Применение нейронной сети для восстановления утраченной поверхности костей черепа
Год: 2023, том 19 Номер: №1 Страницы: 34-40
Рубрика: Нейрохирургия Тип статьи: Оригинальная статья
Авторы: Мишинов С.В.
Организация: ФГБУ «Новосибирский научно-исследовательский институт травматологии и ортопедии им. Я. Л. Цивьяна» Минздрава России
Рубрика: Нейрохирургия Тип статьи: Оригинальная статья
Авторы: Мишинов С.В.
Организация: ФГБУ «Новосибирский научно-исследовательский институт травматологии и ортопедии им. Я. Л. Цивьяна» Минздрава России
Резюме:
Аннотация. Цель: оценка чувствительности, специфичности и точности работы основанного на сверточ-ных нейронных сетях цифрового алгоритма для замещения утраченной поверхности костей черепа. Материал и методы. Обучение нейронной сети проведено в результате 6000 эпох на 78000 вариантов моделей черепов с искусственно генерированными повреждениями. Оценка ключевых параметров работы алгоритма проведена на 222 сериях мультиспиральной компьютерной томографии (МСКТ) пациентов с дефектами костей черепа, представленными в DICOM-формате. Результаты. В целом по группе показатели чувствительности, специфичности и точности составили 95,3, 85,5 и 79,4%. Был проведен ряд экспериментов с этапной сортировкой трехмерных моделей с целью поиска причин неудовлетворительных результатов построения утраченной поверхности костей черепа. Неправильное определение зоны дефекта чаще всего происходило в области лицевого скелета. После исключения серий с наличием артефактов средний прирост метрик составил 2,6%. Заключение. Правильность определения алгоритмом опорных точек на трехмерной модели черепа (специфичность) оказывала наибольшее влияние на итоговую точность построения утраченной поверхности. Максимальная точность работы алгоритма, позволяющая использовать получаемые поверхности без дополнительной обработки в среде для трехмерного моделирования, достигалась на сериях без наличия артефактов при компьютерной томографии (83,5%), а также при дефектах, не распространяющихся на основание черепа (79,5%).
Литература:
1. Мишинов СВ., Ступак В.В., Панченко А.А., Красовский И. Б. Реконструкция лобно-скуло-орбитальной зоны с использованием индивидуального титанового имплантата, созданного методом прямого лазерного спекания на ЗО-принтере. Клинический случай. Российский нейрохирургический журнал им. профессора А.Л. Поленова. 2017; 9(1): 80-2.
2. Окишев Д. H., Черебыло С. А., Коновалов А. Н. и др. Особенности моделирования, изготовления и установки полимерных имплантатов для закрытия дефекта черепа после декомпрессивной трепанации. Вопросы нейрохирургии им. Н.Н. Бурденко. 2022; 86 (1): 17-27.
3. Братцев И. С, Сметанина О. В., Яшин К. С. и др. Краниопластика посттрепанационных дефектов черепа с применением аддитивных технологий Зй-печати. Нейрохирургия. 2021; 23 (2): 34-43.
4. Иванов О. В. Симультанная реконструкция основания черепа и дефекта лобной кости с использованием CAD-CAM-технологий. Медицина экстремальных ситуаций. 2021; 23 (4): 72-7.
5. Zhang Q, Xu Y, Zhou J, et al. Neural network-based repairing skull defects: an initial assessment of performance and feasibility. Journal of Mechanics in Medicine and Biology. 2021; 21 (5): 2140012. DOI: 10.1142/s0219519421400121.
6. Wodzinski M, Daniol M, Socha M, et al. Deep learning-based framework for automatic cranial defect reconstruction and implant modeling. Comput Methods Programs Biomed. 2022; (226): 107173. DOI: 10.1016/j.cmpb.2022.107173.
7. Masouleh MK, Sadeghian S. Deep learning-based method for reconstructing three-dimensional building cadastre models from aerial images. Journal of Applied Remote Sensing. 2019; 13(02): 1. DOI: 10.1117/1.JRS.13.024508.
8. Morais A, Egger J, Alves V. Automated computer-aided design of cranial implants using a deep volumetric convolutional denoising autoencoder. In: Rocha A, Adeli H, Reis L, Costanzo S. (eds). New knowledge in information systems and technologies. Advances in Intelligent Systems and Computing. Springer, Cham. 2019; 932 p. DOI: 10.1007/978-3-030-16187-3J5.
9. Matzkin F, Newcombe V, Glocker B, et al. Cranial implant design via virtual craniectomy with shape priors. arXiv: 2009.13704 [eess. IV]. DOI: 10.48550/arXiv.2009.13704.
10. Kodym O, Spanel M, Herout A. Skull shape reconstruction using cascaded convolutional networks. Computers in Biology and Medicine. 2020; (123): 103886. DOI: 10.1016/j.comp-biomed.2020.103886.
11. Li J, von Campe G, Pepe A, et al. Automatic skull defect restoration and cranial implant generation for cranioplasty. Medical Image Analysis. 2021; (73): 102171. DOI: 10.1016/j.media. 2021.102171.
12. Wu CT, Yang YH, Chang YZ. Three-dimensional deep learning to automatically generate cranial implant geometry. Scientific Reports. 2022; 12 (1): 2683. DOI: 10.1038/S41598-022-06606-9.
| Прикрепленный файл | Размер |
|---|---|
| 2023_01_34-40.pdf | 513.59 кб |
Русский
English