基于深度学习的颅骨缺损自动重建与植入物建模框架
图像与视频处理
2022-04-14 v1 计算机视觉与模式识别
机器学习
摘要
本工作的目标是提出一种鲁棒、快速且全自动的个性化颅骨缺损重建与植入物建模方法。我们提出一种基于深度学习的两步法，使用改进的 U-Net 架构进行缺损重建，并通过专门的迭代流程改善植入物几何形状，随后自动生成可用于 3D 打印的模型。我们提出一种基于不完美图像配准、结合来自不同数据集样本的跨样本增强方法。我们就不同增强策略进行消融研究，并将其与其他 SOTA 方法进行比较。我们在 MICCAI 会议联合组织的 AutoImplant 2021 挑战赛中引入的三个数据集上评估该方法。我们使用 Dice 系数、边界 Dice 系数和 Hausdorff 距离进行定量评估。平均 Dice 系数、边界 Dice 系数和 Hausdorff 距离的第 95 百分位分别为 0.91、0.94 和 1.53 mm。我们通过 3D 打印和混合现实中的可视化进行额外的定性评估，以确认植入物的实用性。我们提出了一个完整的流程，能够创建可用于 3D 打印的颅骨植入物模型。所述方法是在 AutoImplant 2021 挑战赛所有任务中获第一名的方法的极大扩展版本。我们免费发布源代码，结合开放数据集，使结果完全可复现。颅骨缺损的自动重建可显著缩短个性化植入物的制造时间，并有可能在给定干预期间直接进行 3D 打印过程。此外，我们展示了缺损重建在混合现实中的可用性，可进一步缩短手术时间。
引用
@article{arxiv.2204.06310,
title = {Deep Learning-based Framework for Automatic Cranial Defect Reconstruction and Implant Modeling},
author = {Marek Wodzinski and Mateusz Daniol and Miroslaw Socha and Daria Hemmerling and Maciej Stanuch and Andrzej Skalski},
journal= {arXiv preprint arXiv:2204.06310},
year = {2022}
}