Craniomaxillofaciale botreconstructie op basis van machinaal leren

De craniomaxillofaciale defecten en misvormingen veroorzaakt door trauma, laesies en verkeersongevallen zijn algemeen erkend, die de gezichtsvorm, het kauwen en de vocalisatie van patiënten ernstig aantasten, en zelfs het gezichtsvermogen en de hersenfuncties aantasten. De meeste van hen moeten worden geïmplanteerd met botvervangers. Het doel van dit onderzoeksproject is om een aantal nieuwe methoden te ontwikkelen om op maat gemaakte implantaten voor schedeldefecten en -misvormingen automatisch te ontwerpen volgens de recent opkomende technologieën, zoals deep learning, machine learning, computervisie en statistisch vormmodel. In hard weefsel zal de gerepareerde resultaatschedel eerst de output zijn. En een Booleaanse bewerking tussen de gerepareerde schedel en het defecte gebied zal worden gebruikt om de gewenste doelimplantaten te genereren. Uiteindelijk zal de chirurg of klinisch ingenieur het ontwerp aanpassen aan de klinische vereisten. Dit werk kan worden onderverdeeld in 3 delen: segmentatie, reconstructie en implantaatontwerp. Ten eerste zal dit werk een nieuw algoritme voorstellen van drie op CNN's gebaseerde subnetwerken en de cascade van 2D- en 3D U-Net-frameworks voor automatische segmentatie. Ten tweede zal de SSM-methode met gewichtsoptimalisatie op basis van diep leren die in deze methode wordt voorgesteld, worden gebruikt om de nauwkeurigheid van het beoogde defectgebied te optimaliseren. Ten slotte zal een methode met de naam 'Modelsnijden, repareren, evalueren' worden voorgesteld om de mate van overeenkomst tussen ontworpen implantaten en de oorspronkelijke gebieden te berekenen. In het zachte weefsel van het gezicht zullen verbeterde methoden en raamwerken op basis van computervisie en diep leren worden voorgesteld om de verwezenlijking van modellen voor oppervlaktereconstructie van gezichtsmodellen en hun gedetailleerde fysieke structuurinformatie te realiseren. In de tussentijd zal een raamwerk op basis van deep learning worden voorgesteld om uit 2D video- en beeldmateriaal een 3D-model te krijgen. Op basis van de ruimtelijke 3D-informatie van het gezichtsscannerapparaat kan een nieuwe methode op basis van oppervlakteregistratie en vervorming worden toegepast om gedetailleerde informatie te verkrijgen. Op basis van de patiëntgegevens van volledig gescand zacht weefsel in het gezicht, zal het model voor reconstructie van zacht weefsel structureel worden verbeterd op basis van een nieuwe methode.