“E骨”—反肩置换术一站式术前规划系统

The "E-bone" — a one-stop preoperative planning system for reverse total shoulder arthroplasty

摘要

目的 为提高反肩置换术术前规划的精准度和效率，本研究开发了“E骨”—反肩置换术一站式术前规划系统。 方法 利用nnU-net深度神经网络进行肩胛骨分割，获得精确的肩胛骨分割结果；结合骨密度、上下倾角和入钉长度3个关键因素自动定位基座，并计算出手术规划所需定量参数；结合关节盂形态和基座定位信息生成个性化导板；编写系统界面，将各部分功能模块化组装便于使用，提供交互操作与规划结果显示的功能。 结果 构建出“E骨”术前规划系统。本系统与Mimics系统相比，减少了规划过程中繁琐的手动调整，平均入钉长度规划结果长于Mimics系统，且规划时间缩短86%。本系统肩胛骨分割精度达到99.93%，较Mimics更高。 结论 本研究为反肩置换术提供了一套一站式的高效、精准的术前规划方案，具有广泛的临床应用前景。

Abstract

Objective To develop the 'E-Bone', a comprehensive one-stop preoperative planning system for reverse total shoulder arthroplasty with improved accuracy and efficiency. Methods The nnU-net deep neural network was utilized for scapula segmentation to obtain precise scapula segmentation results. Based on the 3 key factors, namely bone density, upward and downward angle and nail length, the base was automatically positioned. The quantitative parameters required for surgical planning were calculated. A personalized guide plate was generated by combining glenoid morphology and base positioning information. The system interface was developed to modularize various functions for easy use, providing interactive operation and real-time display. Results Compared with the Mimics system, the 'E-bone' preoperative planning system reduced complex manual adjustments during the planning process. The average planned nail length was longer than that of the Mimics system, and the planning time was reduced by 86%. The scapula segmentation accuracy of this system reached 99.93%, better than that of Mimics to achieve a higher precision. Conclusion The "E-bone" system provides a one-stop, efficient, and accurate preoperative planning system for reverse shoulder replacement and potentially broader clinical applications.

Graphical abstract

关键词

一站式 / 反肩置换术 / 术前规划系统 / 肩胛骨分割 / 基座定位

Key words

one-stop surgical planning / reverse total shoulder arthroplasty / preoperative planning system / scapula segmentation / base positioning

反肩置换术（RTSA）是一项通过植入肩关节假体以治疗肩袖关节撕裂、肱骨近端骨折等疾病的外科手术方案。RTSA所涉及假体主要有肱骨柄、肱骨垫片、肩盂球、基座、中心固定螺钉等，基座通过中心螺钉固定在关节盂上。RTSA的并发症发生率在19%~68%^［1］，基座的不正确放置是导致并发症的最主要原因^［2］，而中心螺钉的精准定位是基座稳定的关键。有研究显示，基于三维CT影像术前规划方法有助于提升基座定位的精确性、减少术后并发症的发生率^［3］。

RTSA术前规划涉及肩胛骨分割、三维交互、基座定位、导板生成等基本步骤。当前RTSA术前规划软件有Mimics（Materialize,Leuven,Belgium）、OrthoVis（Cleveland Clinic, Cleveland, Ohio）、Glenosys（Imascap, Gr and Rapids, MI）。Mimics^{［4， 5］}提供了肩胛骨分割、三维交互、手动基座定位的功能。OrthoVis^{［6， 7］} 、Glenosys^［8］提供了肩胛骨分割、三维交互、自动基座定位、导板生成，但是RTSA一站式手术规划仍然存在难点：肩胛骨的精准分割及基座的精准快速定位。

针对肩胛骨分割的问题，基座通过中心螺钉固定在肩胛骨的关节盂上，精准分割肩胛骨尤其是关节盂部分才能保证基座定位的准确性。然而，肩胛骨的关节盂和肱骨之间骨间区域狭窄，同时受骨关节炎等临床并发症以及CT成像的部分容积效应等影响，肱骨和关节盂之间会出现区域边界模糊，分割时容易出现关节盂与肱骨的粘连。有研究^［9］指出部分患者在关节盂盂体下方15 mm处的厚度不足10 mm，在更深入部分骨壁更薄，分割时容易出现肩胛骨大面积缺损。Mimics使用传统的阈值分割和区域生长的分割算法，分割参数不能根据图像的不同区域进行自适应调整，分割的结果往往出现关节盂与肱骨的粘连以及肩胛骨的大面积缺损，需要再借助手动分割^{［4， 5］}。Glenosys利用基于模式识别的方法分割肩胛骨^［10］，首先基于数学形态学滤波的全自动分割方法，然后使用3D形状识别算法识别肩部结构，最后专门处理肱骨和关节盂表面可能接触区域。但Glenosys在狭窄的骨壁处容易造成分割缺损^［11］。尽管Mimics、Glenosys均提供了能够对肩胛骨进行初步分割的方法，但难以得到精确的分割结果，不完整的肩胛骨分割结果会对后续基座定位等步骤造成影响，手动修补需消耗大量时间精力。

针对基座精准快速定位的问题，研究显示中心螺钉插入位置的骨密度和入钉长度是影响基座稳定性的关键因素，RTSA通过插入肩胛骨骨质最好的区域和最大限度地延长植入螺钉的长度来减少并发症^［12-14］。同时，上下倾角被认为是三维术前规划和决策过程中的必要参考^{［15， 16］}。故基座的精准定位需综合考虑骨密度、入钉长度、上下倾角。当前基座的定位分为手动定位和自动定位。Mimics完全依靠有经验的外科医生手动定位^［17］。Yang等^［18］在Mimics的基础上，研究了中心螺钉定位的安全区域以及适当的入钉长度，但仍然未得出优化的定位方案。Glenosys^{［8， 19］}、OrthoVis^［6］可实现自动定位，手术规划中能考虑上下倾角并能三维显示入钉的位置和长度，并允许手动调整，最后根据调整的结果实现基座自动定位。尽管Glenosys、OrthoVis均提供了较完善的手术规划功能，但在手术规划过程中未同时考虑骨密度、入钉长度、上下倾角，而在手动调整过程中往往需要通过多个方案对比，有限的方案对比难以保证基座的精准定位。

为解决肩胛骨精准分割与基座精准快速定位的问题，本研究开发“E骨”—RTSA一站式术前规划系统。该系统利用深度神经网络对肩胛骨进行快速精准的分割，结合多个关键因素优化基座定位，生成个性化导板辅助基座精准植入，形成一站式的手术规划系统。

1 方法

1.1 基础数据及流程

本研究数据来自于南方医院影像中心，于2016~2022年共纳入78例患者的CT影像数据，图像层厚为0.7~1.25 mm，数据大小为512×512×74 px~768×768×314 px。所有数据已经过脱敏处理，不含患者个人隐私信息。

RTSA术前规划的整体流程如图1。首先对CT影像数据进行分割，提取出肩胛骨的部分，对其进行三维重建得到肩胛骨三维模型，在三维模型的基础上确定基座、中心螺钉、导板等假体所需参数。

据此流程，确定以nnU-Net深度神经网络方法进行分割，以拟合圆长度搜索法进行基座定位，以面绘制的方法进行三维重建，在 “E骨”系统中实现该流程。

1.2 肩胛骨分割

基于U-Net的深度学习框架成为医学图像分割的基准^［20］，在此基础上提出基于nnU-Net的医学图像分割自适应框架^［21］，该框架能够利用二维和三维图像信息，并能够自适应地进行预处理、训练和推理。为得到较好的肩胛骨分割结果，本研究采用nnU-Net模型。

nnU-Net模型的具体训练流程见图2，主要包括数据预处理、数据增强、多模型训练、选择最佳模型。训练前，需要对数据集进行预处理使其满足训练所需要求。预处理过程包括图像剪裁、收集数据指纹、数据重采样、标准化。在数据预处理后，对其进行数据增强。数据增强包括旋转缩放、加入高斯噪声与高斯模糊、降低分辨率等。nnU-Net框架提供3个基础网络模型，2D U-Net、3D U-Net以及级联3D U-Net（图2）。对3个网络模型分别进行训练，从中选取性能最好的网络模型。

本研究所采用数据为CT影像数据，数据被随机分成训练集和测试集，其中64套训练集用于训练深度学习模型，14套测试集用于进行软件测试以及临床验证。前期对CT影像数据进行人工标注，得到带标签的数据集。数据集为完整胸部CT图像，故预处理时根据数据集标注部分的尺寸对原图像进行剪裁，去除冗余数据，以节省训练的内存开销。数据集CT图像属性并不统一，故将重采样的体素距离选取为0.48×0.48×0.8，并采用z-score标准化，以消除不同图像间的属性差异。训练阶段，采用5折交叉验证，所使用Loss函数为DiceLoss与Cross-Entropy Loss之和，优化器采用随机梯度下降方法。经过训练得到多个网络模型，采用Dice系数作为评估标准进行分割效果的比较，最后选用效果最好的3D U-Net模型作为最终模型。

1.3 基座定位

采用半自动方法进行基座定位，基座通过中心螺钉固定在肩胛骨上，通过入钉点与角度可定位螺钉。其中，确定入钉点需要医生手工取点。基座定位的步骤为先进行手工取点，再计算入钉点，最后通过搜索算法，在预设范围内搜索，自动确定最佳角度（图3）。

首先，需要确定入钉点。研究指出，肩关节盂下缘部分接近于圆形，圆心处骨密度强度大，适合作为最佳入钉点^［22］。寻找该点可采用拟合圆法，需要临床医生在肩关节盂的下缘均匀取得3个点，这3个点拟合圆的圆心可看作肩关节盂下缘的圆心，以该点作为入钉点。

其次，需要确定角度，要求在该角度能够有最长的入钉长度。角度分为上下倾角与前后倾角，以拟合圆向内的法向量方向为基准，我们定义肩关节上下运动的方向为上下倾角，前后运动的方向为前后倾角。研究指出，为减少关节盂的松动和并发症，中心螺钉的入钉需要10°下倾角^［23］。本研究考虑到患者个体差异的同时，为保证搜索算法的效率，将入钉的上下倾角搜索范围定义在10°~15°，前后倾角定义在-10°~10°。确定角度时采用搜索法，从入钉点以该角度范围，每隔一定角度发射射线，触碰到肩胛骨边缘则停止。从所有射线中选取最长的射线，以该射线长度作为中心螺钉最长可植入长度的模拟，以该射线的上下、前后倾角作为最佳入钉角度。

1.4 三维重建

分割后的CT图像数据仍然为二维序列图像，为方便术前规划的三维交互，需要将二维序列图像进行三维重建。本研究利用VTK图形可视化工具实现三维重建。通过读取分割的肩胛骨数据，得到由二维面逐层叠加形成的三维像素点阵，再使用VTK渲染三维像素点阵。本研究尝试了基于移动立方体的面绘制算法与基于图像序列的光线追踪体绘制算法（图4）。

比较发现，移动立方体算法与光线追踪法重建质量都符合医生术前规划所需。同时，移动立方体算法相较于光线追踪法使用的运算资源少，重建速度快，故本研究最后采用基于移动立方体的面绘制算法。

1.5 RTSA一站式系统

一站式的设计旨在让医生仅使用“E骨”系统，便能完成整个RTSA的术前规划。系统需要做到流程清晰、功能凝练、操作简便。为实现一站式的设计，系统采用了模块化的思路，模块与RTSA术前规划步骤相对应，包括肩胛骨分割、基座定位、三维重建以及文件读取与假体生成模块。文件读取采用os标准库实现选择与读取文件。假体生成模块根据基座定位所得参数自动生成、定位并放置螺钉、导板与基座，其中除导板外均可按临床医生所提供模型预设，导板为沿着拟合圆面生成的个性化导板。最终实现 “E骨”系统（图5）。

借助“E骨”系统进行RTSA术前规划时，仅需要医生参与3个关键节点。首先是文件读取，需要医生手动选择待规划的患者数据。其次，在自动的分割与三维重建后，需要医生在肩胛骨下缘取点以自动定位基座与生成假体。最后，若医生需要进一步优化，可对中心螺钉进行微调，调整入钉点与入钉角度等参数，便可重新生成假体。

1.6 验证实验与统计学方法

由于Glenosys和OrthoVis软件无法通过公共平台获取，本研究无法通过实验对比本系统与以上两种系统的结果。临床验证实验仅针对本系统与Mimics系统进行，分为实验组和对照组，对照组由3位临床医生通过Mimics系统对14套数据进行术前规划，医生均熟练使用Mimics进行RTSA术前规划。实验组由同样的3位临床医生通过本系统进行RTSA术前规划。从两方面进行对比评估：（1）术前规划结果以Mimics与本系统的规划时间、入钉长度进行对比评估，采用T检验分析实验组与对照组差异；（2）分割结果以分割结果二维和三维显示效果进行对比评估。

同时，为验证半自动的基座定位与假体生成的效果是否会因为手动取点操作的差异而受到较大影响，对本系统自动算法进行稳定性评估。本实验由5位无临床经验的在读医学生进行，实验前进行取点培训，实验中对14套测试数据重复5次术前规划，并记录入钉长度值、上下倾角值与前后倾角值用于稳定性评估，采用卡方检验分析学生实验结果差异。

2 结果

2.1 术前手术规划结果评估

实验组平均规划时间短于对照组（5.01 min vs 35.77 min, P<0.001）。实验组的入钉长度长于对照组（32.74 mm vs 27.32 mm, P<0.05，图6）。

2.2 分割结果评估

对比评估实验中随机抽取的3套数据，部分肩胛骨与肱骨距离较近，分割时容易产生粘连（图7A1~C1），部分肩胛骨灰度值与附近差异不明显（图7A2~C2），分割时容易产生缺损。Mimics无法区分灰度值相近的骨骼（图7B）。肩胛骨与肱骨区域紧邻（图7B1），医生后续需要进一步手动分离，图7B2、B3显示Mimics无法分割完全，肩胛骨处有缺损。本研究分割方法能够做到单独分割肩胛骨与肱骨（绿色为肩胛骨，红色为肱骨），且不存在分割缺损的情况（图7C）。直接使用Mimics分割的结果重建效果显示，Mimics原始分割结果存在大量假阳性，包含了肩胛骨周围大量骨骼（图7D）。医生对Mimics分割结果进行手动修改后的重建效果见图7E，本系统重建所得效果（图7F），对比显示医生手动调整后结果仍存在部分缺损，而本研究方法能够完整分割重建。

2.3 系统自动算法稳定性评估

入钉长度值箱线图显示（图8A），除14号数据异常与11号数据出现极值外，大部分数据的方差较小，数据较为集中，不同人员采用本系统进行术前规划无显著性差异（P>0.05）。倾角值散点图显示（图8B、C），上下倾角的范围在10°~15°，左右倾角的范围在-10°~10°，且值较散，并不集中。

3 讨论

近年来，大多数RTSA术前规划软件较为复杂，需要大量操作上的学习成本。Mimics在基座定位中需要医生手动进行定位与调整，繁琐且耗时耗力，在肩胛骨分割中采用的是简单的阈值分割等方法，效果较差，需要医生手动填补。Glenosys采用基于形态学滤波的方法进行分割，需要多次人工干预，且分割不够准确，只能得到初步的分割结果。OrthoVis使用有限型号的假体进行规划，在假体精准匹配方面有一定局限性，且导板种类固定无法自适应患者肩胛盂。针对当前RTSA术前规划存在肩胛骨分割不精准、基座无法自动精准定位、无法获得一站式手术规划方案的问题，本文开发了一站式RTSA术前规划系统。

本系统与Mimics方法的对比显示，本系统平均术前规划时间约为Mimics规划的14%，缩短了86%，平均入钉长度比Mimics规划长约5 mm。Mimics提供“Move and Rotate tools”功能^［25］，可用于对基座的平移和旋转，但未能提供基座自动定位功能，因此基座的定位完全依赖用户手动操作，用户需要多次移动或旋转才能将基座放置在合适位置。借助本系统进行术前规划，医生只需要在3个关键节点进行操作，大部分机械性操作交由自动算法完成，这是本系统术前规划时间相较于Mimics大大减少的原因。由于自动算法相较于人工方法更精准，能够穷举的情况更多，本系统进行规划所得的入钉长度也更长。据文献报道， RTSA通过最大限度地延长植入螺钉的长度来改善基座的固定^［14］，即关节假体是否合适与其基座中心螺钉的入钉长度有关，更长的中心螺钉植入能够提供更佳的稳固效果。故借助本系统进行术前规划，基座会更加稳固，也预计能提高手术的预后效果，有待后续进一步的临床验证。

与Mimics系统相比，本系统分割结果更为准确。Mimics在进行目标分割过程中，需要人工设定分割的阈值，且对于肩胛骨的分割阈值并没有统一的参考值，需要多次手动修改^［5，9］。本研究显示，传统的阈值分割法并不能区分灰度值相近的骨骼，当同一骨骼灰度值有差异时还会存在缺损，且若出现肩胛骨与肱骨距离较近的情况，阈值分割法难以将其彻底分离，需要进行后处理，即进行人工修改调整。通过医生的人工修改，虽然能够极大地改善重建效果，但所需时间较长。我们采用深度学习的方法，能够只对肩胛骨与肱骨进行分割，且不受灰度值差异的影响。同时，我们的分割结果不需要或仅需要极少的后处理就能得到很好的重建效果。据研究显示，Glenosys肩胛骨分割能达到88.98%的精度^［11］，但在肩胛骨骨壁处出现严重的缺损，而本文的分割精度达到99.93%。故本系统的分割方法在分割精度方面优于Mimics和Glenosys。

Parsons等^［24］研究指出，不同的医生术前计划结果可能截然不同，而本系统一定程度上可以避免此问题。本研究结果显示，除14号因为数据本身原因方差大外，其余数据方差均较小。表明经过取点培训后，即使是毫无术前规划经验的人员，通过系统得到的入钉长度都能较为统一，可知系统自动算法的稳定性较好。

尽管本文所开发的系统能够高效实现RTSA的术前规划，但在肩胛骨分割时需要进行深度学习预测，自动定位基座时需要进行大量计算。这些步骤对计算机硬件的要求偏高，总体耗时可能会随硬件条件的降低而增加。同时，本系统在入钉点的选取方面还有待完善，当前3点拟合圆的方法需要患者的肩胛盂近似圆弧面，若患者肩胛盂凹陷较深，术前规划稳定性会变差。如本研究中11号数据出现极端值，14号数据重复实验得到的结果相对其他数据方差较大。此外，本研究所使用的数据集均来自肩胛完好的患者，多数RTSA手术的患者肩胛会存在不同程度的损伤，对于这些肩胛损伤的数据进行术前规划的效果仍需进一步评估。

综上所述，本文开发了一站式RTSA术前规划系统，该系统的实现基于肩胛骨分割、基座定位、三维重建等模块。该系统能够对胸部CT图像进行精准的肩胛骨分割与三维重建，并能够在三维可视化模型的基础上进行RTSA的术前规划，可成为辅助医生实施反肩置换术置换术的工具之一。

参考文献

[1] Lee DH, Choi YS, Potter HG, et al. Reverse total shoulder arthroplasty: an imaging overview[J]. Skeletal Radiol, 2020, 49(1): 19-30. DOI: 10.1007/s00256-019-03275-0

[2] Bohsali KI, Bois AJ, Wirth MA.Complications of shoulder arthroplasty[J]. J Bone Joint Surg, 2017, 99(3): 256-69. DOI: 10.2106/jbjs.16.00935

[3] Lilley BM, Lachance A, Peebles AM, et al. What is the deviation in 3D preoperative planning software? A systematic review of concordance between plan and actual implant in reverse total shoulder arthroplasty[J]. J Shoulder Elb Surg, 2022, 31(5): 1073-82. DOI: 10.1016/j.jse.2021.12.006

[4] Lewis GS, Bryce CD, Davison AC, et al. Location of the optimized centerline of the glenoid vault: a comparison of two operative techniques with use of three-dimensional computer modeling[J]. J Bone Jt Surg Am Vol, 2010, 92(5): 1188-94. DOI: 10.2106/jbjs.i.00131

[5] Budge MD, Lewis GS, Schaefer E, et al. Comparison of standard two-dimensional and three-dimensional corrected glenoid version measurements[J]. J Shoulder Elb Surg, 2011, 20(4): 577-83. DOI: 10.1016/j.jse.2010.11.003

[6] Iannotti JP, Walker K, Rodriguez E, et al. Accuracy of 3-dimensional planning, implant templating, and patient-specific instrumentation in anatomic total shoulder arthroplasty[J]. J Bone Joint Surg Am, 2019, 101(5): 446-57. DOI: 10.2106/jbjs.17.01614

[7] Iannotti JP, Weiner S, Rodriguez E, et al. Three-dimensional imaging and templating improve glenoid implant positioning[J]. J Bone Joint Surg Am, 2015, 97(8): 651-8. DOI: 10.2106/jbjs.n.00493

[8] Walch G, Vezeridis PS, Boileau P, et al. Three-dimensional planning and use of patient-specific guides improve glenoid component position: an in vitro study[J]. J Shoulder Elbow Surg, 2015, 24(2): 302-9. DOI: 10.1016/j.jse.2014.05.029

[9] Mehta MP, Vogel LA, Shiu BB, et al. Determining glenoid component version after total shoulder arthroplasty[J]. J Shoulder Elbow Surg, 2018, 27(9): 1588-95. DOI: 10.1016/j.jse.2018.03.003

[10] Boileau P, Cheval D, Gauci MO, et al. Automated three-dimensional measurement of glenoid version and inclination in arthritic shoulders[J]. J Bone Joint Surg Am, 2018, 100(1): 57-65. DOI: 10.2106/jbjs.16.01122

[11] Jacquot A, Gauci MO, Chaoui J, et al. Proper benefit of a three dimensional pre-operative planning software for glenoid component positioning in total shoulder arthroplasty[J]. Int Orthop, 2018, 42(12): 2897-906. DOI: 10.1007/s00264-018-4037-1

[12] Lung TS, Cruickshank D, Grant HJ, et al. Factors contributing to glenoid baseplate micromotion in reverse shoulder arthroplasty: a biomechanical study[J]. J Shoulder Elbow Surg, 2019, 28(4): 648-53. DOI: 10.1016/j.jse.2018.09.012

[13] Ausberto VG, Glen AD. Computer-assisted navigation improve baseplate screw configuration in reverse shoulder arthroplasty [J]. J Orthopaedics, 2016, 36: 29-35.

[14] Moreschini F, Colasanti GB, Cataldi C, et al. Pre-operative CT-based planning integrated with intra-operative navigation in reverse shoulder arthroplasty: data acquisition and analysis protocol, and preliminary results of navigated versus conventional surgery[J]. Dose-response, 2020, 18(4): 70832. DOI: 10.1177/1559325820970832

[15] Farron A, Terrier A, Büchler P. Risks of loosening of a prosthetic glenoid implanted in retroversion[J]. J Shoulder Elbow Surg, 2006, 15(4): 521-6. DOI: 10.1016/j.jse.2005.10.003

[16] Boileau P, Gauci MO, Wagner ER, et al. The reverse shoulder arthroplasty angle: a new measurement of glenoid inclination for reverse shoulder arthroplasty[J]. J Shoulder Elbow Surg, 2019, 28(7): 1281-90. DOI: 10.1016/j.jse.2018.11.074

[17] Cabarcas BC, Cvetanovich GL, Espinoza-Orias AA, et al. Novel 3-dimensionally printed patient-specific guide improves accuracy compared with standard total shoulder arthroplasty guide: a cadaveric study[J]. JSES Open Access, 2019, 3(2): 83-92. DOI: 10.1016/j.jses.2019.04.001

[18] Yang YH, Zuo JL, Liu T, et al. Glenoid morphology and the safe zone for protecting the suprascapular nerve during baseplate fixation in reverse shoulder arthroplasty[J]. Int Orthop, 2018, 42(3): 587-93. DOI: 10.1007/s00264-017-3646-4

[19] Mizuno N, Nonaka S, Ozaki R, et al. Three-dimensional assessment of the normal Japanese glenoid and comparison with the normal French glenoid[J]. Orthop Traumatol Surg Res, 2017, 103(8): 1271-5. DOI: 10.1016/j.otsr.2017.08.015

[20] Ronneberger O, Fischer P, Brox T. U-net: convolutional networks for biomedical image segmentation[C]. MICCAI. Springer, 2015: 234-41. DOI: 10.1007/978-3-319-24574-4_28

[21] Isensee F, Jaeger PF, Kohl SAA, et al. nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation[J]. Nat Methods, 2021, 18(2): 203-11. DOI: 10.1038/s41592-020-01008-z

[22] Provencher CD, Matthew T, et al. Recurrent shoulder instability: current concepts for evaluation and management of glenoid bone loss[J]. J Bone Joint Surge, 2012, (2): 133-51. DOI: 10.1016/j.yhls.2011.04.082

[23] Boileau P. Complications and revision of reverse total shoulder arthroplasty[J]. Orthop Traumatol Surg Res, 2016, 102(1 ): S33-43. DOI: 10.1016/j.otsr.2015.06.031

[24] Parsons M, Greene A, Polakovic S, et al. Assessment of surgeon variability in preoperative planning of reverse total shoulder arthroplasty: a quantitative comparison of 49 cases planned by 9 surgeons[J]. J Shoulder Elbow Surg, 2020, 29(10): 2080-8. DOI: 10.1016/j.jse.2020.02.023

[25] MedicalMaterialise.How to plan a knee surgery in materialise mimics[OL]. 2020,

基金资助

RIGHTS & PERMISSIONS

版权所有©《南方医科大学学报》编辑部2021