在位置具有相应的表面点的向量(例如，向量620)与多个潜在位置中的每个潜在位置的相应法向向量(例如，向量624)之间的最小角度。换言之，处理电路542可以识别轮廓614上提供表面点的适当移动和表面点的变形的位置。然后，处理电路542能够针对每个相应的表面点使得相应的表面点至少部分地朝向所选择的一个潜在位置移动。相应表面点的这种移动使得初始形状616朝向与轮廓614和肩胛骨612的一部分对应的患者特定的形状修改或变形。处理电路542可以在每次迭代时重复这个过程，直至初始形状616已经变形成接近超过阈值强度值或与感兴趣的软组织结构的之前分割边界对应的体元或像素。

处理电路542可以使得相应的表面点至少移动相应的表面点与和轮廓614对应的已选择一个潜在位置之间的距离的一半。然而，在其他情形或迭代过程中，所移动的距离可以改变。因为在单一步骤中所引起的变形可能未产生准确的最终患者特定的形状，所以表面点可以不完全地朝向潜在位置移动。换言之，基于每次迭代中的每个潜在位置的法向向量对轮廓614上的已选择位置所进行的微小调整可以提供与轮廓614更为严格匹配的最终形状。换言之，初始形状616上的每个表面点在全部迭代过程中可能不一定完全沿着线性方向移动。各个表面点的这种非线性移动组合可以允许最终的患者特定的形状与轮廓614以及(如适用)相邻的骨骼表面更严格地匹配或拟合。

如图10中的矢状视图640所示，图9中的初始形状616在一次迭代过程中已经变形成中间形状632，中间形状632比初始形状616与轮廓614更接近。当处理电路542确定中间形状632仍不接近轮廓614或另外需要额外的变形时，处理电路542可以执行一次或多次额外的迭代变形。例如，处理电路542可以从中间形状632上的相应表面点确定向量634A和634B(统称“向量634”)。与上面参考图9所描述的向量618相似，向量634B朝向肩胛骨612的表面向内指向，并且向量634B朝向肩胛骨612的各部分和轮廓614向外指向。

然后，处理电路542确定这样的点处的各个向量634的另一组潜在位置，在该点处，相应的向量到达超过阈值强度值的体元或像素。从每个向量634的每个潜在位置中，处理电路542可以选择与表面点的向量相比较时具有最小角度的法向向量的潜在位置。例如，对于中间形状632上的表面点的示例性向量636，处理电路542可以确定向量637作为从轮廓614中的一个潜在位置的一个向量，其在轮廓614中向量636到达轮廓614的的点的包络内。当角度638是中间形状632的向量与潜在位置的法向向量之间的最小角度时，处理电路542可以选择与向量637相关联的潜在位置。如此，处理电路542至少可以针对一些向量634选择轮廓614上与向量634到达轮廓614的点不同的位置。这个过程能够使得处理电路542通过在该相应的表面点处与表面正交的方向不同的方向上移动中间形状632上的表面点而更严格地接近轮廓614。

然后，处理电路542可以使中间形状632的表面点至少部分地朝向轮廓614上的已选择的潜在位置移动。例如，处理电路542可以使中间形状632变形成图11中所示的完全封闭的最终患者特定的形状642。如图11中所示，患者特定的形状642可以接近轮廓614以及肩胛骨612的至少一些表面，患者的软组织结构抵靠肩胛骨612而布置。在一些实施例中，患者特定的形状642可以与轮廓614完全相同或相似。轮廓614可以表示患者特定的图像数据中的软组织结构的初始分割和/或表示从每个向量识别的超阈值体元的表面。在其他实施例中，在到达最终的患者特定的形状642之前，处理电路542可以使初始形状616变形多于两次。在一些实施例中，处理电路542可以执行预定的迭代次数，以接近超过阈值强度值的体元或像素的轮廓。在其他实施例中，处理电路542可以继续执行初始形状的额外迭代变形，直至形状的一定数量、一定百分比、或全部表面点在超过阈的体元或像素的预定距离内。换言之，处理电路542可以使初始形状以及其中间形状继续变形，直至变形形状在患者特定的图像数据内的轮廓的一定可接受容差或误差内。

在一些实施例中，处理电路542在每次迭代中可以遵循相同的变形指令。可替代地，处理电路542可以调整确定处理电路542在变形过程的迭代期间如何移动形状的表面点的一种或多种因素。例如，这些因素可以指定从初始形状或中间形状起的表面点的数量、在轮廓内所识别的潜在位置的数量、能够针对表面点的每个向量所选择的潜在位置的包络大小、每个表面点在一次迭代中能够移动的距离、每个表面点在一次迭代中相对于彼此能够移动的可允许偏差、或其他这种因素。这些类型的因素能够限制处理电路542在单次迭代中使得初始或中间形状变形的程度。

例如，处理电路542可以使初始形状以更为均匀的方式变形并且使中间形状以较不均匀的方式变形，以更严格地接近在图像数据中所识别的软组织结构的实际尺度。在一个实施例中，处理电路542可以被配置为通过在第一次迭代中从初始形状616移动多个表面点中的每个表面点为第一相应的距离而生成第二形状(例如，中间形状632)而使得多个表面点朝向一个或多个轮廓(例如，轮廓614)的相应潜在位置迭代地移动，第一相应的距离位于第一修改距离的第一容差内。第一容差可以由处理电路542、用户选择，或者第一容差可以是以其他方式预定的，以保持第二形状相对于初始形状616的平滑度。换言之，容差可以是与值的允许偏差。容差可以与零一样低，以使得全部表面点必须移动相同的距离。然而，容差可能较大，以允许处理电路542改变每个表面点在迭代中能够移动的距离。

然后，处理电路542可以在第一次迭代之后的第二次迭代中使得第二形状的多个表面点中的每个表面点移动第二相应的距离，以从第二形状生成第三形状(例如，另一中间形状或最终形状)，第二相应的距离在第二修改距离的第二容差内。在该第二次迭代中，第二容差大于第一容差，以使得每个表面点移动的距离的变化能够大于前一次迭代中所允许的变化。如此，较小的容差可以促进形状变形时的平滑度，而较大的容差可以促进下一次变形的形状接近软组织结构的接近程度的进一步精确性。通常，处理电路542可增加表面点的修改距离在迭代之间的容差。然而，在一些实施例中，处理电路542可以在增加或减少容差之间切换，或处理电路542可以针对每次迭代保持同一值的容差。换言之，后期迭代的弹性可能增加，以使得每个表面点能够更严格地移至其对应的点(例如，朝向表示软组织结构的边界的轮廓)。此外，因为系统变得更加置信与轮廓614的对应性，所以对于每次迭代，搜索距离可能增加。对于更加置信的对应性，诸如与骨骼结构相关联的轮廓614的部分的对应性等，系统可以使用为初始形状616上的每个表面点提供更具弹性或容差的移动的较高迭代。相反，因为与轮廓614的对应性的置信度较低，所以与其他软组织相关联的轮廓614的部分可能需要具有较低弹性的初始迭代。

在一些实施例中，配准与修改的这个过程可能与B样条算法相似。B样条算法的内部参数可以包括样条顺序、控制点的数量、以及形状的修改迭代次数。样条顺序的前两个参数与控制点的数量能够控制算法的“弹性”程度。样条顺序与控制点数量越高，形状上的每个表面点越容易发生弹性行为。换言之，只要与轮廓的对应性的置信度保持得较高，则后期的迭代导致产生修改形状的更具体的解决方案。

在一个实施例中，对于第一次迭代，算法能够将初始形状616的空间分成多个表面点。处理电路542可以使用样条关系确定变形场基于这些表面点和样条顺序。对于进一步地迭代，表面点的数量能够是双倍、三倍等等，以能够实现改变初始形状616的更具体变形场。每次“迭代”可以指B样条算法的内部迭代。处理电路542可以使用外部迭代来执行初始形状或修改形状的配准，其具有“N次”内部迭代。“N”可能随着外部迭代而增加，以能够实现更具弹性的输出。在Lee等人“Scattered Data Interpolation with Multilevel B-Splines”IEEE Transactions on Visualization and Computer Graphics,Vol.3,No.3,7月-9月，1997中描述了其中处理电路542执行B样条配准的一个示例性方式。在https://itk.org/Doxygen411/html/classitk_1_1BSplineScatteredDataPointSetToI mageFilter.html和http://www.insight-journal.org/browse/publication/57.中可以找出其中执行b样条配准的额外示例性方式。

在一些实施例中，处理电路542可以基于该位置处的体元或像素的已识别强度值将初始形状或中间形状的表面点朝向轮廓移动较大的距离或全部距离。例如，较高强度的体元可以指示存在骨骼。通常，软组织结构可以抵靠骨骼的一部分而布置。因此，如果将体元识别为骨骼，处理电路542则可以将初始形状或中间形状的相应表面点直接移至或邻近于已识别的骨骼结构。在其他实施例中，当将骨骼识别为轮廓的一部分时，处理电路542可以增加修改距离的容差，以使得下一次迭代能够更精确地接近骨骼的轮廓。如此处所讨论的，在其他实施例中，可以基于表示相邻的结构之间的分离区的黑塞特征图像而确定轮廓614。在一些实施例中，处理电路542可以沿着向量跟踪黑塞特征图像的分布(profile，曲线)行为，以确定与软组织结构的边界的对应性。黑塞特征图像可以包括与为向量的对应性提供体元的矩形状函数相似的分布。对于骨骼结构，处理电路542可以获知骨骼表面的体元，以使得表面点直接移至该体元。

一旦确定最终的患者特定的形状642，处理电路542则可以输出该患者特定的形状642。在一些实施例中，处理电路542可以控制显示给用户的患者特定的形状642。在其他实施例中，处理电路542可以对患者特定的形状642执行额外的计算。例如，处理电路542可以确定患者特定的形状642的体积、线性尺度、横截面尺度、或其他特性。如此处所描述的，在其他确定中，处理电路542可以使用这些特征。

图12至图18示出了基于此处所述的变形过程的肩袖肌的示例性建模。在一些实施例中，诸如系统540等系统可以经由用户界面将相似的图像显示给用户。一些示图是二维的，而其他示图是相同建模结构的三维。图12是包括肩胛骨652的患者图像数据的示例性轴向图650的概念图。初始形状654表示肩胛肌的SMS，其已经变形成表示患者的肩胛肌的患者特定的形状656。图13是包括肩胛骨662的患者图像数据的示例性矢状视图660的概念图。初始形状664表示冈上肌的SMS，其已经变形成表示患者的冈上肌的患者特定的形状666。

图14是表示叠加在患者特定的图像数据上的三块肩袖肌的示例性最终患者特定的形状676、678、以及680的概念轴向图670。如图15中所示，示出了相对于肱骨头674的肩胛骨672。具体地，患者特定的形状676表示肩胛下肌，患者特定的形状678表示冈上肌，并且患者特定的形状680表示冈下肌。如图15中所示，患者图像数据的矢状视图682包括相对于患者特定形状676(例如，肩胛下肌)、患者特定的形状678(例如，冈上肌)、以及患者特定的形状680(例如，冈下肌)的肩胛骨673。应注意，未示出，但在其他实施例中可以确定与感兴趣的关节相关联的额外肩袖肌或其他肌肉。

图16A是表示三块肩袖肌以及来自患者特定的图像数据的骨骼的示例最终患者特定的形状的概念后三维视图690。如图16A中所示，示出了相对于肩胛骨692和肱骨头694由患者特定的形状676表示的肩胛下肌。视图690还示出了作为患者特定的形状678的冈上肌和作为患者特定的形状680的冈下肌。如图16B中所示，前视图702是后视图690中示出的相似结构的三维图，诸如作为患者特定的形状676的肩胛下肌、作为患者特定的形状678的冈上肌、以及作为患者特定的形状680的冈下肌等。如图17中所示，端面图704是后视图690中示出的相似结构的三维图。端面图704是与肩臼面706对准的平面的这些肩部结构的示图。如此，示出了作为患者特定的形状676的肩胛下肌，示出了作为喙突708与肩峰710之间的患者特定的形状678作为冈上肌，并且示出了作为患者特定的形状680的冈下肌。

图18A与图18B是其中将与软组织结构相关联的初始形状与骨骼结构配准并且修改成表示软组织结构的患者特定的形状的示例性患者特定的CT数据的概念图。例如，处理电路542初始就可以识别CT数据内的骨骼结构(例如，一个或多个x射线图像)，即，可能是用于对软组织结构的初始形状进行配准并且然后将初始形状缩放成使初始形状与患者的CT数据拟合的基本标志。

如图18A的轴向切片实施例所示，处理电路542可以基于目标肌肉(例如，软组织结构)从患者图像中确定一组基本标志713A、713B、以及713C(统称“标志713”)。例如，肩胛下肌邻近于胸廓，并且因此，肋骨可能被分割并且用于定位该标志(标志713的肋骨)。初始形状715可以是与患者严格配准的肩胛下肌的统计平均形状(SMS)。初始形状715可以是病理学形状，诸如从与患者具有相似健康情况的其他患者所生成的SMS等。换言之，因为SMS仅进行配准和缩放，所以健康的SMS可能不提供患者的软组织的适当模型。然而，在一些实施例中，可以根据相对于此处的图8A至图11所描述的封闭表面修改而对已配准和/或缩放的SMS进行进一步地修改。

连接714A、714B、以及714C(统称“连接714”)指示标志713与初始形状715的SMS上的相应点之间的对应性。图18A是患者特定的CT数据的轴向切片。

图18B是患者特定的CT数据的矢状切片并且示出了肋骨与肩胛下肌的不同示图。单肋骨716是包括与初始形状715上的相应点对应的若干点的标志，并且连接717是指示这些对应性的线。图18A与图18B是该配准过程的二维表示，在一些实施例中，通过处理电路542可以执行三维配准。同样可以对其他肌肉执行相对于肩胛下肌所描述的过程。例如，能够在锁骨的下侧和肩峰识别与冈上肌有关的标志，并且能够基于周围的皮肤识别与冈下肌有关的标志。

通常，一旦识别基本的标志(例如，标志713和716)，则定位了其在SMS上的最接近的对应性。处理电路542可以沿着连接标志“1”与其在SMS‘c’上的对应点的线(例如，连接713和717)确定基于强度的曲线。当在某一位置‘v’处检测曲线的特定变化时，存储‘v’与‘c’之间的欧几里得距离(d)以及‘v’的基于强度的值(i)。因此，处理电路542能够使用下列等式：

Cf＝fun(d_n，i_n)，n∈标志 (1)

基于强度的度量可以仅是CT图像数据或其梯度的强度值。对于强度，特定的变化可以是从高(骨骼密度)至低(软组织结构)的步长，而对于梯度实施例，沿着指示软组织结构边界的连接的曲线可能存在正尖峰。处理电路542可以利用诸如成本函数等最小化算法来确定初始形状715的配准。最小化算法可以指一般类型的算法，其中，处理电路542通过满足算法的阈值而使得初始形状715(例如，SMS)变形，以使SMS的变形版本与软组织结构的骨骼到肌肉尺度拟合。例如，成本函数可以是欧几里得距离d＝||v-c||与i的组合；例如，

Cf＝∑_n w₁×d_n+w₂×i_n， (2)

其中，w₁和w₂是经验性确定的权重。

成本函数还能够具有另一项，该另一项与患者无关并用于平滑配准的最终估计。该项被称为正则项，能够为初始形状715的参数提供自适应权重(基于其相关性和SMS中的噪音)。该项(Cf₂)能够被添加至前一“差”项(现称为(Cf₁))并且优化给出求和：

Cf＝Cf₁+Cf₂ (3)

为了可比较，Cf₁可以与Cf₂在同一尺度范围内。Cf₂可以使其值标准化(即，0与1之间)。为了使Cf缩放到同一间隔内，在严格的配准之后(即，SMS与患者特定的CT数据之间)，使用Cf₁值进行标准化。

一旦初始形状715与患者严格地配准，则能够使用其有限参数等式使初始形状715弹性地变形成与患者的软组织结构匹配：

其中，s’是初始形状(例如，SMS)，λ_i是特征值并且v_i是相应的协方差矩阵的本征向量(例如，也被称为变化模式)。协方差矩阵表示数据集的变量，诸如患者特定的患者数据中的变量等。b_i的值确定s的形状(例如，软组织结构的最终患者特定的形状)。项b_i是初始形状715的缩放因子。处理电路542可以使用该过程来找出b_i的值，以使得提供对目标肌肉的患者特定的结构进行估计的最终形状(s)。例如，由处理电路542执行其最佳的拟合，以使得定义s与患者特定的CT图像中的患者肌肉(例如，m)之间的“差”的成本函数最小化。换言之，优化算法能够使得Cf＝|s-m|最小化或使得Cf’＝|s-m|^-1最大化。

因为基于其凸状，所以现在定义Cf或Cf’可能是重要的，优化器将落入或不落入全局或局部最小值或最大值内。为了在优化过程结束时获得良好的估计，处理电路542可以确定反映已修改的最终对象(s)与目标(m)之间的“形状差”的Cf。计算该差的变量可能与最终形状到位于患者上的有限数量的基本标志所估计的欧几里得距离有关。

处理电路542可以通过以迭代的方式应用SMS参数等式并且基于每次迭代之后的Cf的值改变参数值，而使用使得成本函数最小化的优化算法。当不能对Cf进行任何的进一步地优化时(最小化或最大化)，即，达到最佳值，或当达到最大的迭代次数时，处理电路542可以停止该循环。在完成该优化算法时，处理电路542可以使所修改的初始形状715最终成为软组织结构的最终患者特定的形状。最小化或最大化算法可以指一般类型的算法，其中，处理电路542通过满足算法的阈值而使得初始形状715(例如，SMS)变形，以使SMS的变形版本与软组织结构的骨骼到肌肉尺度拟合。该阈值可以指示SMS的变形版本何时与患者特定的图像数据中的软组织结构是最佳拟合的或减少误差。

图19是遮蔽化并且阈值化来确定脂肪渗透的示例性最终患者特定的形状的概念图。脂肪渗透、或表示肌肉内的脂肪比或脂肪体积的值可以指示相对于另外的健康肌肉的结构和/或功能的变化。如此，肌肉内的脂肪量可以指示该肌肉的健康状况。进而，肌肉的健康状况可以影响什么类型的关节治疗适合于患者。

如此处所讨论的，诸如系统540等系统可以基于阈值化体元或体元组从软组织结构的表示内的患者特定的图像数据中，相对于阈值强度值确定所建模的软组织结构的脂肪渗透值。可以确定脂肪组织与表示内的全部组织的比作为脂肪渗透值。系统540可以从患者特定的图像数据的多个二维切片的像素或从三维图像数据集的体元确定脂肪渗透值。此处，将三维方案描述为实施例，但是，出于示出之目的，使用二维示图。例如，CT图像数据，用于脂肪的强度阈值可以约为-29亨斯菲尔德单位(HU)以及用于肌肉的强度阈值可以约为160HU。在一个实施例中，可以将脂肪渗透(FI)值计算为：FI＝100*(1-x/X)，其中，x是掩罩(mask)内的肌肉体积并且X是掩罩内的总体积。在一些实施例中，具有小于指定阈值(例如，小于一立方毫米)的脂肪或肌肉的区域可以被视为噪音并且消除。

如图19中所示，患者图像数据720包括利用应用于体元的掩罩针对感兴趣的肌肉所生成的患者特定的形状722。首先，系统可以对患者特定的形状722应用掩罩，以移除患者特定的形状722之外的数据。接着，系统可以对掩罩下的体元应用阈值。在一些实施例中，可以对成组的体元或两个或多于两个体元的平均体元强度应用阈值，以避免单个体元中可能存在的噪音。如此，系统可以对患者特定的图像数据的强度和/或空间特征进行分析，以确定脂肪组织的区域。由体元724指示的黑色区域指示高于指示肌肉组织的阈值强度的肌肉组织。相反，较浅的体元726低于阈值、较低强度、并且指示脂肪组织。在无所示出的掩罩的情况下，脂肪组织体元的强度将低于与肌肉相关联的体元的强度。然后，系统能够通过在阈值下添加体元726而确定软组织结构的脂肪体积。然后，系统能够基于软组织结构的患者特定的形状722的脂肪体积和总体积确定脂肪渗透值。例如，系统540能够使得脂肪体积除以总体积，以确定软组织结构的脂肪比(例如，百分比)。然后，系统540可以输出软组织结构的脂肪体积比。在一些实施例中，当确定什么类型的关节置换可能适合于患者时，系统540可以使用脂肪体积比作为输入。在一些实施例中，系统540可以使用诸如脂肪渗透以及运动范围等肌肉质量指示符来确定诸如肱骨植入物或肩臼植入物等植入部件的定位和/或取向。例如，系统540可以建议横向或居中地移动一个或多个植入物，以改善该患者的肩部的运动范围和/或强度。因为肌肉的强度或灵活度可能至少部分取决于肩臼与肱骨头之间的距离，所以改变肱骨植入物的位置(或选择不同尺寸的肱骨植入物)而使得肱骨移至更接近于或更远离肩臼能够使得临床医生在植入之后改善肩部的运动范围和/或强度。在一些实施例中，骨移植可以用于添加至肱骨头或肩臼，以实现肱骨的所需横向化或居中化(有或无肱骨植入物)。

图20是软组织结构的示例性最终患者特定的形状736和病前预测734的概念图。如图20的实施例所示，矢状视图730包括肩胛骨732和肩胛下肌的患者特定的形状736。基于上述所述封闭表面拟合可以确定患者特定的形状736。然而，当选择关节治疗的类型而理解肌肉如何从健康状况变成病前状态时，其可以提供有用的信息。如此，系统540可以确定肌肉的萎缩率。

例如，系统540的处理电路542可以被配置为确定患者的软组织结构的骨骼到肌肉尺度。处理电路542可以根据患者特定的形状736确定诸如肩胛骨732等骨骼相对于肌肉的尺度的长度、宽度、和/或体积。骨骼到肌肉尺度可以识别患者的特定解剖结构尺寸。处理电路542可以获得软组织结构的统计平均形状(SMS)。SMS可以是基于大量多个健康受试者的计算的典型肌肉的表示。然而，在一些实施例中，在一些实施例中可以使用病理学结构的SMS。

接着，处理电路542可以使用最小化算法使SMS变形，以使得SMS与软组织结构的骨骼到肌肉尺度拟合。例如，处理电路542可以将SMS修改为与患者的骨骼到肌肉尺度更严格地拟合并且由此对该肌肉的病前状态进行估计。可以使用所产生的病前预测734作为对肌肉的健康状态的估计。然后，处理电路542可以通过使已变形的SMS体积除以由患者特定的形状736表示的软组织结构体积而确定软组织结构(例如，诸如由患者特定的形状736表示的冈上肌等肌肉)的萎缩率。该结果是软组织结构的萎缩率。在一些实施例中，除术前计划过程中的计算之外，处理电路542可以输出萎缩率供显示或进一步使用。

图21和图22是贡献于肩关节的运动范围分析的示例性弹簧建模肌肉的概念图。尽管图21和图22示出了反向肩置换的术前计划，然而，在其他实施例中，可以计划解剖学肩置换。如图21中所示，虚拟图740包括位于左侧的肱骨头744和肩胛骨742的后视图以及位于右侧的肱骨头744和肩胛骨742的前视图。肱骨头已经装配有间隔件748，间隔件748被配置为使已经装配的肩臼球体750与肩臼面配合。诸如间隔件748的杯体和板等植入物中还可能涉及其他部件。在解剖学肩置换中，使这些部件倒置，以使得植入球体代替地附接至肱骨头744。一些示例性的部件可以包括具有楔形基板、中心螺钉、玻璃球、以及对称移植物的反向肩臼部件。在反向肩置换中，还可以使用具有标准插入件和1.5偏置盘的无柄逆行(Ascend)FLEX反向肱骨部件。

例如，当肩关节已经恶化时，系统540可以执行关于患者是否应接收解剖学或反向肩置换的确定。该确定的一部分可以包括使一块或多块肌肉致力于关节的移动的考虑。在一个实施例中，系统540的处理电路542可以将三块肩袖肌建模成具有弹簧常数K1、K2、以及K3的弹簧。如图21中所示，已经将冈下肌建模成弹簧746并且将肩胛下肌建模成弹簧747。在其他实施例中，可以将更少或额外的肌肉建模成该分析的一部分。如图22中所示，虚拟视图760示出了被建模成弹簧762的肩胛下肌。处理电路542能够分别为各个弹簧分配弹簧常数，诸如为弹簧746、747、以及762分配弹簧常数K1、K2、以及K3等。

如此处所述，处理电路542可以基于已经建模的相应肌肉的已计算脂肪渗透(例如，脂肪体积比)和萎缩率确定各个弹簧常数。例如，处理电路542可以采用诸如K＝f(R(FI)，R(A))的等式来确定每块肌肉的弹簧常数，其中，K是弹簧常数，FI是脂肪渗透，并且A是相应肌肉的萎缩。在其他实施例中，当确定弹簧常数时，可以使用额外的因素，诸如肌肉的患者特定的形状的总体积、长度、和/或横截面厚度、患者年龄、患者性别、患者的受伤病史、或可能影响肌肉的功能的任意其他类型的因素等。例如，处理电路542基于肌肉的插入点可以确定各个弹簧746、747、以及762的附接点。在一些实施例中，每块肌肉可以由两个或多于两个弹簧表示，诸如表示从肌肉到骨骼的各个附接点的不同弹簧等。在其他实施例中，每块肌肉可以由除弹簧之外的肌肉功能的更复杂模型表示。在一些实施例中，处理电路542可以确定被施加给弹簧的负荷。负荷可以将骨骼结构的重量与外部负荷组合(例如，提升标准对象)。尽管可以使用弹簧作为一些模型，然而，在其他实施例中，可以使用有限元模型。

处理电路542可以通过基于患者的肩袖的一块或多块相应肌肉的脂肪体积比和萎缩率确定患者的肱骨的运动范围，来确定肱骨的运动范围。例如，处理电路542可以计算每个弹簧常数K1、K2、以及K3，并且然后确定肱骨相对于肩胛骨的运动范围。在一些实施例中，处理电路542可以确定一个或多个平面中或三个维度中的运动范围。运动轴线的范围可以是预定的，并且在一些实施例中，当软组织不是沿着这些轴线的限制因素时，可以确定骨骼碰撞，以建立一些角度的运动范围。处理电路542可以对每种可能类型的治疗执行该计算，诸如解剖学置换或反向置换等。在其他实施例中，处理电路542可以对当前损坏的关节和骨骼执行运动范围分析并且使用该计算识别哪种类型的治疗适合于患者。在任意情况下，处理电路542可以确定应为患者选择诸如解剖学肩置换术或反向肩置换术等哪种类型的肩治疗并且然后输出该选择的肩治疗类型进行显示。处理电路542可以将每种类型的治疗的分析呈现给用户，诸如呈现每种类型的治疗的数值分数或计算等。然后，用户可以从每种类型的治疗的该呈现信息中确定为患者提供哪种类型的治疗。

图23A是示出根据本公开的技术的使用患者特定的图像数据对软组织结构进行建模的示例性程序的流程图。将系统540的处理电路542描述为执行图23A中的实施例，但是，诸如虚拟计划系统102等其他设备或系统可以执行本技术的一个或多个部分。进一步地，通过经由分布式系统的两个或多于两个设备和/或系统的组合可以执行本技术的一些部分。图23A的实施例可以与上面参考图8至图11的例图和讨论相似。

如图23A中所示，处理电路542可以获得感兴趣的患者的患者特定的图像数据(800)。该患者特定的图像数据可以由一个或多个成像模态(例如，x射线、CT、MRI等)生成并且存储在数据存储设备中。然后，处理电路542获得感兴趣的软组织结构的初始形状(802)。初始形状可以是几何形状或统计平均形状(SMS)。该软组织结构可以是肌肉或其他非骨骼结构。然而，在其他实施例中，可以对骨骼执行此处所述的图23A中的过程或其他技术。然后，处理电路542使初始形状与患者特定的图像数据配准(804)。该配准可以包括：使初始形状与由患者特定的图像数据中的已经分割的骨骼所识别的骨骼插入点和/或骨骼配准。在其他实施例中，已经对患者特定的图像数据中的感兴趣的软组织结构执行初步的肌肉分割，处理电路542可以使初始形状与初步肌肉分割配准。

然后，处理电路542识别表示软组织结构的边界的患者特定的图像数据中的一个或多个轮廓(806)。可以将该一个或多个轮廓识别为与患者特定的图像数据中的已经分割的骨骼和/或肌肉相关联的体元。在其他实施例中，处理电路542可以通过从初始形状向内和/或向外延伸自初始形状的表面的法向向量而确定每个轮廓。可以将每个向量所遇到的并超过患者特定的图像数据中的阈值强度值的体元或像素识别为限定轮廓的至少一部分。

然后，处理电路542使初始形状的表面上的的表面点朝向一个或多个轮廓上的相应点移动(808)。这些表面点的移动致使初始形状的整个表面发生变形。如果处理电路542确定需要再次移动表面点，以使初始形状与一个或多个轮廓更严格地拟合(框图810中的“是”分支)，处理电路542则再次移动初始形状的变形表面的表面点(808)。如果处理电路542确定不需要再次移动表面点并且变形形状与一个或多个轮廓拟合(框图810中的“否”分支)，处理电路542则输出最终的变形形状作为表示患者的软组织结构的患者特定的形状(812)。患者特定的形状可以经由用户界面呈现和/或用于进一步分析，诸如针对患者的治疗的术前计划的一部分等。

图23B是示出根据本公开的技术的使用患者特定的图像数据对软组织结构进行建模的另一示例性程序的流程图。将系统540的处理电路542描述为执行图23B中的实施例，但是，诸如虚拟计划系统102等其他设备或系统可以执行本技术的一个或多个部分。进一步地，两个或多于两个设备和/或系统的组合经由分布式系统可以执行本技术的一些部分。图23B中的实施例可以与上面参考图8A至图11的例图和讨论相似。在一些方面，图23B中的技术还可以与图23A中的技术相似。

如图23B中所示，处理电路542可以获得感兴趣的患者的患者特定的图像数据(820)。该患者特定的图像数据可以由一个或多个成像模态(例如，x射线、CT、MRI等)生成并且存储在数据存储设备中。然后，处理电路542获得初始形状，其是感兴趣的软组织结构的SMS(821)。然后，处理电路542使SMS与患者特定的图像数据的一个或多个相应骨骼的插入点配准(822)。在其他实施例中，配准可以包括：使SMS与患者特定的图像数据中的初步肌肉分割(除骨骼插入点之外)配准。

然后，处理电路542选择SMS的表面周围的多个表面点并且确定与每个表面点的表面正交的向量(823)。表面点可以以预定的密度、预定的间隔、和/或根据其他选择因素均匀地分布在SMS的表面周围。在一些实施例中，处理电路542可以从至少一些表面点向外和向内地引导这些法向向量。对于这些向量中的每个向量，处理电路542确定患者特定的图像数据中的超过阈值强度值的点和位于该点的包络内的潜在位置(824)。所确定的点可以是体元、像素、或与该体元或像素相关联的空间中的点。所确定的这些点可以与患者特定的图像数据内已识别的感兴趣的软组织结构的外表面(例如，一个或多个轮廓)对应。位于包络线内的潜在位置是也超过阈值的这些位置并且是一个或多个轮廓的一部分。可以将包络线确定为距由向量识别的点的预定距离、邻近于点的潜在位置的数量(例如，距点最接近的八个潜在位置)、或其他此类标准。

对这些潜在位置进行分析，以识别与SMS拟合的轮廓的变化。换言之，在其中移动SMS的表面点的方向上对潜在位置进行更精确地分析。处理电路542针对每个向量确定在其向量与表面点的向量之间具有最小角度差的潜在位置(825)。可以将该角度称为两个向量之间的余弦。图9中的角度622是表面点的向量620与轮廓上的潜在位置的向量624之间的该角度的实施例。在针对SMS上的每个表面点选择潜在位置之后，处理电路542朝向轮廓的相应潜在位置移动每个表面点一定的距离(826)。所移动的距离可以是到潜在位置的总距离的一部分、或百分比。在一个实施例中，距离约为到潜在位置的总距离的一半。如此，每次迭代使得表面点更接近于一个或多个轮廓，但是，每次迭代的距离越来越小。在其他实施例中，距离可以小于到潜在位置的总距离的一半或大于到潜在位置的总距离的一半。

这些表面点的移动致使SMS的整个表面发生变形。如果处理电路542确定需要再次移动表面点，以使SMS与一个或多个轮廓更严格地拟合(框图827中的“是”分支)，处理电路542在再次确定超过每个向量的阈值的点和SMS表面点之前对SMS形状改变函数进行更新(828)。SMS改变函数可以定义处理电路542在该迭代中如何使SMS发生变形。例如，SMS改变函数可以定义SMS的变形如何平衡下一形状的“平滑度”和“精确度”。例如，早期的变形可能比后期的变形更平滑、或更均匀，后期变形可以对患者特定的图像数据中的一个或多个轮廓的变形精确度进行优化。

在一个实施例中，SMS改变函数可以利用定义每个表面点与另一表面点偏离的移动量的容差因子。例如，零容差可以指示全部表面点必须在该迭代中移动相同的距离。较大的容差可以允许表面点移动不同的距离，这可能导致已变形的SMS的平滑度更低，但是，朝向患者特定的图像数据中的轮廓的精确度更高。在一些实施例中，SMS改变函数可以针对不同阈值强度指定不同容差。例如，如果患者特定的图像数据中的点超过指示骨骼的阈值，SMS改变函数则可以指定较大的容差，因为可以预期肌肉抵靠骨骼表面而布置，所以处理电路542能够使得该表面点移动地更接近于骨骼表面。在一些实施例中，处理电路542在两次迭代之间可以不改变SMS形状改变函数。

如果处理电路542确定不需要再次移动表面点并且已变形的SMS形状与一个或多个轮廓拟合(框图827中的“否”分支)，处理电路542则输出最终的变形形状作为表示患者的软组织结构的患者特定的形状(829)。如图25、图26、以及图27的一个或多个实施例中所描述的，患者特定的形状可以经由用户界面而呈现和/或用于进一步的分析，诸如针对患者的治疗的术前计划的一部分等。

图24是示出根据本公开的技术的使用患者特定的图像数据对软组织结构进行建模的示例性程序的流程图。将系统540的处理电路542描述为执行图24中的实施例，但是，诸如虚拟计划系统102等其他设备或系统可以执行本技术的一个或多个部分。进一步地，两个或多于两个设备和/或系统的组合经由分布式系统可以执行本技术的一些部分。图24的实施例可以与上面参考图18A和图18B的例图和讨论相似。

如图24中所示，处理电路542可以获得感兴趣的患者的患者特定的图像数据(830)。该患者特定的图像数据可以由一个或多个成像模态(例如，x射线、CT、MRI等)生成并且存储在数据存储设备中。然后，处理电路542获得感兴趣的软组织结构的初始形状(831)。初始形状可以是几何形状或统计平均形状(SMS)。例如，SMS可以是病理学形状，以捕捉与患者相似的健康情况。该软组织结构可以是肌肉或其他非骨骼结构。然后，处理电路542使初始形状与和患者特定的CT数据的一个或多个骨骼相关联的一个或多个位置配准(832)。该配准可以包括：使初始形状上的点与和相邻骨骼相关联的对应点或位置配准。

然后，处理电路542确定骨骼的每个位置与初始形状上的相应点之间的对应性(833)。然后，处理电路542基于对应性的强度曲线确定每个位置与初始形状上的相应点之间的距离(834)。例如，强度或梯度曲线可以用于识别患者特定的CT数据中的软组织结构的边界。处理电路542可以采用成本函数使初始形状与骨骼的全部可用基本位置拟合。

然后，处理电路542可以选择使初始形状与患者特定的CT数据的变化之间的差最小化的缩放因子(835)。例如，处理电路542可以对不同的缩放因子进行分析并且使用成本函数获得初始形状与患者特定的CT数据的最佳拟合。然后，处理电路542可以输出表示患者的软组织结构的最终患者特定的形状。例如，处理电路542可以对与待置换的肩部相关联的若干块肌肉执行该分析。

图25是示出根据本公开的技术的用于确定患者的软组织结构的脂肪渗透值的示例性程序的流程图。将系统540的处理电路542描述为执行图25中的实施例，但是，诸如虚拟计划系统102等其他设备或系统可以执行本技术的一个或多个部分。进一步地，两个或多于两个设备和/或系统的组合经由分布式系统可以执行本技术的一些部分。图25中的实施例可以与上面参考图19的例图和讨论相似。关于三维数据集描述了图25中的过程，但是，在其他实施例中，可以通过相似的方式对若干二维切片数据进行分析。

如图25中所示，处理电路542可以获得或接收患者的软组织结构的最终患者特定的形状(840)。然后，处理电路542对患者特定的形状应用掩罩(842)。该掩罩可以移除患者特定的形状之外的数据。接着，处理电路542可以对掩罩下的体元或体积应用阈值(844)。在一些实施例中，处理电路542可以对成组的两个或多于两个体元和/或体元组的平均强度应用阈值，以确定是否应该将该体元组识别为脂肪组织。体元的这种分组可以减少来自是否将体元确定为脂肪组织的噪音的影响。然后，处理电路542通过添加具有被确定为在阈值以下的强度值的体元而确定软组织结构的脂肪体积(846)。换言之，确定小于阈值的体元为脂肪组织并且确定大于阈值的体元为肌肉。然后，处理电路542基于软组织结构的患者特定的形状的脂肪体积(即，具有小于强度阈值的强度值的体元的数量，表示脂肪体积)和总体积(即，由掩罩化的患者特定的形状中的全部体元表示的全部，包括具有小于强度阈值的强度值的体元的数量和具有大于或等于强度阈值的强度值的体元的数量)确定脂肪渗透值(848)。例如，处理电路542能够使得脂肪体积除以患者特定的形状的总体积，以确定软组织结构的脂肪比。处理电路542可以计算患者特定的形状的总体积或获得之前计算的该体积。然后，处理电路542可以输出软组织结构的脂肪体积比作为脂肪渗透值(850)。脂肪体积比可以经由用户界面而呈现和/或用于额外的分析。

图25是示出根据本公开的技术的用于确定患者的软组织结构的萎缩率的示例性程序的流程图。将系统540的处理电路542描述为执行图26中的实施例，但是，诸如虚拟计划系统102等其他设备或系统可以执行本技术的一个或多个部分。进一步地，两个或多于两个设备和/或系统的组合经由分布式系统可以执行本技术的一些部分。图26中的实施例可以与上面参考图20的例图和讨论相似。参考三维数据集描述了图26中的过程，但是，在其他实施例中，可以通过相似的方式对若干二维切片数据进行分析。

如图26中的实施例所示，首先，处理电路542确定患者的软组织结构的骨骼到肌肉尺度(860)。处理电路542可以根据患者特定的形状确定诸如肩胛骨等骨骼相对于肌肉的尺度的长度、宽度、和/或体积。骨骼到肌肉尺度可以识别患者的特定解剖结构尺寸。然后，处理电路542获得软组织结构的统计平均形状(SMS)(862)。SMS可以是基于大量多个受试者的计算的典型肌肉尺度的表示。该SMS可以基于健康群体。在一些实施例中，SMS可以基于患者的种族、性别、年龄、身高、或与患者相似的其他因素。

接着，处理电路542使用最小化算法使SMS变形，以使SMS与软组织结构的骨骼到肌肉尺度拟合(864)。例如，处理电路542可以将SMS修改为与患者的骨骼到肌肉尺度更严格地拟合并且由此对该肌肉的病前状态进行评估。可以采用各种不同类型的最小化算法使得SMS与患者解剖结构拟合。可以使用该肌肉的产生的病前预测作为对肌肉的健康状态的尺度的评估。然后，处理电路542通过使已变形的SMS体积除以由患者特定的形状表示的软组织结构体积而确定软组织结构的萎缩率(866)。该结果是软组织结构的萎缩率，即，健康组织的体积与实际组织的体积之比。在其他实施例中，可以基于软组织结构的健康状态与当前状态之间的其他尺度比较而计算萎缩率。然后，除术前计划过程中的计算之外，处理电路542输出萎缩率，以用于显示给用户或用于进一步使用(868)。例如，处理电路542可以输出叠加在对相同软组织结构的病前或健康评估上的当前组织或患者特定的形状。当对感兴趣的关节执行术前计划时(例如，感兴趣的肩关节的肩袖肌)，处理电路542可以对感兴趣的每块肌肉执行该萎缩率计算。

图27是示出根据本公开的技术的用于基于患者的已确定的软组织结构确定肩部治疗的类型的示例性程序的流程图。将系统540的处理电路542描述为执行图27中的实施例，但是，诸如虚拟计划系统102等其他设备或系统可以执行本技术的一个或多个部分。进一步地，两个或多于两个设备和/或系统的组合经由分布式系统可以执行本技术的一些部分。参考三维数据集描述了图26中的过程，但是，在其他实施例中，可以通过相似的方式对若干二维切片数据进行分析。

如图27中的实施例所示，处理电路542可以将与肩关节相关联的一块或多块肩袖肌、和/或其他肌肉建模成弹簧(870)。然后，处理电路542获得每个软组织结构的脂肪渗透值和萎缩率(872)。然后，处理电路542针对每块肌肉基于脂肪渗透值和萎缩率确定弹簧常数(874)。然后，处理电路542能够基于一块或多块肌肉的弹簧常数确定肩关节中的肱骨的运动范围(876)。然后，处理电路542基于所确定的运动范围确定肩部治疗的类型(878)。例如，处理电路542可以在解剖学肩置换术与反向肩置换术之间选择。在一些实施例中，诸如同心骨关节炎或肩袖大量撕裂、肌肉质量指标、年龄、以及腺样畸形状态等病理也可能影响解剖学或反向肩置换是否适合于患者。在一些实施例中，处理电路542可以从该信息中确定表面的其他方面，诸如植入物的尺寸、植入物的位置、或其他有关信息等。在一些实施例中，处理电路542可以使用一个或多个决策树或神经网络，以确定肩置换的类型。所建议的肩部治疗还可以基于诸如年龄、性别、活动性、或任意其他方面等其他患者信息。

处理电路542可以控制用户界面显示所建议的肩置换术。响应临床医生选择、接受、或确认建议，处理电路542可以发起针对患者的其他术前计划和所选择的肩置换术类型。例如，处理电路542或诸如图1中的虚拟计划系统102等其他系统可以针对所选择的肩置换术生成外科手术计划。处理电路542可以控制用户界面引导临床医生通过针对患者的额外定制步骤，诸如所需要的植入物、切割平面、锚定位置、扩孔轴、螺钉钻孔和/或放置、尺寸、植入物放置、外科手术的特定步骤、以及所选择的外科手术的任何其他方面等。临床医生还可以通过观察针对患者的程序、解剖结构、和/或植入物的系统生成可视化而与外科手术计划交互作用。这些类型的过程可以对诸如踝、肘、腕、臀、膝等其他关节应用外科手术。此外，图27中的过程可以用于确定与肩部治疗相关联的一个或多个植入物的位置或旋转角度。例如，处理电路542可以确定是否居中化(例如，使肱骨头植入物移至更接近于肩胛骨或使肩臼移至更接近于患者的中线)或侧向化(例如，使肱骨头植入物移至更远离肩胛骨或使肩臼移至更接近于肱骨)，以基于弹簧常数改善运动范围。在一些实施例中，处理电路542可以建议骨移植(移除或添加骨骼)到肱骨头和/或肩臼的尺寸和/或位置，以实现肱骨相对于肩胛骨的所需位置。处理电路可以使用肩部肌肉的刚度(例如，当用于对肌肉进行建模时的弹簧常数)来确定肱骨头的适当位置，以实现肩部的适当运动范围和/或强度。

如此处所述，处理电路542和/或其他系统能够使用患者特定的成像数据确定患者的形态特征的多次测量。该测量可以包括距离测量、角度测量、或患者的结构的测量关系和/或患者的结构之间的其他类型的数值表征。例如，测量可以包括与下列一项或多项有关的值的任意组合：

·肩臼版本：肩臼关节表面的轴线相对于肩胛骨的横向轴线的角度取向。

·肩臼倾斜：肩臼相对于肩胛骨的上/下铺片。

·肩臼取向/方向：肩臼在三维空间中的三维取向。

·肩臼最佳拟合的球体半径：患者的肩臼的最佳拟合球体的半径。最佳拟合球体是尺寸使得球体的扇区与患者的肩臼尽可能坐平的概念球体。

·肩臼最佳拟合球体均方根误差：患者的肩臼与最佳拟合球体的扇区之差的均方误差。

·反肩角：肩臼的下部的倾斜度。

·临界肩角：肩臼窝的平面与到肩峰的最下侧点的连接线之间的角度。

·肩峰肱骨空间：肩峰与肱骨的顶部之间的空间。

·肩臼肱骨空间：肩臼与肱骨之间的空间。

·肱骨版本：肱骨取向与外髁轴之间的角度。

·肱骨颈轴角度：肱骨解剖颈法向向量与髓内轴线之间的角度。

·肱骨头最佳拟合球体半径与均方根误差：患者的肱骨头的最佳拟合球体的半径。最佳拟合球体指尺寸使得球体的扇区尽可能与肱骨头的表面配合的概念球体。均方根误差是指最佳拟合球体与患者的实际肱骨头之间的误差。

·肱骨半脱位：肱骨相对于肩臼的半脱位的测量。

·肱骨取向/方向：肱骨头在三维空间中的取向。

·患者的肱骨的骨骺的测量。

·患者的肱骨的干骺端的测量。

·患者的肱骨的骨干的测量。

·骨骼的后倾。

图28是示出根据本公开的技术的用于基于患者特定的图像数据确定肩部治疗的类型的示例性程序的流程图。将系统540的处理电路542描述为执行图28中的实施例，但是，诸如虚拟计划系统102等其他设备或系统可以执行本技术的一个或多个部分。进一步地，两个或多于两个设备和/或系统的组合经由分布式系统可以执行本技术的一些部分。参考三维数据集描述了图28中的过程，但是，在其他实施例中，可以通过相似的方式对若干二维切片数据进行分析。

如图28中的实施例所示，处理电路542可以接收患者的患者特定的图像数据(例如，CT图像数据)。然后，处理电路542从患者的一个或多个软组织结构的患者特定的图像数据中确定一个或多个软组织特征(892)。示例性的软组织特征可以包括软组织形状和体积、脂肪渗透值、萎缩率、运动范围值、或任意其他该参数。然后，处理电路542基于所确定的一个或多个软组织特征生成肩部外科手术类型的建议(894)。例如，处理电路542可以在解剖学全肩置换或反全肩置换之间选择。然后，处理电路542可以输出关于患者的肩部外科手术的类型的所确定建议以供用户界面显示(896)。

此处所述并且与整形分类和外科手术计划有关的一个或多个确定可以采用诸如神经网络等人工智能(AI)技术。在一个实施例中，处理电路542可以采用各种AI技术来生成组织的一个或多个特征，诸如萎缩率、脂肪渗透、运动范围、对植入物的类型的建议(例如，肱骨植入物的柄尺寸)、和/或对外科手术治疗的具体类型的建议(例如，解剖学或反向肩置换)等。在一些实施例中，在术前阶段302(图3)或外科手术生命周期的其他阶段期间可以采用这种AI技术。深度神经网络(DNN)是作为分类工具已经表现出极大前景的人工神经网络(ANN)的一类。DNN包括输入层、输出层、以及输入层与输出层之间的一个或多个隐藏层。DNN还可以包括诸如池化层等一种或多种其他类型的层。

每个层可以包括一组人工神经元，即，通常被简称为“神经元”。输入层中的每个神经元从输入向量接收输入值。提供输入层中的神经元的输出作为DNN中的下一层的输入。输入层之后的层的每个神经元可以对前一层的一个或多个神经元的输出应用传播函数，以生成到神经元的输入值。然后，神经元可以对输入应用激活函数，以计算激活值。然后，神经元可以对激活值应用输出函数，以生成神经元的输出值。DNN的输出向量包括DNN的输出层的输出值。

存在与DNN到计划整形外科手术的应用相关联的若干挑战，具体地，关于肩部病理学。例如，一些挑战涉及如何构建并且训练DNN，以使得DNN能够提供关于肩部病理学的有意义输出。在与DNN到计划整形外科手术的应用相关联的挑战的另一实施例中，可以理解患者与医疗专业人员不愿意信任由计算机做出的决策，尤其当不清楚计算机如何做出这些决策时。因此存在关于如何以有助于确保患者和医疗专业人员愿意信任DNN的输出方面的方式来生成输出的问题。

本公开描述了这些的技术，即，可以解决这些挑战并且提供DNN结构：基于一个或多个输入提供关于肩部病理学和/或所建议的肩部治疗的有意义输出。例如，人工神经网络(ANN)具有输入层、输出层、以及输入层与输出层之间的一个或多个隐藏层。输入层包括多个输入层神经元。多个输入层神经元中的每个输入层神经元与多个输入元素中的不同输入元素对应。输出层包括多个输出层神经元。

多个输出层神经元中的每个输出层神经元与多个输出元素中的不同输出元素对应。多个输出元素中的每个输出元素与一个或多个肩部病理学分类系统中的不同分类对应。在该实施例中，计算系统可以从之前的肩部外科手术病例生成多个训练数据集。每个相应的训练数据集与多个训练数据患者中的不同训练数据患者对应并且包括相应的训练输入向量和相应的目标输出向量。

对于每个相应的训练数据集，相应的训练数据集的训练输入向量包括多个输入元素中的每个元素的值。对于每个相应的训练数据集，相应训练数据集中的目标输出向量包括多个输出元素中的每个元素的值。在该实施例中，计算系统可以使用多个训练数据集对神经网络进行训练。此外，在该实施例中，计算系统可以获得与当前患者对应的当前输入向量。计算系统可以对当前输入向量应用DNN，以生成当前输出向量。然后，计算系统可以基于当前输出向量确定对当前患者的肩部健康情况的诊断，其也可以被称为肩部分类。

在该实施例中，通过使多个输出元素中的不同输出元素与一个或多个肩部病理学分类系统中的不同类别对应，DNN能够提供在患者的肩部健康情况的诊断、解剖结构特征的确定、或治疗建议中可以使用的有意义输出信息。例如，这可以在计算和训练时间方面比其中输出层中的神经元的不同值与不同类别对应的系统更高效。进一步地，在一些实施例中，输出层中的神经元的输出值指示患者的分类肩部健康情况在一个肩部病理学分类系统的对应类别中所属的置信度的测量。该置信值可以帮助用户考虑患者可能具有与计算机系统使用DNN所确定的不同类别的肩部健康情况的可能性。进一步地，对于相同输出层神经元的输出，在表达置信水平并且用作确定患者的肩部健康情况的诊断(例如，分类)、组织的特定特征(例如，脂肪渗透值、萎缩值、运动范围值)、或甚至基于一个或多个此类组织特征对外科手术类型的建议的基础方面的计算上可能是高效的。

图29是示出根据本公开的技术的实现可用于确定患者的解剖结构、诊断、和/或治疗建议的一个或多个方面的DNN的示例性计算系统902的框图。计算系统902可以是整形外科手术系统100的一部分(图1)。计算系统902可以使用DNN来确定软组织特征和/或对治疗的类型的建议，诸如患者是否从解剖学或反全肩置换中获益等。在一些实施例中，计算系统902包括XR可视化设备(例如，MR可视化设备或XR可视化设备)，XR可视化设备包括执行计算系统902的操作的一个或多个处理器。

如图29的实施例中所示，系统900包括计算系统902、一个或多个客户端设备的集合(统称“客户端设备904”)。在其他实施例中，系统900可以包括更多、更少、或不同的设备和系统。在一些实施例中，计算系统902和客户端设备904可以经由诸如因特网等一个或多个通信网络进行通信。

计算系统902可以包括一个或多个计算设备。计算系统902与客户端设备904可以包括各种类型的计算设备，诸如服务器计算机、个人电脑、智能手机、膝上型电脑、以及其他类型的计算设备等。在图29的实施例中，计算系统902包括处理电路908、数据存储系统910、以及一个或多个通信接口912A至912N的集合(统称“通信接口912”)。数据存储系统910被配置为存储数据。通信接口912能够使得计算系统902与其他计算系统和诸如客户端设备912的设备进行通信(例如，无线或使用线路)。为易于说明，如由计算系统902整体执行的，本公开可以描述由处理电路906、数据存储系统910、以及通信接口912执行的动作。整形外科手术系统100中的一个或多个子系统(图1)可以包括计算系统902和客户端设备904。例如，虚拟计划系统102可以包括计算系统902和客户端设备904。

用户可以使用客户端设备904访问由计算系统902生成的信息。例如，计算系统902可以生成对当前患者的肩部治疗的类型的建议。建议可以由肩部治疗分类系统中的多个肩部类别之中的肩部类别表示。在该实施例中，用户可以使用客户端设备904访问关于干预建议的信息。因为计算系统902可能距客户端设备904较远，所以客户端设备904的用户可以考虑处于基于云的计算系统中的计算系统902。在其他实施例中，可以由一个或多个客户端设备904执行计算系统902的一些或全部功能。

计算系统902可以实施DNN。存储系统910可以包括一个或多个计算机可读数据存储介质。存储系统910可以存储DNN的参数。例如，存储系统910可以存储DNN的神经元的权重、DNN的神经元的偏置值(偏差值，bias values)等。

计算系统902可以基于DNN的输出确定对患者的肩部健康情况的治疗的建议。根据本公开的技术，DNN的输出元素包括与一个或多个肩部建议分类系统中的不同类别对应的输出元素。肩部建议分类系统可以包括关于患者的每种治疗类型的不同分类系统、或关于可能导致不同建议的不同病理学类型的不同分类。例如，不同的治疗可以包括解剖学肩置换和反向肩置换。然而，其他治疗或外科手术可能具有相应的分类系统。例如，Walch分类系统与Favard分类系统是两个不同的原发性肾小球骨关节炎分类系统。Warner分类系统与Goutallier分类系统是两个不同的肩袖分类系统。在一些实施例中，肩部病理学分类系统可以包括肩部病理学的更一般类别的分类，诸如下列中的一项或多项：原发性肩臼肱骨骨关节炎(PGHOA)、肩袖撕裂关节病(RCTA)不稳定性、大量肩袖撕裂(MRCT)、类风湿性关节炎、创伤后关节炎、以及骨关节炎。这些分类系统可以用于确定对治疗的建议。

例如，Walch分类系统规定了五个类别：1A、1B、2A、2B、以及3。作为另一实施例，Favard分类系统规定了五个类别：E0、E1、E2、E3、以及E4。作为又一实施例，Warner分类系统规定了肩袖萎缩的四个类别：无、轻度、中度、以及重度。作为又一实施例，Goutallier分类系统规定了五个类别：0(完全正常肌)、I(一些脂肪条纹)、II(肌肉量大于脂肪渗透)、III(肌肉量等于脂肪渗透)、IV(脂肪渗透量大于肌肉)。在其他实施例中，分类系统可以使用从患者特定的图像数据中所计算的脂肪渗透值或萎缩率。

在一些实施例中，计算系统902可以根据与由DNN生成的输出元素的值的比较而基于患者的肩部健康情况的诊断，确定对治疗的建议。例如，输出元素的值可以与置信值对应，其指示患者的肩部健康情况在与生成值的输出层神经元对应的类别中所属的置信水平。例如，输出元素的值可以是置信值或计算系统902可以基于输出元素的值计算置信值。

在一些实施例中，输出层神经元的输出函数生成置信值。进一步地，计算系统902可以识别哪一置信值是最高的。在该实施例中，计算系统902可以确定与最高置信值对应的肩部病理学类别是对当前患者的肩部健康情况的诊断。在一些实施例中，如果无置信值高于阈值，计算系统902则可以生成指示计算系统902不能做出决定性的诊断的输出。由此，计算系统902不能确定对治疗的建议。

如上面所提及的，在一些实施例中，DNN的输出元素包括置信值。在一个该实施例中，置信值函数输出置信值。置信值函数可以是DNN的输出层神经元的输出函数。在该实施例中，由置信值函数输出的所有可能的置信值在预定范围内。进一步地，在该实施例中，计算系统902可以对输入向量应用DNN，以生成输出向量。作为应用DNN的一部分，计算系统902可以针对多个输出层神经元中的每个相应的输出层神经元计算相应的输出层神经元的输出值。

然后，计算系统902可以利用相应的输出层神经元的输出值作为置信值函数的输入而应用置信值函数。置信值函数输出相应的输出层神经元的置信值。在该实施例中，对于多个输出层神经元中的每个相应的输出层神经元，与相应的输出层神经元对应的输出元素指定了相应的输出层神经元的置信值。进一步地，对于多个输出层神经元中的每个相应的输出层神经元，相应的输出层神经元的置信值是当前患者的肩部健康情况属于一个或多个肩部病理学分类系统中与输出元素(与相应的输出层神经元对应)对应的一类别的置信度的测量。

计算系统902可以使用各种置信值函数。例如，计算系统902可以应用输出预定范围内的值的双曲线正切函数、S形函数、或其他类型的函数。双曲线正切函数(tanh)具有形式γ(c)＝tanh(c)＝(e^c–e^-c)/(e^c+e^-c)。双曲线正切函数采用实值自变量，诸如输出层神经元的输出值等，并且将其变换成范围(–1,1)。S形函数具有形式γ(c)＝1/(1+e^-c)。S形函数采用实值自变量，诸如输出层神经元的输出值等，并且将其变换成范围(0,1)。

计算系统902可以使用多个训练数据集对DNN进行训练。每个相应的训练数据集可以与多个之前诊断的训练数据患者中的不同训练数据患者对应。例如，第一训练数据集可以与第一训练数据患者对应，第二训练数据集可以与第二训练数据患者对应等。就训练数据集可以包括关于患者的信息的意义而言，训练数据集可以与训练数据患者对应。训练数据患者可以是具有已诊断的肩部健康情况的真实患者。在一些实施例中，训练数据患者可以包括模拟患者。

每个相应的训练数据集可以包括相应的训练输入向量和相应的目标输出向量。对于每个相应的训练数据集，相应的训练数据集的训练输入向量包括多个输入元素中的每个元素的值。换言之，训练输入向量可以包括DNN的每个输入层神经元的值。对于每个相应的训练数据集，相应的训练数据集的目标输出向量可以包括多个输出元素中的每个元素的值。换言之，目标输出向量可以包括DNN的每个输出层神经元的值。

在一些实施例中，目标输出向量中的值基于置信值。该置信值进而可以基于由诸如整形外科医生等一个或多个经过训练的医疗专业人员所表达的置信水平。例如，可以向经过训练的医疗专业人员给出训练数据集的训练输入向量中的信息(或从其导出训练数据集的训练输入向量的信息)并且可以向经过训练的医疗专业人员进行咨询，以提供训练数据患者具有属于每个肩部病理学分类系统中的每个类别的肩部健康情况的置信水平。

例如，在肩部病理学分类系统包括Walch分类系统的实施例中，医疗专业人员可能指示她对训练数据患者的肩部健康情况属于类别A1的置信水平是0(即，她根本不相信训练数据患者的肩部健康情况属于类别A1)、指示她对训练数据患者的肩部健康情况属于类别A2的置信水平是0、指示她对训练数据患者的肩部健康情况属于类别B1的置信水平是0.75(即，她相当地置信训练数据患者的肩部健康情况属于类别B1)、指示她对训练数据患者的肩部健康情况属于类别B2的置信水平是0.25(即，她认为训练数据患者的肩部健康情况属于类别B2的机会较小)、并且可能指示她对训练数据患者的肩部健康情况属于类别C的置信水平是0。在一些实施例中，计算系统902可以对由医疗专业人员提供的置信值应用置信值函数的逆，以生成目标输出向量中所包括的值。在一些实施例中，由医疗专业人员提供的置信值是目标输出向量中所包括的值。

对于相同的训练数据患者具有属于每个肩部病理学分类系统中的每个类别的肩部健康情况，不同的医疗专业人员可能具有不同的置信水平。因此，在一些实施例中，目标输出向量中的值所基于的置信值可以是平均值或从由多个医疗专业人员提供的置信水平中以其他方式确定的。可以基于已识别的病理学、或从DNN确定的特征计算对治疗类型的建议的相似置信值。

在一些该实施例中，在置信水平的加权平均中可以给予一些医疗专业人员的置信水平比其他医疗专业人员的置信水平更大的权重。例如，可以给予杰出的整形外科医生的置信水平比其他整形外科医生的置信水平更大的权重。在另一实施例中，可以给予特定区域或医院中的医疗专业人员或训练数据患者的置信水平比其他区域或医院的医疗专业人员或训练数据患者更大的权重。有利地，该加权平均可以允许DNN根据各种标准和喜好进行调整。

例如，医疗专业人员可能优选使用经过训练的DNN，以使得通过具体的方式对置信水平进行加权。在训练数据集包括基于医疗专业人员的自身病例的训练数据集的一些实施例中，医疗专业人员(例如，整形外科医生)可能喜欢使用利用这样的训练数据集进行训练的DNN，在该训练数据集中，使用医疗专业人员自身的病例对医疗专业人员自身的病例进行更大加权或排他地加权。如此，DNN可以生成针对医疗专业人员的自身实践风格所定制的输出。而且，如上面所提及的，医疗专业人员与患者可以对计算系统的输出具有不同的置信程度。相应地，在一些实施例中，计算系统902可以提供指示DNN被训练为模拟医疗专业人员自身和/或具有特定置信的整形外科医生的决策的信息。

在一些实施例中，在生成不同的训练数据集时可以使用不同的医疗专业人员对同一训练数据患者的置信水平。例如，可以使用第一个医疗专业人员对于特定训练数据患者的置信水平生成第一训练数据集并且可以使用第二个医疗专业人员对于同一训练数据患者的置信水平生成第二训练数据集。

进一步地，在一些实施例中，计算系统902可以为一个或多个用户的输出提供置信值。例如，计算系统902可以为客户端设备904提供置信值以显示给一个或多个用户。如此，一个或多个用户能够更好地理解计算系统902如何可以获得对患者的肩部的治疗的诊断和/或建议。

在一些实施例中，为了扩展训练数据集全域，计算系统902可以从电子医疗记录自动生成置信值。例如，在一个实施例中，患者的电子医疗记录可以包括这样的数据，即，计算系统902可以从该数据形成输入向量，并且可以包括指示外科医生对患者肩部健康情况的诊断和所选择的肩部治疗的数据。在该实施例中，计算系统902可以从诊断中推断默认的置信水平。默认的置信水平可以具有各种值(例如，0.75、0.8等)。而该默认的置信水平可以不反映外科医生的实际置信水平，输入置信水平可以有助于增加可用训练数据集的数量，这可以提高DNN的准确度。

在一些实施例中，基于训练数据患者的健康结果对训练数据集进行加权。例如，如果与训练数据集相关联的训练数据患者具有全部积极的健康结果，则可以给予训练数据集较高的权重。然而，如果相关联的训练数据患者具有较不积极的健康结果，则可以给予训练数据集较低的权重。在训练过程中，计算系统902可以使用基于给予训练数据集的权重对训练数据集进行加权的损失函数。

在一些实施例中，作为生成训练数据集的一部分，计算系统902可以基于一个或多个训练数据集选择标准从训练数据集的数据库中选择多个训练数据集。换言之，如果训练数据集不满足训练数据集选择标准，计算系统902则可以从DNN的训练过程中排除特定的训练数据集。在图29的实施例中，数据存储系统910存储包含来自之前肩部外科手术病例的训练数据集的数据库914。

可能存在广泛的各种训练数据集选择标准。例如，在一个实施例中，一个或多个训练数据集选择标准可以包括哪个外科医生对多个训练数据患者进行手术。在一些实施例中，一个或多个训练数据集选择标准包括其中训练数据患者生活的区域。在一些实施例中，一个或多个训练数据集选择标准包括与一个或多个外科医生相关联的区域(例如，其中一个或多个外科医生实习、生活、获得执照、训练等的区域)。

在一些实施例中，一个或多个训练数据集选择标准包括训练数据患者的术后健康结果。在该实施例中，训练数据患者的术后健康结果可以包括下列中的一项或多项：术后运动范围、术后感染的存在、或术后疼痛。由此，在该实施例中，DNN基于此进行训练的训练数据集可以排除其中出现不利健康结果的训练数据集。

可以随着时间将额外的训练数据集添加到数据库并且计算系统902可以使用额外的训练数据集对DNN进行训练。由此，随着将更多的训练数据集添加到数据库，DNN可以随着时间继续改善。

计算系统902可以应用各种技术中的一种，以使用训练数据集对DNN进行训练。例如，计算系统902可以使用本领域中已知的各种标准反向传播算法中的一种算法。例如，作为训练DNN的一部分，计算系统902可以应用成本函数，以基于由DNN生成的输出向量与目标输出向量之差来确定成本值。然后，计算系统902可以在反向传播算法中使用成本值对DNN中的神经元的权重进行更新。如此，计算系统902可以对DNN进行训练，以基于诸如组织体积、体元分组、病前形状体积的输入，确定患者的软组织的各种特征(例如，脂肪渗透、萎缩率、运动范围等)。在一些实施例中，计算系统902可以对DNN进行训练，以使用来自患者特定的图像数据的输入和/或诸如可以从不同的DNN所确定的这些特征等软组织的确定特征，确定对肩部治疗的建议。在一些实施例中，计算系统902可以对DNN进行训练，以使用指示或与接受植入物的一个或多个骨骼(例如，肱骨头)的骨密度有关的骨密度度量，确定对肩部治疗的建议。例如，计算系统902可以使用与肱骨头相关联的患者特定的成像数据(例如，CT数据)和每个相应患者的肱骨植入物的外科医生选择类型(例如，有柄，可以包括或不包括柄的长度，或者无柄肱骨植入物)对DNN进行训练。该训练的输出是基于与新患者的肱骨头相关联的患者特定的图像数据的肱骨植入物的建议类型。如此，可以基于小梁骨的密度或与肱骨内的密度有关的其他特征确定肩部治疗和/或植入物的类型。

图30示出了可以通过具有图29中的系统的计算系统902实现的示例性DNN 930。在图30的实施例中，DNN 930包括输入层932、输出层934、以及位于输入层932与输出层934之间的一个或多个隐藏层936。在图30的实施例中，将神经元表示为圆形。尽管在图30的实施例中，将每层示出为包括六个神经元，然而，DNN 930中的层可以包括更多或更少的神经元。进一步地，尽管在图30中将DNN 930示出为完全连接的网络，然而，DNN 930可以具有不同的架构。例如，DNN 930可能不是完全连接的网络、可以具有一个或多个卷积层、或可以另外具有与图30中所示的不同架构。

在一些实现方式中，DNN 930能够是或包括一个或多个人工神经网络(也被简称为神经网络)。神经网络能够包括一组连接节点，其也能够被称为神经元或感知器。能够将神经网络组织成一层或多层。包括多层的神经网络能够被称为“深度”网络。深度网络能够包括输入层、输出层、以及位于输入层与输出层之间的一个或多个隐藏层。神经网络的节点能够连接或不完全连接。

DNN 930能够是或包括一个或多个前馈神经网络。在前馈神经网络中，节点之间的连接并不形成环路。例如，每个连接能够将来自前一层的节点连接至来自后一层的节点。

在一些实例中，DNN 930能够是或包括一个或多个递归神经网络。在一些实例中，递归神经网络中的至少一些节点能够形成环路。递归神经网络尤其能够用于处理本质上顺序性输入数据。具体地，在一些实例中，递归神经网络能够通过使用递归或定向循环节点连接将信息从输入数据序列的前一部分传递或保存至输入数据序列的后一部分。

在一些实施例中，顺序性输入数据能够包括事件序列数据(例如，随着时间的传感器数据或在不同时间捕获的影像)。例如，递归神经网络能够对随着时间的传感器数据进行分析，以检测或预测擦过(swipe)方向、以执行手写识别等。顺序性输入数据可以包括句子中的词语(例如，对于自然语言处理、语言检测或处理等)、乐曲中的音符、用户做出的顺序性动作(例如，以检测或预测顺序性应用使用)、顺序性目标状态等。示例性的递归神经网络包括长短期(LSTM)递归神经网络、门控递归单元、双向递归神经网络、连续时间递归神经网络、神经历史压缩器、回声状态网络、Elman网络、Jordan网络、递归神经网络、霍普菲尔德网络、完全递归网络、序列-序列配置等。

在一些实现方式中，DNN 930能够是或包括一个或多个卷积神经网络。在一些实例中，卷积神经网络能够包括使用已学习的过滤器对输入数据执行卷积的一个或多个卷积层。过滤器也能够被称为内核。卷积神经网络尤其能够用于诸如当输入数据包括诸如静止图像或视频等影像时的视觉问题。然而，卷进神经网络也能够应用于自然语言处理。

DNN 930可以是或包括诸如例如深度玻尔兹曼机、深度信念网络、堆叠的自动编码器等一种或多种其他形式的人工神经网络。能够对此处所述的任意神经网络进行组合(例如，堆叠)，以形成更复杂的网络。

在图30的实施例中，输入向量938包括多个输入元素。每个输入元素可以是数值。输入层932包括多个输入层神经元。输入层932中所包括的多个输入层神经元中的每个输入层神经元可以与多个输入元素中的不同输入元素对应。换言之，对于输入向量938中的每个输入元素，输入层932可以包括不同的神经元。

进一步地，在图30的实施例中，输出向量940包括多个输出元素。每个输出元素可以是数值。输出层934包括多个输出层神经元。多个输出层神经元中的每个输出层神经元与多个输出元素中的不同输出元素对应。换言之，输出层934中的每个输出层神经元与输出向量940中的不同输出元素对应。

输入向量938可以包括广泛的各种信息。例如，输入向量938可以包括患者的形态测量。在输入向量938包括患者的形态测量的一些实施例中，输入向量938可以基于诸如CT图像、MRI图像、或其他类型的图像等患者的医学图像确定测量。例如，计算系统902可以获得当前患者的医学图像(例如，患者特定的图像数据)。例如，计算系统902可以从成像机(例如，CT机、MRI机、或其他类型的成像机)、患者的电子医学记录、或另一数据源获得医学图像。如此处所述，在该实施例中，计算系统902可以对医学图像进行分割，以识别诸如软组织和骨骼等当前患者的内部结构，并且在一些实施例中，生成骨骼和/或软组织的患者特定的形状。进一步地，在该实施例中，计算系统902可以基于当前患者的已识别内部结构的相对位置对多次测量进行确定。在该实施例中，多个输入元素可以包括多次测量中的每次测量的输入元素。其他输入可以包括来自患者特定的图像数据的其他确定，诸如脂肪渗透值、萎缩率、和/或关节的运动范围值等。

如本公开中的其他地方所提及的，计算系统902可以包括一个或多个计算设备。因此，可以通过计算系统902中的计算设备的各种组合执行计算系统902的各种功能。例如，在一些实施例中，计算系统902中的第一计算设备可以对图像进行分割，计算系统902中的第二计算设备可以对DNN进行训练，计算系统902中的第三计算设备可以应用DNN等。在其他实施例中，计算系统902中的单个计算设备可以对图像进行分割、对DNN进行训练、并且应用DNN。

在一些实施例中，输入向量938可以包括基于患者的肩袖评估的信息(例如，与此处所述的零个或多个其他示例性的类型的输入数据组合)。例如，输入向量938可以单独或结合上述所述形态输入包括关于肩袖的脂肪渗透、肩袖的萎缩、和/或关于患者的肩袖的其他信息的信息。在一些实施例中，例如，可以通过本申请中所描述的任意软组织建模技术导出用作神经网络的输入的软组织的脂肪渗透测量和萎缩测量。在一些实施例中，可以在诸如Warner分类系统或Goutallier分类系统等肩部病理学分类系统中的类别方面表达关于患者的肩袖的信息。

在一些实施例中，输入向量938可以包括(例如，结合此处所述的零个或多个其他示例性的类型的输入数据)患者的运动范围信息。如本公开中的其他地方所描述的，在一些实施例中，可以使用运动跟踪设备生成患者的运动范围信息。如此处所述，在其他实施例中，可以从患者特定的图像数据的分析中确定一个或多个运动范围值。

进一步地，在一些实施例中，输入向量938可以包括(例如，结合此处所述的零个或多个其他示例性的类型的输入数据)指定在一个或多个肩部病理学分类系统中的一类别的信息。在该实施例中，输出向量可以包括与肩部治疗的一个或多个不同的肩部建议中的类别对应的输出元素。例如，输入向量938可以包括指定肩袖肌分类系统中的一类别的信息并且输出向量940可以包括与所建议的类型的肩部治疗(例如，解剖学或反向肩置换)对应的输出元素。

在一些实施例中，输入向量938可以包括(例如，结合此处所述的零个或多个其他示例性的类型的输入数据，包括形态输入和/或肩袖输入)指定肱骨和/或肩臼的骨密度得分的信息。输入向量938中所包括的其他信息可以包括诸如患者年龄、患者活动、患者性别、患者体重指数(BMI)等人口统计信息。在一些实施例中，输入向量938可以包括关于症状的发作速度(例如，逐渐或突然)的信息。输入向量938中的多个输入元素还可以包括参与诸如特定锻炼/运动类型、运动范围等活动的患者目标。

在一些实施例中，输出向量可以包括多种外科手术类型的输出元素。每种外科手术类型的输出元素可以与不同类型的肩部外科手术对应。可以作为输出呈现的示例性类型的肩部外科手术类型可以包括无柄的标准全肩关节成形术、有柄的标准全肩关节成形术、无柄的反肩关节成形术、有柄的反肩关节成形术、增强性的肩臼标准全肩关节成形术、增强性的肩臼反肩关节成形术、以及其他类型的整形肩外科手术。就外科手术之后，患者的肩关节具有标准的解剖学构造方面而言，其中，肩关节的肩胛侧具有凹面并且肩部外科手术的肱骨侧具有凸面，肩部外科手术可以是“标准的”。另一方面，“反向”肩外科手术产生相反的构造，其中，凸面附接至肩胛并且凹面附接至肱骨。

此外，计算系统902可以基于当前输出向量确定对患者的肩部外科手术的建议类型。例如，计算系统902可以确定输出向量中的哪个输出元素与具有最大的置信值的肩部外科手术的类型对应。

图31是示出根据本公开的技术的使用DNN确定对患者的肩部外科手术的建议类型的计算系统的示例性操作的流程图。在图31的实施例中，计算系统902生成多个训练数据集(950)。在该实施例中，DNN具有输入层、输出层、以及位于输入层和输出层之间的一个或多个隐藏层。输入层包括多个输入层神经元。多个输入层神经元中的每个输入层神经元与多个输入元素中的不同输入元素对应。输出层包括多个输出层神经元。

多个输出层神经元中的每个输出层神经元与多个输出元素中的不同输出元素对应。多个输出元素包括多种外科手术类型的输出元素。多种外科手术类型的输出元素中的每种外科手术类型的输出元素与多种类型的肩部外科手术中的不同类型的肩部外科手术对应。每个相应的训练数据集与多个训练数据患者中的不同训练数据患者对应，并且包括相应的训练输入向量和相应的目标输出向量。对于每个相应的训练数据集，相应的训练数据集中的训练输入向量包括多个输入元素中的每个元素的值。对于每个相应的训练数据集，相应的训练数据集中的目标输出向量包括多个输出元素中的每个元素的值。

进一步地，在图31的实施例中，计算系统902使用多个训练数据集对DNN进行训练(952)。此外，计算系统902可以获得与当前患者对应的当前输入向量(954)。计算系统902可以对当前输入向量应用DNN，以生成当前输出向量(956)。计算系统902可以基于当前输出向量确定对当前患者的肩部外科手术的建议类型(958)。计算系统13/208可以根据本公开中的其他地方所提供的实施例执行这些活动。

图32是与患者的肩部1000有关的示例性骨骼的例图。如图32的实施例中所示，肩部1000包括肱骨1004、肩胛1010、以及锁骨1016。肱骨1004的轴1006连接至肱骨头1008，并且肱骨头1008与肩臼1012构成盂肱关节1002。肩胛1010的肩峰1014在肩峰-锁骨关节处附接至锁骨1016。

肱骨头1008、肩臼1012、和/或肱骨头1008与肩臼1012之间的结缔组织可能由于磨损和/或疾病而随着时间退化。在一些情况下，患有盂肱关节1002的退化的患者可能因肩置换术而获益，在肩置换术中，至少肱骨头1008、肩臼1012、或两者的一部分被人造植入物置换。例如，肱骨头1008可能被切割，以暴露肱骨头1008内的较低密度的小梁骨。可以将肱骨植入物插入到小梁骨中，以将新的肱骨植入物固定至肱骨1004的轴1006。

图33A、图33B、以及图33C是准备用于肱骨植入物的示例性肱骨头1022的概念图。如图33A中所示，作为肩部关节成形术程序的一部分，临床医生可以通过从视觉上评估(例如，“眼球化”)并且标记肱骨头1020的解剖颈1024而执行肱骨1020的肱骨头1022的切除术的外科手术步骤。解剖颈1024可以指二等分肱骨头1022的一部分的平面，以创建或暴露肱骨植入物能够附接至肱骨1020的表面。然后，如图33B中的实施例所示，临床医生可以在无机械或视觉引导的情况下通过使用临床医生自由的手沿着所标记的解剖颈1024引导切割工具1026(例如，振荡锯的刀片)而执行肱骨头1022的切除。在完成肱骨头1022的切除之后，沿着与解剖颈1024对应的平面暴露小梁骨区域1028。通常，可以将肱骨植入物插入到小梁骨区域1028的一部分中并且固定在适当的位置。小梁骨区域1028的密度、或小梁骨区域1028的体积内的密度变化可以影响肱骨1020能够使用什么类型的肱骨植入物。例如，相比于可能需要肱骨植入物上的更长的柄的密度更低、或更软的小梁骨，更大密度的小梁骨区域1028可以支撑具有更短“柄”的肱骨植入物的肱骨植入物。

图34是旨在用于解剖学肩置换程序的示例性肱骨植入物的概念图。在全肩关节成形术外科手术中(例如，肩置换或肩部治疗的类型)，可以主要通过植入物的骨干柄的固定而确定肱骨轴内的肱骨植入物机械固定强度。当引入肱骨植入物的柄时，柄的植入能够使得轴在钻孔、扩孔、拉孔过程中遭受较高的机械力、以及其他钝的冲击力。这些程序可能导致与术中骨折(肱骨骨干)相关的并发症，以及术后松动和经常导致修正手术的应力避开。用于修正的肱骨头植入物提取也可能是困难的，尤其当使用骨水泥植入时。

无柄肱骨植入物或具有较短柄的肱骨植入物通过避免在肱骨的轴或轴的各部分中植入，能够消除潜在的轴断裂并且允许保存天然骨料---在修正的情况下这是有益的。无柄设计还能够使得外科医生独立于肱骨轴取向而恢复肩臼-肱骨旋转中心并且避免与柄植入有关的并发症。可以主要在肱骨头与其中的小梁骨网内实现无柄肱骨植入物的骨骼固定。

用于节省导管的无柄肱骨植入物的禁忌症可能包括差的骨骼质量(骨质减少、骨质疏松)、其他代谢性的骨骼疾病(囊肿、肿瘤等)、或可能影响骨支撑、向内生长、以及金属组分的整合的先前骨折的存在。如此，股骨头内的骨骼的密度(诸如不同骨密度的密度和/或位置等)可能需要足以支撑一种更短的骨干或无柄的股骨植入物类型。外科医生可以使用“拇指测试”作为主要的术中评估工具，由此用拇指按压肱骨头的颈部切口的表面(近端肱骨组织病)能够确定用于植入的基底活力。该基底活力可能涉及或表示为肱骨头内的小梁骨的密度。换言之，能够使用外科医生的拇指评估肱骨头内的小梁骨的骨骼密度。用最小的力容易压缩的骨骼(例如，低密度)被视为不可接受无柄部件植入。不容易被压缩或提供较高弹性(例如，较高密度)的骨骼可以被视为可接受无柄类型的肱骨植入物。

如此，外科医生可以基于“拇指测试”的结果做出无柄或有柄(或甚至柄的长度)的选择。如此处所述，与肱骨头骨骼质量有关的历史数据(诸如密度、压缩率、有柄或无柄植入物的选择、或支撑植入物的肱骨头的另外合适的性质等)可能与这些患者的患者特定的成像数据关联。例如，这种关联可以将强度阈值、霍恩斯菲尔德单位的范围、或与特定患者的CT数据的肱骨头中的体元的标准的强度偏差映射至由患者针对这些相应的患者而选择的肱骨植入物的类型。一旦完成关联，系统则可以使用这种关联，以基于映射至每种类型的肱骨植入物的CT数据建议具体类型的肱骨植入物。如此，如此处所述，系统能够基于患者特定的图像数据的分析(例如，体元或一组体元的强度量级和/或量级位置)建议具体类型的肱骨植入物(例如，有柄、无柄、和/或柄的长度)。

如图34中的实施例所示，肱骨植入物1040是具有被配置为接触肩臼或肩臼植入物的滑行表面1042的“无柄”肱骨植入物的实施例。固定结构1044包括被配置为嵌入到小梁骨1028中来固定肱骨植入物1040的突起，但是，不存在向下延伸至肱骨的轴附近或中的柄。

肱骨植入物1050是“有柄”肱骨植入物的实施例，但是，柄固定结构1054包括便于将肱骨植入物1050锚定至肱骨的小梁骨中的短柄。肱骨植入物1050包括被配置为接触肩臼或肩臼植入物的滑行表面1052。肱骨植入物1060是“有柄”肱骨植入物的实施例，但是，柄固定结构1064包括便于将肱骨植入物1060锚定至肱骨的小梁骨中的长柄。肱骨植入物1060包括被配置为接触肩臼或肩臼植入物的滑行表面1062。当小梁骨从于健康骨骼而损伤以使得需要提供充分锚定肱骨植入物的柄时，可以使用肱骨植入物1050和1060。例如，小梁骨可能不提供锚定肱骨植入物1040的充分骨骼密度并且因此可以代替为为患者建议或选择类似肱骨植入物1050或1060的“有柄”肱骨植入物。

对于具有最低密度的小梁骨或另外需要更大稳定性的肱骨，可以使用长柄的固定结构1064。相反，当小梁骨的密度足够高而充分地锚定肱骨植入物与无柄固定结构1044时，可以使用肱骨植入物1040。与固定结构1044相似的无柄设计的益处可能在于，需要移除肱骨中的小梁骨较少、以及愈合较快、以及柄扩孔和/或插入到肱骨的过程中的皮质骨的损伤风险较低。

然而，直至已经切除并且手动操纵肱骨头时，临床医生才能够确定肱骨头内的小梁骨是否能够如肱骨植入物1040一样支撑无柄设计。如此处所述，系统可以使用患者特定的图像数据(例如，CT数据)确定肱骨头小梁骨密度度量，以辅助外科手术之前的肩置换计划。如此，示例性的技术为各种实际应用提供了使用计算分析改善确定骨骼密度的方式而减少外科手术时间(例如，确定已经选择使用什么样的肱骨头类型)和/或在外科手术之前提高肱骨头植入物类型的选择准确度(例如，改善术前计划)的技术。

图35是被植入肱骨1072内的示例性的有柄肱骨植入物1080的概念图1070。如图35中的实施例所示，有柄肱骨植入物1080包括滑行(glide，滑动)表面1084和柄1080。柄1080已经插入到小梁骨1078中，以将肱骨植入物1080锚定至肱骨头1076。尽管柄1080可以是与图34中的肱骨植入物1050相似的短柄，然而，柄1080仍可以至少部分地插入在肱骨轴1074内。示例性的肱骨植入物1080可以与由田纳西孟菲斯的Wright Medical Group N.V.制造的Aequalis Ascend^TM Flex相似。

图36是被植入在肱骨头1110上的示例性的无柄肱骨植入物1112的概念图1100。如图36中的实施例所示，无柄肱骨植入物1112包括滑行表面1116和固定结构1114。固定结构1114已经无柄地嵌入到肱骨头1110的小梁骨中。肱骨植入物1112可以与图34中的肱骨植入物1040相似。示例性的肱骨植入物1112可以与由田纳西孟菲斯的Wright Medical GroupN.V.制造的Simpliciti^TM肩部系统相似。滑行表面1112可以被配置为接触被植入到肩胛1102的肩臼表面中的肩臼植入物1106。因为肱骨植入物1112包括与健康的肱骨头的球形表面相似的球形表面，所以无柄肱骨植入物1112与肩臼植入物1106可以是解剖学肩置换的一部分。

图37是示例性的反向肱骨植入物1124的概念图。反向肱骨植入物1124可以被构造成有柄(与肱骨植入物1050或1060相似)或无柄设计(与植入物1040相似)并且被植入到肱骨1020的肱骨头1122中。然而，反向肱骨植入物1124在形状上具有凹陷并且旨在接触对应的肩臼植入物的球形或凸起形状的接触表面的滑行表面。系统可以基于软组织结构的特征(例如，肩袖肌或其他肩部肌肉的一块或多块肌肉)和/或肱骨头1122的骨密度建议包括反向肱骨植入物1124的反向肩置换。

图38是示出根据本公开的实施例的被配置为从患者特定的图像数据确定所评估的骨密度的系统1140的示例性部件的框图。系统1140以及其中的部件可以与图6中描述的系统540和部件和/或图1中的虚拟计划系统102相似。如此，系统540或虚拟计划系统102可以执行归属于此处的系统1140的功能。

如图38中的实施例所示，系统1140可以包括处理电路1142、电源1146、显示设备1148、输入设备1150、输出设备1152、存储设备1154、以及通信设备1144。显示设备1148可以显示影像，以将诸如不透明或至少部分透明的屏幕等用户界面呈现给用户。显示设备1148可以呈现视觉信息，并且在一些实施例中，呈现给用户的音频信息或其他信息。例如，显示设备1148可以包括一个或多个扬声器、触觉设备等。在其他实施例中，输出设备1152可以包括一个或多个扬声器和/或触觉设备。显示设备1148可以包括不透明的屏幕(例如，LCD或LED显示器)。可替代地，显示设备1148可以包括MR可视化设备，例如，包括透视全息透镜，以结合投影仪，以允许用户透过透镜看到现实世界的环境中的现实世界的物体并且还通过例如诸如微软HOLOLENS^TM设备等全息投影系统看到被投影到透镜中和用户的视网膜上的虚拟3D全息影像。在该实施例中，虚拟3D全息对象看似可以放置在现实世界的环境中。在一些实施例中，显示设备1148包括诸如LCD显示屏幕、OLED显示屏幕等一个或多个显示屏幕。用户界面可以呈现特定患者的虚拟外科手术计划的细节的虚拟图像，诸如与骨密度有关的信息等。

输入设备1150可以包括一个或多个麦克风以及相关联的语言识别处理电路或软件，可以识别由用户发出的语音命令并且响应地执行各种操作中的任意操作，诸如与外科手术计划、术中引导等相关联的各种功能的选择、激活、或禁用等。作为另一实施例，输入设备1150可以包括检测并且解释姿势以执行上述所述操作的一个或多个摄像机或其他光学传感器。作为又一实施例，输入设备1150包括感测注视方向并且执行如本公开中的其他地方所描述的各种操作的一个或多个设备。在一些实施例中，输入设备1150可以经由例如包括一个或多个按钮、键区、键盘、触摸屏、操纵杆、轨迹球、和/或其他手动输入介质的手持式控制器接收来自用户的手动输入并且响应手动用户输入而执行上述所述各种操作。

通信设备1144可以包括便于与其他设备进行数据通信的一个或多个电路或者其他部件。例如，通信设备1144可以包括一个或多个物理驱动器(例如，DVD、蓝光、或通用串行总线(USB)驱动器)，以在物理地连接至系统1140时允许在系统1140与驱动器之间传输数据。在其他实施例中，通信设备1144可以包括。通信设备1144还可以支持与另一计算设备和/或网络的有线和/或无线通信。

存储设备1154可以包括将相应类型的数据存储在共同和/或单独的设备中的一个或多个存储器和/或储存库。例如，用户界面模块1156可以包括定义系统1140如何控制显示设备1148以将诸如与肱骨的骨密度有关或与外壳手术治疗的建议相关联的信息等信息呈现给用户的指令。术前模块1158可以包括关于诸如成像数据等患者数据的分析和/或基于患者数据的治疗选项的确定的指令。术中模块1160可以包括定义系统1140如何在向临床医生提供诸如关于所计划的外科手术的细节和/或关于外科手术程序的反馈等用于显示的信息时进行操作的指令。患者数据1166可以是存储患者特定的图像数据的储存库。

骨密度建模模块1162可以包括定义处理电路1142如何确定诸如肱骨头等至少一个或多个骨骼的一部分的一个或多个骨密度度量的指令。例如，骨密度建模模块1162可以基于患者特定的患者数据(例如，CT图像数据)内的体元的强度确定骨密度度量。处理电路1142可以执行骨密度建模模块1162，以根据单个或一组像素或体元的强度的预定范围(例如，霍恩斯菲尔德单位)确定一组像素或体元的不同骨密度类别。在一些实施例中，处理电路1142可以基于患者特定的图像数据内的体元的标准偏差生成骨密度度量。骨密度度量可以包括跨肱骨头的二维或三维区域的不同骨密度值。在一些实施例中，骨密度度量可以是基于跨肱骨头或肱骨头的一定区域中的平均像素或体元强度所确定的单一值。在一些实施例中，骨密度建模模块1162可以包括确定肱骨植入物的类型(例如，有柄或无柄)和/或肱骨植入物能够植入到肱骨头内的位置的指令。实际上，骨密度度量可以不指示骨骼的密度，而是可以是表示骨密度的度量。例如，骨密度度量可以仅指示与所分析的患者特定的图像数据对应的植入物的类型(例如，有柄或无柄)。作为另一实施例，骨密度度量可以包括来自图像数据的体元强度、来自图像数据的体元强度的标准偏差、压缩性、指标、或与密度有关或表示密度的一些其他指示，而无需实际提供骨骼的密度测量。

处理电路1142可以执行校准模块1164，以针对患者特定的图像数据和来自历史性外科手术的其他患者的所选择的植入物类型(例如，基于该外科手术过程中的拇指测试信息历史所选择的植入物类型)对骨密度度量进行校准。历史上，临床医生可以使用其拇指按压肱骨头内的小梁骨(通过切割头而暴露)来确定小梁骨的刚度并且由此确定小梁骨的密度。可以执行该拇指测试，以识别肱骨植入物需要什么类型的柄(如有)。校准模块1164可以使用从历史性患者所获得的该拇指测试数据而使基于拇指测试程序所做出的肱骨植入物类型的已知外科手术决策与相应的同一患者的患者特定的图像数据相关联，以确定当前患者的骨密度度量。如此，校准模块1164可以用于识别与相应的肱骨植入物类型对应的骨密度度量的一个或多个范围。例如，利用校准模块1164，处理电路1142可以确定无柄肱骨植入物1040是否用于第一范围内的骨密度度量、短柄肱骨头1050是否用于第二范围内的骨密度度量、以及长柄肱骨头1060是否用于第三范围内的骨密度度量。

如上面所讨论的，外科手术生命周期300可以包括术前阶段302(图3)。一个或多个用户可以在术前阶段302中使用整形外科手术系统100。例如，整形外科手术系统100可以包括虚拟计划系统102(可以与系统1140相似)，以帮助一个或多个用户生成针对特定患者的感兴趣解剖结构所定制的虚拟外科手术计划。如此处所述，虚拟外科手术计划可以包括与特定患者的感兴趣的解剖结构对应的三维虚拟模型和与特定患者匹配来修复感兴趣的解剖结构或选择为修复感兴趣的解剖结构的一个或多个假体部件(例如，植入物)的三维模型。虚拟外科手术计划还可以包括在执行外科手术程序时引导外科医生的引导信息的三维虚拟模型，例如，在准备骨骼表面或组织并且相对于该骨骼表面或组织放置可植入的假体硬件时。

如此处所讨论的，处理电路1142可以被配置为基于该患者的患者特定的图像数据确定患者的肱骨头的至少一部分的骨密度度量。例如，骨密度度量可以是肱骨头的整体密度或肱骨头的一部分的单一指示。作为另一实施例，骨密度度量可以包括患者的肱骨头的相应部分的骨密度值。系统可以经由用户界面模块1156控制用户界面呈现骨密度度量的图形表示(可以直接或间接地指示骨密度)和/或基于骨密度度量生成对肱骨头的植入类型的建议。例如，指示肱骨头中的足够的小梁骨密度的骨密度度量可以产生建议与有柄肱骨植入物相反的无柄肱骨植入物的系统。

在一个实施例中，处理电路1142可以被配置为通过诸如对骨骼进行分割或以其他方式识别指示肱骨头的标志或形状而识别患者特定的图像数据中的肱骨头。然后，处理电路1142可以基于患者特定的图像数据确定表示肱骨头的至少一部分的骨密度的骨密度度量。基于该骨密度度量，处理电路1142可以生成对患者的肱骨植入物类型的建议。例如，处理电路1142可以建议有柄肱骨植入物(有柄植入类型)用于指示较低密度骨骼的骨密度度量并且处理电路1142可以建议无柄肱骨植入物(无柄植入类型)用于指示较高密度骨骼的骨密度度量。然后，处理电路1142可以输出对患者的肱骨植入物类型的建议以经由用户界面进行显示。

在一些实施例中，处理电路1142可以确定包括有柄肱骨植入物类型的柄长度。处理电路1142可以确定需要较长的柄来足以锚定至肱骨的较不致密的骨骼或确定肱骨内较不致密的小梁骨的位置需要较长的柄。可以识别并且将柄长度自身呈现给用户，或者处理电路1142可以建议满足所建议的长度范围的特定肱骨植入物。如此，处理电路1142可以基于从患者特定的图像数据确定的骨密度度量，建议在三种或多种不同类型的肱骨植入物之间所选择的特定植入物或植入物类型。

在一些实施例中，骨密度度量可以表示肱骨头的至少一部分内的小梁骨的整体密度得分(例如，基于来自图像数据的体元或像素值的值、指数、或类别)。例如，处理电路1142可以确定肱骨头的区域的平均或加权平均密度并且为肱骨头的该区域分配具体的度量值。在其他实施例中，可以确定指示在区域中找出的最低密度的骨骼的骨密度度量，以建立该区域的骨密度的下限。相反，骨密度度量可以指示肱骨头的该区域中的最高密度。骨密度度量可以包括肱骨头内的相应部分的多个骨密度值。例如，骨密度度量可以包括肱骨头的区域内的密度值矩阵，即，包括相应的体元或一组体元的特定骨密度值。如此，骨密度度量可以提供肱骨头内的骨密度的更高分辨率表示。在任意情况下，骨密度度量可以指示实际的骨密度值、图像数据强度、和/或所建议的植入物类型。

处理电路1142可以使用不同的技术确定骨密度度量。在一些实施例中，处理电路1142可以通过基于患者特定的图像数据识别肱骨头的至少一部分内的相应体元的强度、将相应体元的强度分类成两个或多于两个强度水平中的一个、基于在两个或多于两个强度水平的每个水平内所分类的体元的数量或在两个或多于两个强度水平的每个水平内所分类的体元的肱骨头的位置中的至少一个确定骨密度度量，来确定骨密度度量。如此，处理电路1142可以被配置为将患者特定的图像数据中的不同强度分类成不同的强度水平和/或这些强度水平的位置，以确定骨密度度量。例如，强度水平的位置可能与小梁骨是否致密而足以支撑无柄肱骨植入物有关。如果小梁骨具有较低的整体骨密度，但是，肱骨头的中心仍位于需要支撑无柄肱骨植入物的阈密度以上，处理电路1142仍可以确定骨密度度量足以支撑无柄肱骨植入物。在其他实施例中，即使具有一定相对高的骨密度水平，如果在植入无柄肱骨植入物的位置识别较低密度的小梁骨的袋，处理电路1142也可以确定骨密度度量指示需要有柄肱骨植入物。

在一些实施例中，处理电路1142可以确定整个肱骨头内的小梁骨的体积的骨密度度量。在其他实施例中，处理电路1142可以确定通过肱骨头并表示在肱骨中所做出的肱骨切口的平面，以准备用于接受肱骨植入物的肱骨。该肱骨切口暴露其中植入肱骨植入物的小梁骨的表面。然后，处理电路1142确定通过平面而二等分的肱骨头的至少一部分的骨密度度量。在一些实施例中，处理电路1142可以确定与平面对应的像素或体元的骨密度度量(例如，通过平面暴露或通过平面二等分)。在其他实施例中，处理电路1142可以确定从平面开始并且朝向肱骨的轴延伸的小梁骨的体积的骨密度度量。在一些实施例中，所分析的小梁骨的体积可以向上延伸至限定肱骨的外表面的皮质骨。

在一些实施例中，可以经由用户界面(诸如使用用户界面模块1156等)显示骨密度度量。处理电路1142可以输出这样的用户界面供显示设备1148或另一系统的显示设备进行显示，用户界面包括位于患者的肱骨头的至少一部分的表示上的骨密度度量的图形表示。骨密度度量的图形表示可以包括二维或三维图形，其可以包括在肱骨的小梁骨上方或代替肱骨的小梁骨所显示的一个或多个形状或颜色。在一个实施例中，骨密度度量可以包括多种颜色的热图，其中，多种颜色中的每种颜色表示不同范围的骨密度值。如此，不同的颜色可以表示指示小梁骨的该体积内的骨密度变化的空间表示的不同骨密度量级。骨密度度量的图形表示可以包括肱骨头的平面内的骨密度变化的二维表示。在其他实施例中，骨密度度量的图形表示可以包括肱骨头的至少小梁骨内的骨密度变化和的三维表示。在一些实施例中，显示设备1148可以包括混合现实显示器，并且处理电路1142可以控制混合现实显示器呈现包括骨密度度量的图形表示的用户界面。

在一些实施例中，骨密度度量可以与来自其他历史患者的骨密度数据(例如，图像数据或指示肱骨头中的骨骼结构的其他数据)及临床医生针对该具体骨骼密度数据所选择的肱骨植入物的类型相关联。可以使用每个患者的患者特定的图像数据和外科医生针对每个相应的患者所选择的肱骨植入物的最终类型而针对这些历史患者生成骨密度数据(例如，可以基于“拇指测试”，其中，临床医生使用其拇指来按压肱骨头中的小梁骨并且将小梁骨分类为足以或不足以用于无柄肱骨植入物)。处理电路1142可以利用基于拇指测试所选择的这些植入物类型而将骨密度度量分类为适合于或不适合于未来患者的无柄肱骨植入物。如此，处理电路1142可以使骨密度度量与外科医生在之前对其他受试者执行的外科手术中所选择的肱骨植入物的类型相关联，其中，拇指测试数据指示其他受试者的相应肱骨头内手动确定的小梁骨的密度范围(或表示骨密度的压缩率)。基于该关联性，处理电路1142可以确定对患者的肱骨植入物类型的建议。在一些实施例中，处理电路1142可以采用一个或多个神经网络，以使之前所选择的植入物类型与相应的患者特定的图像数据相关联，以确定指示未来患者可用的每种类型的植入物的骨密度度量。例如，处理电路1142可以使用骨密度度量、患者特定的图像数据、以及所选择的肱骨植入物类型(有柄、无柄、和/或柄的长度)作为神经网络的输入。神经网络的输出可以是与肱骨植入物类型对应的这些骨密度度量。

在一些实施例中，处理电路1142可以使用软组织特征和骨密度度量生成对患者的肩部外科手术建议。例如，处理电路1142可以基于患者特定的成像数据确定一个或多个软组织特征(例如，软组织体积、脂肪渗透比、萎缩率、和/或运动范围值)以及与患者的肱骨相关联的骨密度度量。如此处所述，处理电路1142可以生成对患者所执行的肩部外科手术类型的建议(例如，解剖学或反向肩外科手术)并且基于与肱骨相关联的骨密度度量生成对患者的肱骨植入物类型的建议。然后，处理电路1142可以输出对患者的肩部外科手术类型和肱骨植入物类型的建议以进行显示。在一些实施例中，用户界面可以包括一个或多个软组织特征和/或与肱骨相关联的骨密度度量的表示作为混合现实用户界面的一部分。

图39A是示出用于基于骨密度确定肱骨植入物的类型的示例性程序的流程图。将系统1140中的处理电路1142描述为执行图39A中的实施例，但是，诸如系统542或虚拟计划系统102等其他设备或系统可以执行本技术的一个或多个部分。进一步地，两个或多于两个设备和/或系统的组合可以经由分布式系统执行本技术的一些部分。参考三维数据集对图39A中的过程进行描述，但是，在其他实施例中，可以通过相似的方式对若干二维切片数据进行分析。

如图39A中的实施例所示，处理电路1142可以获得诸如三维CT图像数据等患者特定的图像数据(例如，从存储器或其他系统)(1200)。然后，处理电路1142可以对患者特定的图像数据中的肱骨头进行识别(1202)。例如，处理电路1142可以对骨骼进行分割，以识别肱骨头或确定指示肱骨头的标志或形状。使用肱骨头的患者特定的图像数据，处理电路1142可以基于患者特定的图像数据中的体元或一组体元的强度确定肱骨头的至少一部分的骨密度度量(1204)。骨密度度量可以是指示肱骨头内的小梁骨的整体密度的整体度量，或者骨密度度量可以包括表示肱骨头的区域内的一组体元中的每个体元的密度的值。

然后，处理电路1142可以基于骨密度度量确定对肱骨植入物类型的建议(1206)。例如，当骨密度度量指示或表示小梁骨的密度足够高而支撑无柄肱骨植入物时，处理电路1142可以确定建议是无柄肱骨植入物。建议可以基于可能由处理电路1142(基于与患者之前接收的肱骨植入物有关的历史数据)开发的选择算法(例如，一个或多个表格、等式、或诸如神经网络等机器学习算法)。例如，历史数据可以包括患者特定的图像数据(例如，CT数据)和外科医生针对相应的患者所选择(例如，经由使用拇指测试来确定肱骨头中的小梁骨质量或密度)的肱骨植入物的类型(例如，无柄或有柄)。在一个实施例中，表格可以将体元强度或一组体元强度映射至有柄或无柄植入物类型的建议。在另一实施例中，第一表格可以将体元强度映射至密度值，并且第二表格可以将密度值映射至有柄或无柄植入物类型的建议。系统可以使用图像数据到植入物选择的这种映射，以基于该患者的图像数据通知对新患者的植入物类型的建议。然后，处理电路1142可以输出对肱骨植入物类型的建议(1208)。可以发送建议供另一次建议中使用或显示给用户。

图39B是示出用于将神经网络应用于患者特定的图像数据来确定肱骨植入物的柄尺寸的示例性程序的流程图。将系统1140中的处理电路1142描述为执行图39B中的实施例，但是，诸如系统542或虚拟计划系统102等其他设备或系统可以执行本技术的一个或多个部分。进一步地，两个或多于两个设备和/或系统的组合可以经由分布式系统执行本技术的一些部分。参考三维数据集描述了图39B中的过程，但是，在其他实施例中，可以通过相似的方式对若干二维切片数据进行分析。

如图39B中的实施例所示，处理电路1142可以获得诸如三维CT图像数据等患者特定的图像数据(例如，从存储器或其他系统)(1210)。然后，处理电路1142选择应用于神经网络的患者特定的图像数据的一个或多个子集(1212)。例如，处理电路1142可以选择与肱骨的一个或多个解剖区域对应的三维CT图像数据的特定部分。在一些实施例中，三维CT图像数据可以指示骨密度。然后，处理电路1142对患者特定的图像数据的选择子集应用神经网络(1214)。

神经网络可以包括或基于卷积神经网络(CNN)。如上面所讨论的，卷积神经网络能够包括使用学习过滤器对输入数据执行卷积的一个或多个卷积层。还能够将过滤器称为内核。卷积神经网络尤其能够用于诸如当输入数据包括静止图像时的视觉问题，诸如三维CT数据或诸如MRI数据等其他成像形态等。

示例性的CNN可以包括摄取网络(例如，摄取V网)、残余神经网络(例如，ResNet)、或包括基于与之前肱骨诊断和/或肱骨植入数据有关的先前数据所应用的迁移学习技术的其他类型的网络。在一些实施例中，CNN可以包括N个卷积层、之后的M个全连接层。每层可以包括一个或多个过滤器，并且层可以是堆叠的卷积层。在一些实施例中，可以指定一个或多个过滤器用于皮质骨，而指定其他的一个或多个过滤器用于松质(例如，小梁)骨。CNN的层可以被构建成对从干骺端到肱骨的骨干的若干骨骼区域进行评估。

处理电路1132或另一处理器可以训练CNN进行肱骨柄尺寸预测，可以包括：针对数十、上百、或上千个测试图像(例如，CT扫描图像)训练模型。输出可以是在外科手术过程中或之后所采集的临床数据，诸如柄尺寸和填充比(即，肱骨导管与所填充的肱骨植入物的柄之比)等。柄尺寸可以指定肱骨植入物的长度和/或横截面宽度或面积。可以将较短的柄尺寸称为无柄肱骨植入物，而可以将较长的柄尺寸称为有柄肱骨植入物。CNN还可以包括一个或多个超参数。可以使用若干不同类型的超参数来减少平均分类比。一个示例性的超参数可以包括非线性部分的修正线性单元(ReLU)，而非诸如Tanh或Sigmond函数等传统的较慢解决方案。CNN的学习速率可以取决于本质上自适应的梯度下降算法的一个或多个变量，诸如其中学习速率基于被反馈到CNN中的类型数据而自适应的Adagrad、Adadelta、RMSprop、或Adam等。数据的批量大小可以取决于针对CNN所选择的学习速率。CNN可以利用根据性能所测试的动量值。在一个实施例中，可以从0.90至0.99的范围中选择动量值。然而，在其他实施例中，可以选择其他动量值。由于相对小的训练数据集，CNN可以包括较大的权重值。然而，对于其他类型的训练数据集，这些权重可能不同。

CNN可以根据CNN所应用的三维患者特定的图像数据而输出肱骨植入物的柄尺寸(1216)。柄尺寸可以包括柄长度和/或横截面尺度(例如，直径、周长、面积、或其他该参数)。如此，可以选择与患者的小梁骨和/或肱骨的松质骨的具体尺度和/或骨密度对应的已确定柄尺寸。基于柄尺寸，处理电路1132可以输出对患者的肱骨植入物类型的建议(1218)。如此，处理电路1132可以确定有柄或无柄的肱骨植入物是否适合用于治疗患者。在一些实施例中，CNN可以应用于从患者特定的成像数据所确定的骨密度度量。在其他实施例中，可以使用CNN代替骨密度度量，以使得CNN可以根据患者特定的成像数据直接输出肱骨植入物的柄尺寸。在一些实施例中，骨密度建模模块1162可以包括CNN和有关参数。

如上面所讨论的，处理电路1132可以对卷积神经网络进行训练并且对患者特定的图像数据(例如，3D成像数据)应用卷积神经网络，以生成对患者的肱骨植入物所建议的柄尺寸(从患者特定的图像数据中获得)。在一个实施例中，系统可以包括被配置为存储患者的患者特定的图像数据的存储器和被配置为对患者特定的图像数据(或其子集)应用卷积神经网络并且基于对患者特定的图像数据所应用的卷积神经网络输出用于患者的肱骨植入物的柄尺寸的处理电路(例如，处理电路1132)。处理电路还可以被配置为输出对包括柄尺寸的肱骨植入物类型的建议。患者特定的图像数据可以表示诸如肱骨等患者的一个或多个骨骼中的一些或全部的骨密度。在一些实施例中，处理电路还可以输出表示肱骨头的至少一部分的骨密度的骨密度度量的表示，但是，当对患者特定的图像数据应用CNN时，可以采用或不采用骨密度度量来生成柄尺寸建议。

图39C是示出用于基于软组织结构和从患者特定的图像数据确定的骨密度来确定对肩部治疗的建议的示例性程度的流程图。将系统1140中的处理电路1142描述为执行图39C中的实施例，但是，诸如系统542或虚拟计划系统102等其他设备或系统可以执行本技术的一个或多个部分。进一步地，两个或多于两个设备和/或系统的组合可以经由分布式系统执行本技术的一些部分。参考三维数据集描述了图39C中的过程，但是，在其他实施例中，可以通过相似的方式对若干二维切片数据进行分析。

如图39C中的实施例所示，处理电路1142可以基于患者特定的图像数据确定一个或多个软组织结构的特征(1220)。例如，这些特征可以包括参考图23A、图23B、图24、图25、图26、以及图27所描述的一个或多个软组织结构的体积、脂肪渗透比、萎缩率、和/或运动范围。此处如诸如图39A中所述，处理电路1142还可以基于患者特定的图像数据的强度确定肱骨头的至少一部分的骨密度度量。

处理电路1142可以基于软组织特征和骨密度度量确定对肩部治疗的一个或多个建议(1224)。例如，处理电路1142可以基于一个或多个软组织特征确定肩置换是反向还是解剖学置换。此外，处理电路1142可以确定肩置换中所使用的肱骨植入物类型是无柄还是有柄肱骨植入物类型。在一些实施例中，处理电路1142可以基于软组织特征和/或骨密度度量确定肱骨植入物或肩臼植入物中的至少一个的位置。然后，处理电路1142可以输出针对患者的肩部的治疗所确定的一个或多个建议(1226)。如此，处理电路1142可以使用从患者特定的图像数据和其他患者信息所导出的任意特征、度量、或其他信息来提供与肩部治疗有关的建议。

图40是示出用于显示骨密度信息的示例性程序的流程图。将系统1140中的处理电路1142描述为执行图40中的实施例，但是，诸如系统542或虚拟计划系统102等其他设备或系统可以执行本技术的一个或多个部分。进一步地，两个或多于两个设备和/或系统的组合可以经由分布式系统执行本技术的一些部分。参考三维数据集描述了图40中的过程，但是，在其他实施例中，可以通过相似的方式对若干二维切片数据进行分析。

如图40中的实施例所示，处理电路1142可以基于诸如图39A中所述的过程等患者特定的图像数据的强度确定肱骨头的至少一部分的骨密度度量(1230)。然后，处理电路1142可以确定骨密度度量的图形表示(1232)。这些图形表示可以与图42和图43中所描述的骨密度度量的图形表示相似。然后，处理电路1142可以控制用户界面在肱骨头的至少一部分之上呈现骨密度度量的图形表示(1234)。

图41是包括肱骨1332和切割平面1338的示例性用户界面1300的概念图。如图41中的实施例所示，用户界面1300包括导航栏1301和工具栏1318和1320。导航栏1301可以包括可选按钮，当用户选择时，可选按钮致使用户界面1300改变到不同的功能或者与肩部治疗有关的信息视图，诸如计划肩置换等。

导航栏1301可以包括将用户带至显示与患者有关的信息或与治疗类型有关的可能动作的欢迎屏幕的欢迎按钮1302。计划按钮1304可以将用户界面130的视图改变到肩部外科手术的虚拟计划，可以包括骨骼和/或软组织结构的表示，诸如包括肱骨1332的视图1330等。移植按钮1306可以显示与外科手术有关的潜在骨骼或软组织移植的视图，并且肱骨切割按钮1308可以显示被切割、以暴露其中的小梁骨的肱骨头1332的表示。安装引导按钮1310可以显示可能或所建议的肱骨植入物。肩臼扩孔按钮1314可以显示对肩臼所执行的示例性扩孔的视图，并且肩臼植入按钮1316可以显示用于患者植入的示例性的可能或所建议的肩臼植入物。工具栏1318可以包括可选按钮，当选择时，致使用户界面1300改变视图、旋转、或视图1330的尺寸。工具栏1320可以包括可选按钮，当选择时，致使用户界面1300在诸如解剖结构的透视或侧视图等视图1330中所示的解剖结构的解剖平面之间变换。

视图1330包括显示轴1334和肱骨头1336的肱骨1332的立体图。切割平面1338被示出为指示在植入肱骨植入物之前如何能够对肱骨头1336进行切割。尽管用户界面1300初始可以显示切割平面1338的建议位置，然而，用户界面1300能够使得用户在计划过程期间根据需要移动切割平面1338。如图42和图43中所示，一旦用户对切割平面1338的位置满意，用户界面1330则能够移除肱骨头1336的顶部，以暴露可以植入肱骨植入物的小梁骨的表示。

图42是包括肱骨头1342和骨密度度量1344的表示的示例性用户界面1300的概念图。如图42中的实施例所示，用户界面1300可以包括视图1340，其中，示出了沿着图41的切割平面1338移除肱骨头的顶部之后的肱骨头1342。肱骨头1342是患者的肱骨的表示并且可以从患者特定的图像数据导出。骨密度度量1344可以是针对肱骨1332的小梁骨而生成的骨密度度量的图形表示。

骨密度度量1344可以包括表示落在每种颜色的强度的相应范围1346A和1346B内的强度的体元的不同颜色。如此，骨密度度量1344可以包括肱骨头1342内的小梁骨的不同组的体元的骨密度值。例如，范围1346A表示大于0.30g/cm³的骨密度，并且范围1346B表示0.15g/cm³与0.30g/cm³之间的骨密度。骨密度键1347指示从患者特定的图像数据所确定的可能范围内的骨密度的不同颜色。骨密度键1347中所示的三个范围仅是实施例，并且在其他实施例中，可以使用具有不同的下限和上限的一个或多个不同数量的范围。

在其他实施例中，视图1340可以呈现骨密度度量1344，即，表示患者特定的图像数据的体元强度范围的图像或单个或一组体元的强度表示。作为一个实施例，骨密度度量1344可以仅包括与同一切割平面1338对应的患者特定的图像数据的体元强度。换言之，视图1340可以包括与叠加在所暴露的肱骨1332的表示上的切割平面1338对应的2D平面内的CT数据的图片。作为另一实施例，视图1340可以包括具有不同颜色和图案的热图，例如，与亨斯菲尔德单位的不同范围对应(例如，CT数据)。如此，尽管诸如骨密度度量1344等骨密度度量可以与骨密度的表示有关，然而，实际的骨密度度量实际上不可能反映对该区域中的骨骼密度的测量。

图43是包括肱骨头1342和与肱骨植入物建议的类型相关联的骨密度度量1352的表示的示例性用户界面1300的概念图。如图43中的实施例所示，用户界面1300可以包括视图1350，其中，与图42相似，示出了沿着图41中的切割平面1338移动肱骨头的顶部之后的肱骨头1342。肱骨头134是患者的肱骨的表示并且可以从患者特定的图像数据导出。骨密度度量1352可以是针对肱骨1332的小梁骨而生成的骨密度度量的图形表示。

骨密度度量1352指示基于针对肱骨1332所确定的骨密度植入小梁骨中的肱骨植入物的类型。如此，骨密度度量1352包括作为与由肱骨1332中的骨骼的密度所支撑的肱骨植入物的类型相关联的类别的一部分、从患者特定的患者数据确定的骨密度。度量键1354指示与肱骨植入物的类型对应的骨密度度量1352的颜色。例如，浅颜色指示能够植入无柄肱骨植入物并且深颜色指示能够在肱骨1332中植入有柄肱骨植入物。如图43中的实施例所示，骨密度度量1352指示小梁骨的密度足以支撑无柄肱骨植入物的植入。在一些实施例中，骨密度度量1352可以通过不同的颜色、图案、形状、或其他图形表示对不同类型的肱骨植入物进行区分。在一个实施例中，骨密度度量1352甚至可以是肱骨植入物自身的类型的图形表示，诸如表示肱骨植入物的柄的长度、或无柄类型的图像等。

此处对下列实施例进行了描述。

实例1：一种用于对患者的软组织结构进行建模的系统，系统包括：存储器，被配置为存储患者的患者特定的图像数据；和处理电路，被配置为：接收患者特定的图像数据；基于患者特定的图像数据的强度确定表示患者的软组织结构的患者特定的形状；并且输出患者特定的形状。

实例2：根据实例1所述的系统，其中，处理电路被配置为：接收初始形状；确定初始形状上的多个表面点；使初始形状与患者特定的图像数据配准；识别患者特定的图像数据中的一个或多个轮廓，该一个或多个轮廓表示患者的软组织结构的至少部分边界；并且朝向一个或多个轮廓的相应位置迭代地移动多个表面点，以将初始形状改变成表示患者的软组织结构的患者特定的形状。

实例3：根据实例2所述的系统，其中，处理电路被配置为通过下列项识别一个或多个轮廓：以从多个表面点中的相应表面点向外或向内的至少一种方式从每个表面点延伸向量；并且针对每个表面点的向量确定患者特定的图像数据中超过阈值强度值的相应位置，其中，多个表面点中的至少一个表面点的相应位置至少部分地限定一个或多个轮廓。

实例4：根据实例2和3中任一项所述的系统，其中，处理电路被配置为通过下列项识别一个或多个轮廓：从患者特定的图像数据中确定黑塞特征图像，其中，黑塞特征图像表示患者特定的图像数据的区域，区域包括两个或多于两个体元之间的较高强度梯度；基于黑塞特征图像识别软组织结构与相邻的软组织结构之间的一个或多个分离区；并且将一个或多个轮廓的至少一部分确定为穿过一个或多个分离区。

实例5：根据实例2至4中任一项所述的系统，其中，处理电路被配置为通过确定患者特定的图像数据中大于预定强度值的相应位置而确定患者特定的图像数据中超过阈值强度值的相应位置。

实例6：根据实例5所述的系统，其中，预定的阈值强度值表示患者特定的图像数据中的骨骼(bone)，并且其中，对于患者特定的图像数据中超过表示骨骼的预定的阈值强度值的每个相应位置，处理电路被配置为将表面点移至相应位置。

实例7：根据实例2至6中任一项所述的系统，其中，处理电路被配置为通过确定患者特定的图像数据中小于预定强度值的相应位置而确定患者特定的图像数据中超过阈值强度值的相应位置。

实例8：根据实例2至7中任一项所述的系统，其中，处理电路被配置为通过确定患者特定的图像数据中大于这两者之间的差值阈值的相应位置而确定患者特定的图像数据中超过阈值强度值的相应位置，这两者即与相应的表面点相关联的强度和患者特定的图像数据中的相应位置的强度。

实例9：根据实例2至8中任一项所述的系统，其中，处理电路被配置为通过下列项朝向一个或多个轮廓的相应位置迭代地移动多个表面点，对于移动多个表面点的每次迭代：从多个表面点中的每个表面点延伸始于相应表面点并与包括相应的表面点的表面正交的向量；针对每个表面点的向量确定患者特定的图像数据中超过阈值强度值的相应点；针对每个相应的点确定位于相应点的包络线内并且超过患者特定的图像数据中的阈值强度值的多个潜在位置，其中，多个潜在位置至少部分地限定一个或多个轮廓的表面；针对多个潜在位置中的每个潜在位置，确定与表面正交的相应法向向量；针对相应法向向量中的每个法向向量确定相应法向向量与相应表面点的向量之间的角度；针对每个相应的表面点选择多个潜在位置中的一个潜在位置，该一个潜在位置包括相应表面点的向量与多个潜在位置中的每个潜在位置的相应法向向量之间的最小角度；并且针对每个相应的表面点，朝向所选择的一个潜在位置至少部分地移动相应的表面点，其中，移动相应的表面点使得朝向患者特定的形状修改初始形状。

实例10：根据实例9所述的系统，其中，处理电路被配置为移动相应的表面点至少为相应的表面点与所选择的一个潜在位置之间的距离的一半。

实例11：根据实例9和10中任一项所述的系统，其中，处理电路被配置为通过下列项朝向一个或多个轮廓中的相应潜在位置迭代地移动多个表面点：在第一次迭代中，从初始形状移动多个表面点中的每个表面点为第一相应的距离，以生成第二形状，第一相应的距离在第一修改距离的第一容差内，第一容差被选择为保持第二形状的平滑度；并且在第一次迭代之后的第二次迭代中，移动多个表面点中的每个表面点为第二相应的距离，以从第二形状生成第三形状，第二相应的距离在第二修改距离的第二容差内，其中，第二容差大于第一容差。

实例12：根据实例2至11中任一项所述的系统，其中，处理电路被配置为通过下列项识别一个或多个轮廓：从患者特定的图像数据中确定黑塞特征图像，其中，黑塞特征图像表示患者特定的图像数据的区域，区域包括两个或多于两个体元之间的较高强度梯度；基于黑塞特征图像识别软组织结构与相邻的软组织结构之间的一个或多个分离区；并且将一个或多个轮廓的至少一部分确定为穿过一个或多个分离区。

实例13：根据实例2至12中任一项所述的系统，其中，处理电路被配置为通过使初始形状上的多个位置与患者特定的图像数据中已识别的一个或多个骨骼上的对应插入位置配准而对初始形状进行配准。

实例14：根据实例2至13中任一项所述的系统，其中，初始形状与患者特定的形状是三维形状。

实例15：根据实例1至14中任一项所述的系统，其中，初始形状包括几何形状。

实例16：根据实例1至15中任一项所述的系统，其中，初始形状包括表示与患者不同的多个受试者的软组织结构的解剖学形状。

实例17：根据实例16所述的系统，其中，解剖学形状包括从针对多个受试者成像的软组织结构所生成的统计平均形状。

实例18：根据实例1至17中任一项所述的系统，其中，患者特定的图像数据包括从患者生成的计算机断层扫描(CT)图像数据。

实例19：根据实例1至18中任一项所述的系统，其中，软组织结构包括肌肉。

实例20：根据实例19所述的系统，其中，肌肉与患者的肩袖相关联。

实例21：根据实例1至20中任一项所述的系统，其中，患者特定的形状包括三维形状。

实例22：根据实例1至21中任一项所述的系统，其中，处理电路被配置为：确定患者特定的形状的脂肪体积比；确定患者特定的形状的萎缩率；基于患者的软组织结构的患者特定的形状的脂肪体积比和萎缩率确定患者的肱骨的运动范围；并且基于肱骨的运动范围确定患者的肩部治疗的类型。

实例23：根据实例22所述的系统，其中，处理电路被配置为通过基于患者的肩袖的每块肌肉的脂肪体积比和萎缩率确定患者的肱骨的运动范围而确定肱骨的运动范围。

实例24：根据实例22和23中任一项所述的系统，其中，肩部治疗的类型选自于解剖学肩置换手术或反向肩置换手术中的一种。

实例25：根据实例1至24中任一项所述的系统，其中，处理电路被配置为：对患者特定的形状应用掩罩(mask)；对掩罩下的体元应用阈值；基于阈值下的体元确定脂肪体积；基于脂肪体积和软组织结构的患者特定的形状的体积确定脂肪渗透值；并且输出软组织结构的脂肪渗透值。

实例26：根据实例1至25中任一项所述的系统，其中，处理电路被配置为：确定患者的软组织结构的骨骼到肌肉尺度；获得软组织结构的统计平均形状(SMS)；通过满足算法的阈值而使得SMS变形，以使SMS的变形版本拟合(fit)于软组织结构的骨骼到肌肉尺度；通过使SMS体积除以软组织结构体积而确定软组织结构的萎缩率；并且输出软组织结构的萎缩率。

实例27：一种用于对患者的软组织结构进行建模的方法，方法包括：由存储器存储患者的患者特定的图像数据；由处理电路接收患者特定的图像数据；由处理电路基于患者特定的图像数据的强度确定表示患者的软组织结构的患者特定的形状；并且由处理电路输出患者特定的形状。

实例28：根据实例27所述的方法，进一步包括：接收初始形状；确定初始形状上的多个表面点；使初始形状与患者特定的图像数据配准；识别患者特定的图像数据中的一个或多个轮廓，该一个或多个轮廓表示患者的软组织结构的边界；并且朝向一个或多个轮廓的相应位置迭代地移动多个表面点，以将初始形状改变成表示患者的软组织结构的患者特定的形状。

实例29：根据实例28所述的方法，其中，通过下列项识别一个或多个轮廓：以从多个表面点中的相应表面点向外或向内的至少一种方式从每个表面点延伸向量；并且针对每个表面点的向量确定患者特定的图像数据中超过阈值强度值的相应位置，其中，多个表面点中的至少一个表面点的相应位置至少部分地限定一个或多个轮廓。

实例30：根据实例28和29中任一项所述的方法，识别一个或多个轮廓包括：从患者特定的图像数据中确定黑塞特征图像，其中，黑塞特征图像表示患者特定的图像数据的区域，区域包括两个或多于两个体元之间的较高强度梯度；

基于黑塞特征图像识别软组织结构与相邻的软组织结构之间的一个或多个分离区；并且将一个或多个轮廓的至少一部分确定为穿过一个或多个分离区。

实例31：根据实例28至30中任一项所述的方法，其中，确定患者特定的图像数据中超过阈值强度值的相应位置包括：确定患者特定的图像数据中大于预定强度值的相应位置。

实例32：根据实例32所述的方法，其中，预定的阈值强度值表示患者特定的图像数据中的骨骼，并且其中，方法进一步包括：对于患者特定的图像数据中超过表示骨骼的预定的阈值强度值的每个相应位置，将表面点移至相应位置。

实例33：根据实例28至32中任一项所述的方法，其中，确定患者特定的图像数据中超过阈值强度值的相应位置包括：确定患者特定的图像数据中小于预定强度值的相应位置。

实例34：根据实例28至33中任一项所述的方法，其中，确定患者特定的图像数据中超过阈值强度值的相应位置包括：确定患者特定的图像数据中大于这两者之间差值阈值的相应位置，这两者包括与相应的表面点相关联的强度和患者特定的图像数据中的相应位置的强度。

实例35：根据实例28至34中任一项所述的方法，其中，朝向一个或多个轮廓的相应位置迭代地移动多个表面点包括，对于移动多个表面点的每次迭代：从多个表面点中的每个表面点延伸始于相应表面点并且与包括相应的表面点的表面正交的向量；针对每个表面点的向量确定患者特定的图像数据中超过阈值强度值的相应点；针对每个相应点确定位于相应点的包络内并且超过患者特定的图像数据中的阈值强度值的多个潜在位置，其中，多个潜在位置至少部分地限定一个或多个轮廓的表面；针对多个潜在位置中的每个潜在位置确定与表面正交的相应法向向量；针对相应法向向量中的每个法向向量确定相应法向向量与相应表面点的向量之间的角度；针对每个相应的表面点选择多个潜在位置中的一个潜在位置，该一个潜在位置包括相应表面点的向量与多个潜在位置中的每个潜在位置的相应法向向量之间的最小角度；并且针对每个相应的表面点，朝向所选择的一个潜在位置至少部分地移动相应的表面点，其中，移动相应的表面点使得朝向患者特定的形状修改初始形状。

实例36：根据实例35所述的方法，进一步包括：移动相应的表面点至少为相应的表面点与所选择的一个潜在位置之间的距离的一半。

实例37：根据实例35和36中任一项所述的方法，其中，朝向一个或多个轮廓的相应潜在位置迭代地移动多个表面点包括：在第一次迭代中，从初始形状移动多个表面点中的每个表面点为第一相应的距离，以生成第二形状，第一相应的距离在第一修改距离的第一容差内，第一容差被选择为保持第二形状的平滑度；并且在第一次迭代之后的第二次迭代中，移动多个表面点中的每个表面点为第二相应的距离，以从第二形状生成第三形状，第二相应的距离在第二修改距离的第二容差内，其中，第二容差大于第一容差。

实例38：根据实例28至37中任一项所述的方法，其中，处理电路被配置为通过下列项识别一个或多个轮廓：从患者特定的图像数据中确定黑塞特征图像，其中，黑塞特征图像表示患者特定的图像数据的区域，区域包括两个或多于两个体元之间的较高强度梯度；基于黑塞特征图像识别软组织结构与相邻的软组织结构之间的一个或多个分离区；并且将一个或多个轮廓的至少一部分确定为穿过一个或多个分离区。

实例39：根据实例28至38中任一项所述的方法，其中，对初始形状进行配准包括：使初始形状上的多个位置与患者特定的图像数据中已识别的一个或多个骨骼上的对应插入位置配准。

实例40：根据实例38至30中任一项所述的方法，其中，初始形状与患者特定的形状是三维形状。

实例41：根据实例27至40中任一项所述的方法，其中，初始形状包括几何形状。

实例42：根据实例27至41中任一项所述的方法，其中，初始形状包括表示与患者不同的多个受试者的软组织结构的解剖学形状。

实例43：根据实例42所述的方法，其中，解剖学形状包括从针对多个受试者成像的软组织结构所生成的统计平均形状。

实例44：根据实例27至43中任一项所述的方法，其中，患者特定的图像数据包括从患者生成的计算机断层扫描(CT)图像数据。

实例45：根据实例27至44中任一项所述的方法，其中，软组织结构包括肌肉。

实例46：根据实例45所述的方法，其中，肌肉与患者的肩袖相关联。

实例47：根据实例27至46中任一项所述的方法，其中，患者特定的形状包括三维形状。

实例48：根据实例27至47中任一项所述的方法，进一步包括：确定患者特定的形状的脂肪体积比；确定患者特定的形状的萎缩率；基于患者的软组织结构的患者特定的形状的脂肪体积比和萎缩率确定患者的肱骨的运动范围；并且基于肱骨的运动范围确定患者的肩部治疗的类型。

实例49：根据实例48所述的方法，其中，确定肱骨的运动范围包括：基于患者的肩袖的每块肌肉的脂肪体积比和萎缩率确定患者的肱骨的运动范围。

实例50：根据实例48和49中任一项所述的方法，其中，肩部治疗的类型选自于解剖学(anatomical)肩置换手术或反向肩置换手术中的一种。

实例51：根据实例27至50中任一项所述的方法，进一步包括：对患者特定的形状应用掩罩；对掩罩下的体元应用阈值；基于阈值下的体元确定脂肪体积；基于脂肪体积和软组织结构的患者特定的形状的体积确定脂肪渗透值；并且输出软组织结构的脂肪体积比。

实例52：根据实例27至51中任一项所述的方法，进一步包括：确定患者的软组织结构的骨骼到肌肉尺度；获得软组织结构的统计平均形状(SMS)；通过满足算法的阈值而使得SMS变形，以使SMS的变形版本拟合于软组织结构的骨骼到肌肉尺度；通过使SMS体积除以软组织结构体积而确定软组织结构的萎缩率；并且输出软组织结构的萎缩率。

实例53：一种包括指令的计算机可读存储介质，当由处理电路执行指令时，致使处理电路：将患者的患者特定的图像数据存储在存储器中；接收患者特定的图像数据；基于患者特定的图像数据的强度确定表示患者的软组织结构的患者特定的形状；并且输出患者特定的形状。

实例54：一种用于对患者的软组织结构进行建模的系统，系统包括：用于存储患者的患者特定的图像数据的装置；用于接收患者特定的图像数据的装置；用于基于患者特定的图像数据的强度确定表示患者的软组织结构的患者特定的形状的装置；以及用于输出患者特定的形状的装置。

实例101：一种用于对患者的软组织结构进行建模的系统，系统包括：存储器，被配置为存储患者的患者特定的计算机断层扫描(CT)数据；和处理电路，被配置为：接收患者特定的CT数据；识别患者特定的CT数据内与一个或多个骨骼结构相关联的一个或多个位置；使初始形状与一个或多个位置配准；将初始形状修改成表示患者的软组织结构的患者特定的形状；并且输出患者特定的形状。

实例102：根据实例101所述的系统，其中，与一个或多个骨骼结构相关联的一个或多个位置包括患者特定的CT数据中已识别的一个或多个骨骼结构的一个或多个插入位置。

实例103：根据实例102所述的系统，其中，处理电路被配置为：识别患者特定的CT数据中的一个或多个轮廓，该一个或多个轮廓表示患者的软组织结构的至少部分边界；并且基于一个或多个轮廓将初始形状修改成表示患者的软组织结构的患者特定的形状。

实例104：根据实例103所述的系统，其中，处理电路被配置为：确定初始形状上的多个表面点；并且通过朝向一个或多个轮廓的相应位置迭代地移动多个表面点而修改初始形状，以将初始形状改变成表示患者的软组织结构的患者特定的形状。

实例105：根据实例103和104中任一项所述的系统，其中，处理电路被配置为通过下列项修改初始形状：以从多个表面点中的相应表面点向外或向内的至少一种方式从每个表面点延伸向量；并且针对每个表面点的向量确定患者特定的CT数据中超过阈值强度值的相应位置，其中，针对多个表面点中的至少一个表面点的相应位置至少部分地限定一个或多个轮廓。

实例106：根据实例103至105中任一项所述的系统，其中，处理电路被配置为通过下列项识别一个或多个轮廓：从患者特定的CT数据中确定黑塞特征图像，其中，黑塞特征图像表示患者特定的CT数据的区域，区域包括两个或多于两个体元之间的较高强度梯度；基于黑塞特征图像识别软组织结构与相邻的软组织结构之间的一个或多个分离区；并且将一个或多个轮廓的至少一部分确定为穿过一个或多个分离区。

实例107：根据实例101至106中任一项所述的系统，其中，处理电路被配置为通过下列项使初始形状与一个或多个位置配准：确定一个或多个位置中的每个位置与初始形状上的相应的点之间的对应性；沿着患者特定的CT数据中的每个对应性确定强度曲线(profile，分布)；针对一个或多个位置中的每个位置并且基于相应对应性的强度曲线确定位置与初始形状上的相应点之间的距离；并且根据一个或多个位置与初始形状上的点之间的相应距离对患者特定的CT数据中的初始形状进行定向。

实例108：根据实例107所述的系统，其中，处理电路被配置为通过将初始形状缩放为使得初始形状与表示软组织结构的患者特定的CT数据的变化之间的差最小化而将初始形状修改成患者特定的形状。

实例109：根据实例108所述的系统，其中，处理电路被配置为根据下列参数等式确定患者特定的形状：

其中，s’是表示与患者不同的多个受试者的软组织结构的初始形状，λ_i是本征值并且v_i是表示患者特定的CT数据的变化的协方差矩阵的本征向量，并且b_i是修改初始形状的缩放因子。

实例110：根据实例101至109中任一项所述的系统，其中，初始形状包括表示与患者不同的多个受试者的软组织结构的解剖学形状。

实例111：根据实例110所述的系统，其中，解剖学形状包括从针对多个受试者成像的软组织结构所生成的统计平均形状。

实例112：根据实例101至111中任一项所述的系统，其中，软组织结构包括肌肉。

实例113：根据实例112所述的系统，其中，肌肉与患者的肩袖相关联。

实例114：根据实例101至113中任一项所述的系统，其中，患者特定的形状包括三维形状。

实例115：根据实例101至114中任一项所述的系统，其中，处理电路被配置为：确定患者特定的形状的脂肪体积比；确定患者特定的形状的萎缩率；基于患者的软组织结构的患者特定的形状的脂肪体积比和萎缩率确定患者的肱骨的运动范围；并且基于肱骨的运动范围确定患者的肩部治疗的类型。

实例116：根据实例115所述的系统，其中，肩部治疗的类型选自于解剖学肩置换手术或反向肩置换手术中的一种。

实例117：一种用于对患者的软组织结构进行建模的方法，方法包括：将患者的患者特定的计算机断层扫描(CT)数据存储在存储器中；由处理电路接收患者特定的CT数据；由处理电路识别与患者特定的CT数据内的一个或多个骨骼结构相关联的一个或多个位置；由处理电路将初始形状与一个或多个位置配准；由处理电路将初始形状修改成表示患者的软组织结构的患者特定的形状；并且由处理电路输出患者特定的形状。

实例118：根据实例117所述的方法，其中，与一个或多个骨骼结构相关联的一个或多个位置包括患者特定的CT数据中已识别的一个或多个骨骼结构的一个或多个插入位置。

实例119：根据实例118所述的方法，进一步包括：识别患者特定的CT数据中的一个或多个轮廓，该一个或多个轮廓表示患者的软组织结构的至少部分边界；并且基于一个或多个轮廓将初始形状修改成表示患者的软组织结构的患者特定的形状。

实例120：根据实例119所述的方法，进一步包括：确定初始形状上的多个表面点；并且通过朝向一个或多个轮廓的相应位置迭代地移动多个表面点而修改初始形状，以将初始形状改变成表示患者的软组织结构的患者特定的形状。

实例121：根据实例129和120中任一项所述的方法，修改初始形状包括：以从多个表面点中的相应表面点向外或向内的至少一种方式从每个表面点延伸向量；并且针对每个表面点的向量确定患者特定的CT数据中超过阈值强度值的相应位置，其中，多个表面点中的至少一个表面点的相应位置至少部分地限定一个或多个轮廓。

实例122：根据实例119至121中任一项所述的方法，其中，识别一个或多个轮廓包括：从患者特定的CT数据中确定黑塞特征图像，其中，黑塞特征图像表示患者特定的CT数据的区域，区域包括两个或多于两个体元之间的较高强度梯度；基于黑塞特征图像识别软组织结构与相邻的软组织结构之间的一个或多个分离区；并且将一个或多个轮廓的至少一部分确定为穿过一个或多个分离区。

实例123：根据实例117至122中任一项所述的方法，其中，使初始形状与一个或多个位置配准包括：确定一个或多个位置中的每个位置与初始形状上的相应的点之间的对应性；沿着患者特定的CT数据中的每个对应性确定强度曲线；针对一个或多个位置中的每个位置并且基于相应对应性的强度曲线确定位置与初始形状上的相应点之间的距离；并且根据一个或多个位置与初始形状上的点之间的相应距离对患者特定的CT数据中的初始形状进行定向。

实例124：根据实例123所述的方法，其中，通过将初始形状缩放以使得初始形状与表示软组织结构的患者特定的CT数据的变化之间的差最小化而将初始形状修改成患者特定的形状。

实例125：根据实例124所述的方法，其中，确定患者特定的形状包括：根据下列参数等式确定患者特定的形状：

其中，s’是表示与患者不同的多个受试者的软组织结构的初始形状，λ_i是本征值并且v_i是表示患者特定的CT数据的变化的协方差矩阵的本征向量，并且b_i是修改初始形状的缩放因子。

实例126：根据实例117至125中任一项所述的方法，其中，初始形状包括表示与患者不同的多个受试者的软组织结构的解剖学形状。

实例127：根据实例127所述的方法，其中，解剖学形状包括从针对多个受试者成像的软组织结构所生成的统计平均形状。

实例128：根据实例117至127中任一项所述的方法，其中，软组织结构包括肌肉。

实例129：根据实例128所述的方法，其中，肌肉与患者的肩袖相关联。

实例130：根据实例117至129中任一项所述的方法，其中，患者特定的形状包括三维形状。

实例131：根据实例117至130中任一项所述的方法，进一步包括：确定患者特定的形状的脂肪体积比；确定患者特定的形状的萎缩率；基于患者的软组织结构的患者特定的形状的脂肪体积比和萎缩率确定患者的肱骨的运动范围；并且基于肱骨的运动范围确定患者的肩部治疗的类型。

实例132：根据实例131所述的方法，其中，肩部治疗的类型选自于解剖学肩置换手术或反向肩置换手术中的一种。

实例133：一种包括指令的计算机可读的存储介质，当执行时，致使处理器：存储患者的患者特定的计算机断层扫描(CT)数据；接收患者特定的CT数据；识别与患者特定的CT数据内的一个或多个骨骼结构相关联的一个或多个位置；使初始形状与一个或多个位置配准；将初始形状修改成表示患者的软组织结构的患者特定的形状；并且输出患者特定的形状。

实例201：一种用于自动生成对患者的肩部外科手术类型建议的系统，系统包括：存储器，被配置为存储患者的患者特定的图像数据；和处理电路，被配置为：接收来自存储器的患者特定的图像数据；从患者特定的图像数据中确定一个或多个软组织特征(characteristic，特性)；生成对患者执行的肩部外科手术类型的建议；并且输出肩部外科手术类型的建议。

实例202：根据实例201所述的系统，其中，一个或多个软组织特征包括患者的软组织结构的脂肪渗透比。

实例203：根据实例202所述的系统，其中，处理电路被配置为通过下列项确定脂肪渗透比：对表示软组织结构的患者特定的形状应用掩罩；对掩罩下的体元应用阈值；基于阈值下的体元确定脂肪体积；并且基于脂肪体积和表示软组织结构的患者特定的形状的体积确定脂肪渗透值。

实例204：根据实例201至203中任一项所述的系统，其中，一个或多个软组织特征包括患者的软组织结构的萎缩率。

实例205：根据实例204所述的系统，其中，处理电路被配置为通过下列项确定萎缩率：确定患者的软组织结构的骨骼到肌肉尺度；获得软组织结构的统计平均形状(SMS)；通过满足算法的阈值来使得SMS变形，以使SMS的变形版本拟合于软组织结构的骨骼到肌肉尺度；并且通过使SMS体积除以软组织结构体积而确定软组织结构的萎缩率。

实例206：根据实例201至205中任一项所述的系统，其中，一个或多个软组织特征至少包括脂肪渗透值或萎缩率中的一项，并且其中，处理电路被配置为至少基于患者的一个或多个软组织结构的脂肪渗透值或萎缩率中的一项而生成对患者执行的肩部外科手术类型的建议。

实例207：根据实例206所述的系统，其中，处理电路被配置为至少基于脂肪渗透值或萎缩率中的一项而确定一个或多个软组织结构的弹簧常数。

实例208：根据实例207所述的系统，其中，处理电路被配置为基于脂肪渗透值和萎缩率确定一个或多个软组织结构的弹簧常数。

实例209：根据实例207和208中任一项所述的系统，其中，处理电路被配置为至少基于脂肪渗透值、萎缩率、或一个或多个软组织结构的弹簧常数中的一项而确定患者的肱骨的运动范围。

实例210：根据实例209所述的系统，其中，一个或多个软组织结构包括患者的肩袖的一块或多块肌肉。

实例211：根据实例201至210中任一项所述的系统，其中，一个或多个软组织特征包括肱骨的运动范围。

实例212：根据实例201至211中任一项所述的系统，其中，处理电路被配置为使用神经网络确定一个或多个软组织特征。

实例213：根据实例201至212中任一项所述的系统，其中，一个或多个软组织特征包括脂肪渗透值、萎缩值、或患者的一个或多个软组织结构的运动范围值中的至少一项，并且其中，处理电路被配置为：将脂肪渗透值、萎缩值、或运动范围值中的至少一项输入至神经网络中；并且基于来自神经网络的输出而生成肩部外科手术类型的建议。

实例214：根据实例201至213中任一项所述的系统，其中，处理电路被配置为通过下列项从患者特定的成像数据中确定一个或多个软组织特征：接收患者的软组织结构的初始形状；确定初始形状上的多个表面点；使初始形状与患者特定的图像数据配准；识别患者特定的图像数据中的一个或多个轮廓，该一个或多个轮廓表示患者的软组织结构的边界；朝向一个或多个轮廓的相应位置迭代地移动多个表面点，以将初始形状改变成表示患者的软组织结构的患者特定的形状；并且基于患者特定的形状确定患者的软组织结构的一个或多个软组织特征。

实例215：根据实例201至214中任一项所述的系统，其中，处理电路被配置为控制用户界面显示一个或多个软组织特征的表征(representation，表示)。

实例216：根据实例215所述的系统，其中，处理电路被配置为控制用户界面显示一个或多个软组织特征的表示作为混合现实用户界面的一部分。

实例217：根据实例201至216中任一项所述的系统，其中，肩部外科手术类型包括解剖学肩置换手术或反向肩置换手术中的一种。

实例218：一种用于自动生成对患者的肩部外科手术类型建议的方法，方法包括：由存储器存储患者的患者特定的图像数据；由处理电路从存储器接收患者特定的图像数据；由处理电路从患者特定的成像数据中确定一个或多个软组织特征；由处理电路生成对患者执行的肩部外科手术类型的建议；并且由处理电路输出肩部外科手术类型的建议。

实例219：一种用于确定患者的软组织结构的脂肪渗透比的方法，方法包括：接收患者的患者特定的图像数据；从患者特定的图像数据中确定表示软组织结构的患者特定的形状；对患者特定的形状应用掩罩；对掩罩下的体元应用阈值；基于阈值下的体元确定脂肪体积；基于脂肪体积和表示软组织结构的患者特定的形状的体积确定脂肪渗透值；并且输出脂肪渗透值。

实例220：一种用于确定患者的软组织结构的萎缩率的方法，方法包括：接收患者的患者特定的图像数据；从患者特定的图像数据中确定表示软组织结构的患者特定的形状；从患者特定的图像数据中确定患者的软组织结构的骨骼到肌肉尺度；获得软组织结构的统计平均形状(SMS)；通过满足算法的阈值的方式来使得SMS变形，以使SMS的变形版本拟合于软组织结构的骨骼到肌肉尺度；通过使SMS体积除以软组织结构体积而确定软组织结构的萎缩率；并且输出软组织结构的萎缩率。

实例221：一种用于确定患者的肩部的肱骨的运动范围的方法，方法包括：接收患者的患者特定的图像数据；从患者特定的图像数据中确定表示患者的肩袖的相应软组织结构的一个或多个患者特定的形状；基于一个或多个患者特定的形状确定肩袖的每个相应软组织结构的脂肪渗透比或萎缩率中的至少一项；基于脂肪渗透比或萎缩率中的至少一项确定肩部的肱骨的运动范围；并且输出肱骨的运动范围。

实例301：一种系统，包括：存储器，被配置为存储患者的患者特定的图像数据；和处理电路，被配置为：识别患者特定的图像数据中的肱骨头；基于患者特定的图像数据确定表示肱骨头的至少一部分的骨密度的骨密度度量；基于骨密度度量生成对患者的肱骨植入物类型的建议；并且输出对患者的肱骨植入物类型的建议。

实例302：根据实例301所述的系统，其中，肱骨植入物类型包括有柄植入物类型或无柄植入物类型中的一种。

实例303：根据实例301和302中任一项所述的系统，其中，肱骨植入物类型的建议包括指示肱骨植入物的柄的长度的建议。

实例304：根据实例301至303中任一项所述的系统，其中，骨密度度量表示位于肱骨头的至少一部分内的小梁骨的整体密度得分(score，分数)。

实例305：根据实例301至304中任一项所述的系统，其中，骨密度度量包括肱骨头内的相应部分的多个骨密度值。

实例306：根据实例301至305中任一项所述的系统，其中，处理电路被配置为通过下列项确定骨密度度量：基于患者特定的图像数据识别位于肱骨头的至少一部分内的相应体元的强度；将相应体元的强度分类成两个或多于两个强度水平中的一种；并且基于在两个或多于两个强度水平的每个强度水平内所分类的多个体元中的至少一个体元或者在两个或多于两个强度水平的每个强度水平内所分类的体元的肱骨头的位置，确定骨密度度量。

实例307：根据实例301至306中任一项所述的系统，其中，处理电路被配置为：确定穿过肱骨头的平面，平面表示肱骨中的肱骨切口，肱骨切口为肱骨接受肱骨植入物做准备；并且确定由平面暴露的肱骨头的至少一部分的骨密度度量。

实例308：根据实例301至308中任一项所述的系统，其中，处理电路被配置为输出用户界面，用户界面包括位于患者的肱骨头的至少一部分的表示上的骨密度度量的图形表示。

实例309：根据实例308所述的系统，其中，所述骨密度度量包括多种颜色的热图，多种颜色中的每种颜色表示不同范围的骨密度值。

实例310：根据实例308和309中任一项所述的系统，进一步包括混合现实显示器，并且其中，处理电路被配置为控制混合现实显示器以呈现包括骨密度度量的图形表示的用户界面。

实例311：根据实例308至310中任一项所述的系统，其中，骨密度度量的图形表示包括肱骨头的平面内的骨密度变化的二维表示。

实例312：根据实例308至311中任一项所述的系统，其中，骨密度度量的图形表示包括肱骨头的至少小梁骨内的骨密度变化的三维表示。

实例313：根据实例301至312中任一项所述的系统，其中，处理电路被配置为将卷积神经网络应用于患者特定的图像数据，以生成肱骨植入物的柄尺寸，并且其中，对患者的肱骨植入物类型的建议包括具有从卷积神经网络生成的柄尺寸的肱骨植入物类型。

实例314：一种方法，包括：由处理电路识别患者的患者特定的图像数据中的肱骨头；由处理电路基于患者特定的图像数据确定表示肱骨头的至少一部分的骨密度的骨密度度量；由处理电路基于骨密度度量生成对患者的肱骨植入物类型的建议；并且由处理电路输出对患者的肱骨植入物类型的建议。

实例315：根据实例314所述的方法，其中，肱骨植入物类型包括有柄植入物类型或无柄植入物类型中的一种。

实例316：根据实例314和315中任一项所述的方法，其中，肱骨植入物类型的建议包括指示肱骨植入物的柄的长度的建议。

实例317：根据实例314至316中任一项所述的方法，其中，骨密度度量表示肱骨头的至少一部分内的小梁骨的整体密度分数。

实例318：根据实例314至317中任一项所述的方法，其中，骨密度度量包括肱骨头内的相应部分的多个骨密度值。

实例319：根据实例314至318中任一项所述的方法，其中，确定骨密度度量包括：基于患者特定的图像数据识别肱骨头的至少一部分内的相应体元的强度；将相应体元的强度分类成两个或多于两个强度水平中的一种；并且基于在两个或多于两个强度水平的每个强度水平内所分类的多个体元中的至少一个体元或者在两个或多于两个强度水平的每个强度水平内所分类的体元的肱骨头的位置而确定骨密度度量。

实例320：根据实例314至319中任一项所述的方法，进一步包括：确定通过肱骨头的平面，平面表示肱骨中的肱骨切口，肱骨切口为肱骨接受肱骨植入物做准备；并且确定由平面暴露的肱骨头的至少一部分的骨密度度量。

实例321：根据实例314至320中任一项所述的方法，进一步包括：输出用户界面进行显示，用户界面包括位于患者的肱骨头的至少一部分的表示上的骨密度度量的图形表示。

实例322：根据实例321所述的方法，其中，骨密度度量包括多种颜色的热图，多种颜色中的每种颜色表示不同范围的骨密度值。

实例323：根据实例321至322中任一项所述的方法，进一步包括：控制混合现实显示器呈现包括骨密度度量的图形表示的用户界面。

实例324：根据实例321至323中任一项所述的方法，其中，骨密度度量的图形表示包括肱骨头的平面内的骨密度变化的二维表示。

实例325：根据实例321至324中任一项所述的方法，其中，骨密度度量的图形表示包括肱骨头的最后(at last)小梁骨内的骨密度变化的三维表示。

实例326：根据实例314至325中任一项所述的方法，进一步包括：将卷积神经网络应用于患者特定的图像数据，以生成肱骨植入物的柄尺寸，并且其中，对患者的肱骨植入物类型的建议包括具有从卷积神经网络生成的柄尺寸的肱骨植入物类型。

实例327：一种包括指令的计算机可读存储介质，当被处理电路执行指令时，致使处理电路：识别患者的患者特定的图像数据中的肱骨头；基于患者特定的图像数据确定表示肱骨头的至少一部分的骨密度的骨密度度量；基于骨密度度量生成对患者的肱骨植入物类型的建议；并且输出对患者的肱骨植入物类型的建议以进行显示。

实例328：一种系统，包括：存储器，被配置为存储患者的患者特定的图像数据；和处理电路，被配置为：识别患者特定的图像数据中的肱骨头；基于患者特定的图像数据确定表示肱骨头的至少一部分的骨密度的骨密度度量；并且控制用户界面呈现位于患者的肱骨头的至少一部分的表示上的骨密度度量的图形表示。

实例329：根据实例328所述的系统，其中，处理电路被配置为：基于骨密度度量生成对患者的肱骨植入物类型的建议；并且输出对患者的肱骨植入物类型的建议以进行显示。

实例330：根据实例328和329中任一项所述的系统，其中，处理电路被配置为执行根据实例313至324中任一项所述的方法。

实例331：一种方法，包括：由处理电路识别患者特定的图像数据中的肱骨头；由处理电路基于患者特定的图像数据确定表示肱骨头的至少一部分的骨密度的骨密度度量；并且由处理电路控制用户界面呈现位于患者的肱骨头的至少一部分的表示上的骨密度度量的图形表示。

实例322：根据实例331所述的方法，进一步包括：基于骨密度度量生成对患者的肱骨植入物类型的建议；并且输出对患者的肱骨植入物类型的建议以进行显示。

实例333：一种包括指令的计算机可读存储介质，当处理器执行指令时，致使处理电路：识别患者的患者特定的图像数据中的肱骨头；基于患者特定的图像数据确定表示肱骨头的至少一部分的骨密度的骨密度度量；并且控制用户界面呈现位于患者的肱骨头的至少一部分的表示上的骨密度度量的图形表示。

实例334：根据实例333所述的系统，其中，处理电路被配置为：基于骨密度度量生成对患者的肱骨植入物类型的建议；并且输出对患者的肱骨植入物类型的建议以进行显示。

实例401：一种用于自动生成对患者的肩部外科手术建议的系统，系统包括：存储器，被配置为存储患者的患者特定的图像数据；和处理电路，被配置为：接收来自存储器的患者特定的图像数据；基于患者特定的图像数据确定与患者的肱骨相关联的一个或多个软组织特征及骨密度度量；基于一个或多个软组织特征生成对患者执行的肩部外科手术类型的建议；基于与肱骨相关联的骨密度度量生成对患者的肱骨植入物类型的建议；并且输出对患者的肩部外科手术类型和肱骨植入物类型的建议。

实例402：根据实例401所述的系统，其中，肱骨植入物类型包括有柄植入物类型或无柄植入物类型中的一种。

实例403：根据实例401和402中任一项所述的系统，其中，肱骨植入物类型的建议包括指示肱骨植入物的柄的长度的建议。

实例404：根据实例401至403中任一项所述的系统，其中，处理电路被配置为输出用户界面以进行显示，用户界面包括位于患者的肱骨的表示上的骨密度度量的图形表示。

实例405：根据实例401至404中任一项所述的系统，其中，一个或多个软组织特征包括患者的软组织结构的脂肪渗透比。

实例406：根据实例405所述的系统，其中，处理电路被配置为通过下列项确定脂肪渗透比：对表示软组织结构的患者特定的形状应用掩罩；对掩罩下的体元应用阈值(threshold)；基于阈值下的体元确定脂肪体积；并且基于脂肪体积和表示软组织结构的患者特定的形状的体积确定脂肪渗透值。

实例407：根据实例401至406中任一项所述的系统，其中，一个或多个软组织特征包括患者的软组织结构的萎缩率。

实例408：根据实例407所述的系统，其中，处理电路被配置为通过下列项确定萎缩率：确定患者的软组织结构的骨骼到肌肉尺度；获得软组织结构的统计平均形状(SMS)；通过满足算法的阈值的方式而使得SMS变形，以使SMS的变形版本拟合于软组织结构的骨骼到肌肉尺度；并且通过使SMS体积除以软组织结构体积而确定软组织结构的萎缩率。

实例409：根据实例401至408中任一项所述的系统，其中，一个或多个软组织特征包括脂肪渗透值或萎缩率中的至少一项，并且其中，处理电路被配置为基于患者的一个或多个软组织结构的脂肪渗透值或萎缩率中的至少一项生成对患者执行的肩部外科手术类型的建议。

实例410：根据实例409所述的系统，其中，处理电路被配置为基于脂肪渗透值或萎缩率中的至少一项确定一个或多个软组织结构的弹簧常数。

实例411：根据实例409和410中任一项所述的系统，其中，一个或多个软组织结构包括患者的肩袖的一块或多块肌肉。

实例412：根据实例401至411中任一项所述的系统，其中，一个或多个软组织特征包括肱骨的运动范围。

实例413：根据实例401至412中任一项所述的系统，其中，处理电路被配置为使用神经网络确定与肱骨相关联的骨骼密度度量的一个或多个软组织特征中的至少一项。

实例414：根据实例413所述的系统，其中，一个或多个软组织特征包括脂肪渗透值、萎缩值、或患者的一个或多个软组织结构的运动范围值中的至少一项，并且其中，处理电路被配置为：将脂肪渗透值、萎缩值、或运动范围值中的至少一项输入至神经网络中；并且基于来自神经网络的输出而生成肩部外科手术类型的建议。

实例415：根据实例401至414中任一项所述的系统，其中，处理电路被配置为通过下列项从患者特定的成像数据中确定一个或多个软组织特征：接收患者的软组织结构的初始形状；确定初始形状上的多个表面点；使初始形状与患者特定的图像数据配准；识别患者特定的图像数据中的一个或多个轮廓，该一个或多个轮廓表示患者的软组织结构的边界；朝向一个或多个轮廓的相应位置迭代地移动多个表面点，以将初始形状改变成表示患者的软组织结构的患者特定的形状；并且基于患者特定的形状确定患者的软组织结构的一个或多个软组织特征。

实例416：根据实例401至415中任一项所述的系统，其中，处理电路被配置为控制用户界面显示一个或多个软组织特征的表示。

实例417：根据实例416所述的系统，其中，处理电路被配置为控制用户界面显示一个或多个软组织特征的表示或者与肱骨相关联的骨骼密度度量中的至少一项作为混合现实用户界面的一部分。

实例418：根据实例401至417中任一项所述的系统，其中，肩部外科手术类型包括解剖学肩置换手术或反向肩置换手术中的一种。

实例419：一种用于自动生成对患者的肩部外科手术建议的方法，方法包括：从存储器接收患者特定的图像数据；由处理电路基于患者特定的成像数据确定与患者的肱骨相关联的一个或多个软组织特征及骨骼密度度量；由处理电路基于与肱骨相关联的肱骨密度度量生成对患者的肱骨植入物类型的建议；并且由处理电路输出患者的肩部外科手术类型和肱骨植入物类型的建议。

实例420：根据实例419所述的方法，其中，肱骨植入物类型包括有柄植入物类型或无柄植入物类型中的一种。

实例421：根据实例419和420中任一项所述的方法，其中，肱骨植入物类型的建议包括指示肱骨植入物的柄的长度的建议。

实例422：根据实例419至421中任一项所述的方法，其中，处理电路被配置为输出用户界面进行显示，用户界面包括位于患者的肱骨头的表示上的骨密度度量的图形表示。

实例423：根据实例419至422中任一项所述的方法，其中，一个或多个软组织特征包括患者的软组织结构的脂肪渗透比。

实例424：根据实例423所述的方法，其中，处理电路被配置为通过下列项确定脂肪渗透比：对表示软组织结构的患者特定的形状应用掩罩；对掩罩下的体元应用阈值；基于阈值下的体元确定脂肪体积；并且基于脂肪体积和表示软组织结构的患者特定的形状的体积确定脂肪渗透值。

实例425：根据实例419至424中任一项所述的方法，其中，一个或多个软组织特征包括患者的软组织结构的萎缩率。

实例426：根据实例425所述的方法，其中，处理电路被配置为通过下列项确定萎缩率：确定患者的软组织结构的骨骼到肌肉尺度；获得软组织结构的统计平均形状(SMS)；通过满足算法的阈值的方式使得SMS变形，以使SMS的变形版本拟合于软组织结构的骨骼到肌肉尺度；并且通过使SMS体积除以软组织结构体积而确定软组织结构的萎缩率。

实例427：根据实例419至426中任一项所述的方法，其中，一个或多个软组织特征包括脂肪渗透值或萎缩率中的至少一项，并且其中，处理电路被配置为基于患者的一个或多个软组织结构的脂肪渗透值或萎缩率中的至少一项生成对患者执行的肩部外科手术类型的建议。

实例428：根据实例427所述的方法，其中，处理电路被配置为基于脂肪渗透值或萎缩率中的至少一项而确定一个或多个软组织结构的弹簧常数。

实例429：根据实例427和428中任一项所述的方法，其中，一个或多个软组织结构包括患者的肩袖的一块或多块肌肉。

实例430：根据实例419至429中任一项所述的方法，其中，一个或多个软组织特征包括肱骨的运动范围。

实例431：根据实例419至431中任一项所述的方法，其中，处理电路被配置为使用神经网络确定与肱骨相关联的骨骼密度度量的一个或多个软组织特征中的至少一项。

实例432：根据实例431所述的方法，其中，一个或多个软组织特征至少包括脂肪渗透值、萎缩值、或患者的一个或多个软组织结构的运动范围值中的一项，并且其中，处理电路被配置为：至少将脂肪渗透值、萎缩值、或运动范围值中的一项输入至神经网络中；并且基于来自神经网络的输出而生成肩部外科手术类型的建议。

实例433：根据实例419至432中任一项所述的方法，其中，处理电路被配置为通过下列项从患者特定的成像数据中确定一个或多个软组织特征：接收患者的软组织结构的初始形状；确定初始形状上的多个表面点；使初始形状与患者特定的图像数据配准；识别患者特定的图像数据中的一个或多个轮廓，该一个或多个轮廓表示患者的软组织结构的边界；朝向一个或多个轮廓的相应位置迭代地移动多个表面点，以将初始形状改变成表示患者的软组织结构的患者特定的形状；并且基于患者特定的形状确定患者的软组织结构的一个或多个软组织特征。

实例434：根据实例419至434中任一项所述的方法，其中，处理电路被配置为控制用户界面显示一个或多个软组织特征的表示。

实例435：根据实例434所述的方法，其中，处理电路被配置为控制用户界面显示一个或多个软组织特征的表示或者与肱骨相关联的骨骼密度度量中的至少一项作为混合现实用户界面的一部分。

实例436：根据实例419至435中任一项所述的方法，其中，肩部外科手术类型包括解剖学肩置换或反向肩置换中的一种。

实例437：一种计算机可读存储介质，当执行时，致使处理电路：从存储器接收患者特定的图像数据；基于患者特定的成像数据确定与患者的肱骨相关联的一个或多个软组织特征及骨骼密度度量；基于一个或多个软组织特征生成对患者执行的肩部外科手术类型的建议；基于与肱骨相关联的肱骨密度度量生成对患者的肱骨植入物类型的建议；并且输出患者的肩部外科手术类型和肱骨植入物类型的建议进行显示。

在对患者的治疗计划中可以使用这些因素中的任意一个或多个。本公开中所描述的技术还可以用于其他类型的治疗的上下文中。例如，可以对诸如全踝关节成形术或其他关节等其他关节健康情况(condition，病症)的治疗进行分析。尽管相对于有限数量的实施例公开了技术，然而，本领域技术人员应当在获得本公开的益处之后认识到多种改造与变形。例如，设想了可以执行所描述的实施例的任意合理的组合。其旨在使得所附权利要求覆盖落在本发明的真实实质和范围内的此类改造与变形。

应当认识到，根据实施例，能够按照不同的顺序执行、可以添加、合并、或一起删除(例如，对于技术的实施，并非所有描述的动作或事件是必要的)此处所述的任意技术的特定动作或事件。而且，在特定实施例中，例如，通过多线程处理、中断处理、或多个处理器可以并发执行、而非顺次执行动作或事件。

在一个或多个实施例中，可以在硬件、软件、固件、或其任意组合中实现所描述的功能。如果在软件中实现，则可以将功能作为一个或多个指令或者代码存储在计算机可读介质上或者通过计算机可读介质发送功能并且由基于硬件的处理单元执行。计算机可读介质可以包括计算机可读存储介质，即，与诸如数据存储介质等有形介质对应，或者可以包括通信介质，包括便于例如根据通信协议将计算机程序从一个地方传输至另一地方的任意介质。如此，计算机可读介质通常可以对应于：(1)非易失性的有形计算机可读存储介质，或(2)诸如信号或载波波等通信介质。数据存储介质可以是能够通过一个或多个计算机或者一个或多个处理器进行访问、以检索用于实现本公开中所描述的技术的指令、代码、和/或数据结构的任意可用介质。计算机程序产品可以包括计算机可读介质。

例如，但不限于，该计算机可读存储介质能够包括RAM、ROM、EEPROM、CD-ROM、或其他光盘存储器、磁盘存储器、或其他磁性存储设备、闪存存储器、或能够用于存储指令或数据结构形式的所需程序代码并且能够由计算机访问的任意其他介质。此外，将任意连接适当地定义为计算机可读介质。例如，如果使用同轴电缆、光纤电缆、双绞线、数字用户线(DSL)、或者诸如红外、无线电、以及微波等无线技术从网站、服务器、或其他远程来源发送指令，则介质的定义包括同轴电缆、光纤电缆、双绞线、DSL、或者诸如红外、无线电、以及微波等无线技术。然而，应当理解的是，计算机可读存储介质与数据存储介质并不包括连接、载波波、信号、或其他易失性介质，但是代替为面向非易失性的有形存储介质。如此处使用的，盘与碟包括压密盘(CD)、激光盘、光盘、数字通用盘(DVD)、软盘、以及蓝光盘，其中，盘通常使数据磁性地再现，而碟利用激光使数据光学地再现。上面组合也应包括在计算机可读介质的范围内。

可以通过一个或多个处理器实现本公开中所描述的操作，其可以实现为固定功能的处理电路、可编程电路、或其组合，诸如一个或多个数字信号处理器(DSP)、通用微处理器、专用集成电路(ASIC)、场可编程门阵列(FPGA)、或其他等同的集成或离散逻辑电路。固定功能的电路指提供具体功能并且针对能够执行的操作进行预设置的电路。可编程电路指能够被编程为执行各种任务并且在能够执行的操作中提供挠性功能的电路。例如，可编程电路可以执行由软件或固件指定、致使可编程电路通过软件或固件的指令限定的方式进行操作的指令。固定功能电路可以执行软件指令(例如，以接收参数或输出参数)，但是，固定功能电路执行的操作类型通常是不可变的。相应地，如此处使用的，术语“处理器”和“处理电路”可以指适合于实现此处所述的技术的任意上述结构或任意其他结构。