Statistical Deformable Models in Computer 

Assisted Surgery for Estimation of 3D Anatomy 
from Sparse Data

Dr. Kumar Rajamani
M.E. Mueller Research Center, 
Institute for Surgical Technology and Biomechanics, 
University of Berne 
Statistical Deformable Bone Models

Computer Assisted Surgery ?

October 16, 2008 2
Statistical Deformable Bone Models

Motivation of Computer Assisted 
Orthopaedic Surgery (CAOS)

> Enhancing surgical accuracy
— Implant stability
— Quality of surgical treatment

> Standardizing surgical quality

> Enhancing anatomical orientation
— Minimally invasive surgeries

October 16, 2008 3
Statistical Deformable Bone Models

Navigation – basic principle

CT

Tool
October 16, 2008 4
Statistical Deformable Bone Models

Components of CAOS System (1)

> Navigator
— Precisely locates
– Surgical instruments
– Surgical target (bone)
— Usually:
– Optoelectronic camera

October 16, 2008 5
Statistical Deformable Bone Models

Navigation technologies

> Endoscope trackers
> Magnetic trackers
> Optoelectronic trackers
> Range scanner

October 16, 2008 6
Statistical Deformable Bone Models

Components of CAOS System (2)

> Image of the operated 
anatomical region
— Enables preoperative 
planning
— Provides “indirect sight” 
during operation
— Preoperative
– CT
— Intraoperative
– 2­D fluoroscopy
– 3­D fluoroscopy
– Surgeon­defined

October 16, 2008 7
Statistical Deformable Bone Models

Thesis Motivation

> Orthopaedic surgery (Hip Arthroplasty, Knee)
— No CT/MRI  ­> No 3D models
— Visualization is not intuitive

> Problem Definition
— Point Cloud to 3D shape (Statistics – Solution)

Courtesy: Fleute

Knee TKA planning :  Medial view of knee Engineers Problem Definition

October 16, 2008 8
Statistical Deformable Bone Models

Related Work – Fleute, Lavallée, Troccaz
(1998 ­ 2002)

> Euclidean distance minimization
> Solved as multi­dimensional registration
— Initialized by Iterative Closest Point (ICP)
— Sim. Annealing/Simplex Downhill optimization

> Commercial ACL and TKA modules
— Modeled knee

> Large input point set O(102)
> Constrained

October 16, 2008 9
Statistical Deformable Bone Models

Related Work – Chan, Hawkes et al.
(2002~)

> Similar to Fleute et al.
— Iterate between alignment and deformation
— Parallel direct search optimization

> Modeled entire femur

> Input points extracted from ultrasound
— Bone surface points manually extracted
— Large input point set O(103)

> Limited amount of variability

October 16, 2008 10
Statistical Deformable Bone Models

Statistical Deformable Models: 
(Steps & Methods)

> Model Building
— Correspondence Establishment
— PCA based model construction

> Deformation Schemes
— Removal of variability of known points from PCA
— Mahalanobis weighted least­squares fit
— Non­linear deformation framework using TPS

> Validation Schemes
— Leave­one­out experiments
— Plastic bone trials (Pointer & US)
— Dry cadaver bone experiments

October 16, 2008 11
Statistical Deformable Bone Models

Step One ­­ Correspondence Establishment
(Correspondence Evlauation)
> Styner, Rajamani, Szekely, Zsemlye, et al.
— IPMI 2003

> Femoral head / Lateral ventricle structures

> 4 methods:
— Landmark + subdivision (MSS) ­ Zsemlye
— 1st order ellipsoid (SPHARM)    ­ Brehbühler 
— Minimum Description Length    ­  Davies 
— Determinant of Covariance       ­  Kotcheff

> Comparison to manual landmarks

> Correspondence quality 
      measurements
October 16, 2008 12
Statistical Deformable Bone Models

Our Results ­ Correspondence Evaluation

> Compactness: Minimal set of parameters. 
> Generalization: Description of shapes outside training set. 
> Specificity: Representation of only valid instances
> MDL ( & DetCov ­ Kotcheff) had best performance

October 16, 2008 13
Statistical Deformable Bone Models

Step Two : Model Construction 

> Set of objects
— Population of proximal femur surface models 
— Correspondence established

Mean

October 16, 2008 14
Statistical Deformable Bone Models

PCA – Capturing Major Directions of 
Shape Variability

λ2

λ1

λ3

October 16, 2008 15
Statistical Deformable Bone Models

PCA – First Two Modes of Variation

October 16, 2008 16
Statistical Deformable Bone Models

PCA – Eigenmodes

> Any training object is expressed as linear combination
— Average shape + weighted eigenmodes

21.5
* 15.8
*
> An object is represented by a series of numbers
— e.g. [21.5, 15.8, 45.5, ...]

October 16, 2008 17
Statistical Deformable Bone Models

Shape Deformation Scheme – Removal of 
Variability
> Rajamani, Hug, Styner, Based on J. Hug Dissertation
— SPIE Medical Imaging 2004
 
> Removal of variability of known points from PCA 
— 3 vectors for displacement of each points
— Removal in training population and recomputation of 
PCA
— Full set of PCA modes
— Leave­one­out 6 points: Mean error 3.1 ­­ 4.2 mm Removing variability from PCA

> Downsides
↓ Unstable for large number of points
↓ Cannot incorporate more points than PCA modes/3

Modes of variation –
 Before /  After variability reduction
October 16, 2008 18
Statistical Deformable Bone Models

Shape Deformation Scheme – 
Mahalanobis Weighted Fit

α1
* α2
*
> Solve for shape parameters αi, that satisfy some constraints
— Minimize distance term
— Valid shape
> Simple Linear Equation Solution

October 16, 2008 19
Statistical Deformable Bone Models

Euclidean Distance With Mahalanobis 
Shape Regularization

Input points
Mean shape + PCA modes
Mahalanobis distance
Euclidean distance

October 16, 2008 20
Statistical Deformable Bone Models

Results – Leave one out experiments

Median/Mean error (6 points)
2.7mm → 1.2mm
3.4mm → 1.5mm

> Works well with small and large sets of 
points

0     1      2      3      4      5      6     7 
> Stable incorporation of full set of PCA 
modes

> ISBI Paper 2004, Rajamani, Joshi, 
Styner
  0          5         10        15         20        25       
30
October 16, 2008 21
Statistical Deformable Bone Models

Enhanced Deformation Algorithm 

> ´p´ parameter relaxes the 
regularization term as additional 
points are digitized.

> Better estimation result due to ´p´ 
parameter

> MICCAI 2004 paper, Rajamani, 
Nolte, Styner

October 16, 2008 22
Statistical Deformable Bone Models

Outlier Resistance

M­estimator 
Weights

> M­estimators try to reduce the effect of 
outliers 

> Creates an inverted valley function and 
smooth handling of outliers

> SPIE Paper 2005, Rajamani, Gonzalez 
Ballester, Nolte, Styner

October 16, 2008 23
Statistical Deformable Bone Models

Schemes for Points Digitization

> Navigated 2D B­mode ultrasound
> Navigated digitizing pointer

October 16, 2008 24
Statistical Deformable Bone Models

Ultrasound Navigation [Kowal et.al]

> Rapid and accurate calibration
> Automatic segmentation yields bone contours
> Point cloud formed of bone contours provides bone surface 
points for deformable model

October 16, 2008 25
Statistical Deformable Bone Models

Experimental Setup

> Two cast proximal femur bones in water bath

> In­house Research Platform
— Navigation (<0.1 mm tracking error)
— Registration of cast bones’ CT surface models (~0.2 mm error)

> Two users performed tests
— 5 trials per bone to assess repeatability
— 24­26 surface points for deformation (US points sampled)
> Error computation using Mesh [Aspert et al.]

October 16, 2008 26
Statistical Deformable Bone Models

Ultrasound Experiment

October 16, 2008 27
Statistical Deformable Bone Models

Results – Average Mean Surface Error

Bone 1 Bone 2

User 1 User 2 User 1 User 2

Pointer 1.99 [mm] 2.06 [mm] 2.80 [mm] 3.20 [mm]

US 10.15 [mm] 4.59 [mm] 4.55 [mm] 3.95 [mm]

October 16, 2008 28
Statistical Deformable Bone Models

Results – Pointer

7.0

5.0

3.0

1.0

0.0

October 16, 2008 29
Statistical Deformable Bone Models

Results – Ultrasound

> Bone 1
— 3.08 mm error for 1 trial
> Bone 2
— 3.0 ± 0.5 mm error for 4 trials

Gold reference Predicted shape
October 16, 2008 30
Statistical Deformable Bone Models

Validation Studies on Cadaver Femur 
Bones

> 9 cadaver bones were used 
— Two models to study the effect of 
training size on morphing
> Estimation in CT coordinates
> EMBC 2005, Kumar, Haydar, Gonzalez 
Ballester Statistics Cumulated from 9 Cadaver Bones

1.6         1.8         2.0          2.2         2.4         2.6 
7.0

5.0

3.0

1.0

0.0

5         10       15        20        25        30        35        40        45        50 

October 16, 2008 31
Statistical Deformable Bone Models

A Three­stage Process – [Zheng et al.]

> Dense point distribution model (DPDM)

> Registration using ICP
— Removes dependence on initial landmarks
> Linear deformation
— Euclidean distance with Mahalanobis shape 
regularization
> Nonlinear deformation using TPS
— Reduces dependence on training population

October 16, 2008 32
Statistical Deformable Bone Models

Results – Cadaver Femurs 

October 16, 2008 33
Statistical Deformable Bone Models

October 16, 2008 34
Statistical Deformable Bone Models

Summary

> Accurate and stable shape estimation technique from incomplete and 
sparse data. 

> Conference & Journal Articles (September 2002 – Aug 2005)
— Conferences – 11 articles
– IPMI, ISBI, MICCAI, EMBC (2), SPIE (3), CAOS(3) 
– CAOS 2005 Best Technical Podium Presentation
— Journal articles – 3 articles
– CAS 2005 
– Talib, Rajamani, Kowal, Styner, Gonzalez Ballester. 
A Comparison Study Assessing the Feasibility of Ultrasound­Initialized 
Deformable Bone Model 
– MEDIA (Submitted) 
– Rajamani, Styner, Talib, Nolte, Gonzalez Ballester
Statistical Deformable bone models for robust 3D surface extrapolation from 
sparse data
– IEEE TBE (Submitted) 
– Zheng, Rajamani, Dong, Zhang, Gonzalez Ballester, Styner, Nolte
Accurate and Robust Reconstruction of Proximal Femur from Sparse 
Intraoperative Data and Dense PDM for Surgical Navigation
October 16, 2008 35
Statistical Deformable Bone Models

October 16, 2008 36