|
|
Deep Learning for Virtual Patient-Specific Skull Modelling and Reconstruction
Kodym, Oldřich ; Kozubek, Michal (referee) ; Egger, Bernhard (referee) ; Herout, Adam (advisor)
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.
|
|
|
Deep Learning for Virtual Patient-Specific Skull Modelling and Reconstruction
Kodym, Oldřich ; Kozubek, Michal (referee) ; Egger, Bernhard (referee) ; Herout, Adam (advisor)
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.
|
guest ::
