Hluboké učení pro virtuální personalizované modelování a rekonstrukci lebky
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
P
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
Segmentace lebky ze 3D pacientských dat a virtuální rekonstrukce tvaru lebek s defekty jsou nejnáročnějšími kroky potřebnými pro tvorbu lebečních modelů na míru pacienta. Tyto modely jsou v kranioplastice využívány pro plánování operací, poučení pacienta a design implantátů na míru, avšak jejich využitelnost je v současnosti limitována množstvím manuální práce potřebné pro dosažení dostatečné kvality virtuálních modelů. Tato teze má za cíl zefektivnění tohoto virtuálního pracovního postupu s využitím metod hlubokého učení. Teze popisuje klinickou motivaci a současnou výzkumnou literaturu v oblasti automatizace virtuální kranioplastiky. Dále navrhuje nové řešení sestávajicí z metody automatické segmentace lebky založené na kombinaci konvoluční neuronové sítě a algoritmu graph-cut a metody automatické rekonstrukce lebky založené na kaskádě konvolučních sítí. Obě tyto komponenty demonstrují přesnost na úrovni vědeckého stavu poznání. Dále tato práce cílí na zvýšení reprodukovatelnosti výzkumu lebečních rekonstrukcí poskytnutím strukturovaného syntetického datasetu pro vývoj a srovnávání automatických metod. Hlavním cílem této práce je využitelnost v klinické praxi. Zatímco navržená metoda segmentace lebek je již v klinické praxi využívána, integrace automatické virtuální rekonstrukce lebky představuje několik dalších překážek, jako nízká tolerance k nepřesnostem ve tvaru okolo hranice defektu. Tato práce proto také navrhuje rozšíření metody rekonstrukce lebky, které umožňuje její adaptaci na cílovou populaci a typ kraniálních implantátů, který se může mezi jednotlivými klinickými pracovištěmi lišit. Výsledky vyhodnocení experta ukazují, že výstupy této metody dosahují dostatečné kvality pro implementaci do klinické praxe společně s metodou segmentace.
Skull segmentation from 3D patient data and virtual reconstruction of the defective skull shape are the most challenging steps required for creation of patient-specific models of skull. These models are used in cranioplasty practice for surgery planning, patient education and patient-specific implant design, but their utility is currently limited by the amount of manual processing time required to reach sufficient virtual model quality. This thesis aims to streamline this virtual workflow by utilizing deep learning methods. The thesis proposes a novel solution that consists of an automatic skull segmentation method based on a combination of convolutional neural networks and graph cut algorithm and an automatic virtual skull reconstruction method based on convolutional network cascade. Both of these components are demonstrated to achieve state-of-the-art accuracy. This work also aims to improve reproducibility of the skull reconstruction research by providing a structured synthetic dataset for development and benchmarking of automatic methods. The main focus of this work is on applicability in clinical practice. While the proposed skull segmentation method is already successfully deployed to clinical workflow, the integration of automatic virtual skull reconstruction presents some additional challenges, such as low tolerance towards shape imperfections around the defect border. This work therefore also proposes an extension of the skull reconstruction method that allows its adaptation to target population and the desired type of cranial implant shape, which can vary between different clinical sites. The results of expert's evaluation show that the shape outputs of this method reach enough quality to be deployed into clinical practice along with the segmentation method.
Skull segmentation from 3D patient data and virtual reconstruction of the defective skull shape are the most challenging steps required for creation of patient-specific models of skull. These models are used in cranioplasty practice for surgery planning, patient education and patient-specific implant design, but their utility is currently limited by the amount of manual processing time required to reach sufficient virtual model quality. This thesis aims to streamline this virtual workflow by utilizing deep learning methods. The thesis proposes a novel solution that consists of an automatic skull segmentation method based on a combination of convolutional neural networks and graph cut algorithm and an automatic virtual skull reconstruction method based on convolutional network cascade. Both of these components are demonstrated to achieve state-of-the-art accuracy. This work also aims to improve reproducibility of the skull reconstruction research by providing a structured synthetic dataset for development and benchmarking of automatic methods. The main focus of this work is on applicability in clinical practice. While the proposed skull segmentation method is already successfully deployed to clinical workflow, the integration of automatic virtual skull reconstruction presents some additional challenges, such as low tolerance towards shape imperfections around the defect border. This work therefore also proposes an extension of the skull reconstruction method that allows its adaptation to target population and the desired type of cranial implant shape, which can vary between different clinical sites. The results of expert's evaluation show that the shape outputs of this method reach enough quality to be deployed into clinical practice along with the segmentation method.
Description
Citation
KODYM, O. Hluboké učení pro virtuální personalizované modelování a rekonstrukci lebky [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. .
Document type
Document version
Date of access to the full text
Language of document
en
Study field
Výpočetní technika a informatika
Comittee
prof. Ing. Martin Drahanský, Ph.D. (předseda)
doc. Ing. Martin Čadík, Ph.D. (člen)
prof. Dr. Bernhard Egger (člen)
prof. RNDr. Michal Kozubek, Ph.D. (člen)
prof. Dr. Ing. Jan Kybic (člen)
Date of acceptance
Defence
Student přednesl cíle a výsledky, kterých v rámci řešení disertační práce dosáhl. V rozpravě student odpověděl na otázky komise a oponentů. Diskuze je zaznamenána na diskuzních lístcích, které jsou přílohou protokolu. Počet diskuzních lístků: 4. Komise se v závěru jednomyslně usnesla, že student splnil podmínky pro udělení akademického titulu doktor.
The student presented the goals and results, which he achieved within the solution of the dissertation. The student has competently answered the questions of the committee members and opponents. The committee has agreed unanimously that the student has fulfilled requirements for being awarded the academic title Ph.D.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení