Leeftijds- en geslachtsgebonden 3D-vormanalyse en geometrisch diep leren ten voordele van kinderen die een klinisch craniofaciaal onderzoek en chirurgie ondergaan

Het enige doel van veel procedures in plastische en reconstructieve chirurgie is het herstellen van de menselijke vorm, maar het plannen en beoordelen van de resultaten is een grote uitdaging. 3D-fotografie biedt een nauwkeurig en reproduceerbaar beeld van de anatomie van het craniofaciale (CF) oppervlak met groot potentieel voor het plannen en beoordelen van behandelingen. Een cruciaal punt bij de analyse van kinderen is echter de verandering in het gezicht en de schedelvorm, die optreedt bij normale groei. Daarom is het doel van dit project om geslachts-specifieke 3D CF-groeicurven op te nemen, wat een nauwkeurige beschrijving mogelijk maakt van hoe CF-afwijkingen van normaal ontstaan en veranderen tijdens de kindertijd. Vanwege de niet-lineaire complexiteit van CF-groei en, streven we ernaar om de modellering van de 3D-groeicurven technisch te verbeteren met behulp van geometrisch diep leren o.b.v. gemengde data-ontwerpen, waarbij zowel cross-sectionele als longitudinale datasets worden gebruikt. Hiertoe is nauwe interactie met klinische experts en benchmarking met traditionele multivariate 3D-vormanalysetechnieken vereist. Bovendien kunnen we op basis van longitudinale patiëntdatasets leren om CF-groei en chirurgische resultaten te voorspellen, en dit gedurende vele jaren na de interventie. In het bijzonder zullen we de effecten van schedel- en schedelbasishechtingsfusie op CF-groei onderzoeken bij een grote groep patiënten met links/rechts unicoronale synostosis.