Применение нейронной сети для восстановления утраченной поверхности костей черепа
Автор: Мишинов С.В.
Журнал: Саратовский научно-медицинский журнал @ssmj
Рубрика: Нейрохирургия
Статья в выпуске: 1 т.19, 2023 года.
Бесплатный доступ
Цель: оценка чувствительности, специфичности и точности работы основанного на сверточных нейронных сетях цифрового алгоритма для замещения утраченной поверхности костей черепа. Материал и методы. Обучение нейронной сети проведено в результате 6000 эпох на 78000 вариантов моделей черепов с искусственно генерированными повреждениями. Оценка ключевых параметров работы алгоритма проведена на 222 сериях мультиспиральной компьютерной томографии (МСКТ) пациентов с дефектами костей черепа, представленными в DICOM-формате. Результаты. В целом по группе показатели чувствительности, специфичности и точности составили 95,3, 85,5 и 79,4%. Был проведен ряд экспериментов с этапной сортировкой трехмерных моделей с целью поиска причин неудовлетворительных результатов построения утраченной поверхности костей черепа. Неправильное определение зоны дефекта чаще всего происходило в области лицевого скелета. После исключения серий с наличием артефактов средний прирост метрик составил 2,6%. Заключение. Правильность определения алгоритмом опорных точек на трехмерной модели черепа (специфичность) оказывала наибольшее влияние на итоговую точность построения утраченной поверхности. Максимальная точность работы алгоритма, позволяющая использовать получаемые поверхности без дополнительной обработки в среде для трехмерного моделирования, достигалась на сериях без наличия артефактов при компьютерной томографии (83,5%), а также при дефектах, не распространяющихся на основание черепа (79,5%).
Краниопластика, нейронные сети, нейрохирургия, трехмерное моделирование
Короткий адрес: https://sciup.org/149143894
IDR: 149143894 | DOI: 10.15275/ssmj1901034
Список литературы Применение нейронной сети для восстановления утраченной поверхности костей черепа
- Mishinov SV, Stupak VV, Panchenko AA, Krasovskiy IB. Reconstruction of frontomalarorbital region with use of the individual titan implant developed with direct laser sintering with 3D printer. Clinical case. Russian Polenov Neurosurgical Journal. 2017; 9 (1): 80–2. (In Russ.) Мишинов С. В., Ступак В. В., Панченко А. А., Красовский И. Б. Реконструкция лобно-скулоорбитальной зоны с использованием индивидуального титанового имплантата, созданного методом прямого лазерного спекания на 3D-принтере. Клинический случай. Российский нейрохирургический журнал им. профессора А. Л. Поленова. 2017; 9 (1): 80–2.
- Okishev DN, Cherebylo SA, Konovalov AN, et al. Features of modeling a polymer implant for closing a defect after decompressive craniotomy. Voprosy Neirokhirurgii Imeni N. N. Burdenko. 2022; 86 (1): 17–27. (In Russ.) Окишев Д. Н., Черебыло С. А., Коновалов А. Н. и др. Особенности моделирования, изготовления и установки полимерных имплантатов для закрытия дефекта черепа после декомпрессивной трепанации. Вопросы нейрохирургии им. Н. Н. Бурденко. 2022; 86 (1): 17–27.
- Bratsev IS, Smetanina OV, Yashin KS, et al. Сranioplasty of post-trepanation skull defects using additive 3D printing technologies. Neyrokhirurgiya = Russian Journal of Neurosurgery. 2021; 23 (2): 34–43. (In Russ.) Братцев И. С., Сметанина О. В., Яшин К. С. и др. Краниопластика посттрепанационных дефектов черепа с применением аддитивных технологий 3D-печати. Нейрохирургия. 2021; 23 (2): 34–43.
- Ivanov OV. Simultaneous repair of the skull base and the frontal lobe defect using CAD–CAM technology. Extreme Medicine. 2021; 23 (4): 72–7. (In Russ.) Иванов О. В. Симультанная реконструкция основания черепа и дефекта лобной кости с использованием CAD–CAM-технологий. Медицина экстремальных ситуаций. 2021; 23 (4): 72–7.
- Zhang Q, Xu Y, Zhou J, et al. Neural network-based repairing skull defects: an initial assessment of performance and feasibility. Journal of Mechanics in Medicine and Biology. 2021; 21 (5): 2140012. DOI: 10.1142 / s0219519421400121.
- Wodzinski M, Daniol M, Socha M, et al. Deep learningbased framework for automatic cranial defect reconstruction and implant modeling. Comput Methods Programs Biomed. 2022; (226): 107173. DOI: 10.1016 / j.cmpb.2022.107173.
- Masouleh MK, Sadeghian S. Deep learning-based method for reconstructing three-dimensional building cadastre models from aerial images. Journal of Applied Remote Sensing. 2019; 13 (02): 1. DOI: 10.1117 / 1.JRS.13.024508.
- Morais A, Egger J, Alves V. Automated computer-aided design of cranial implants using a deep volumetric convolutional denoising autoencoder. In: Rocha Á, Adeli H, Reis L, Costanzo S. (eds). New knowledge in information systems and technologies. Advances in Intelligent Systems and Computing. Springer, Cham. 2019; 932 р. DOI: 10.1007 / 978‑3‑030‑16187‑3_15.
- Matzkin F, Newcombe V, Glocker B, et al. Cranial implant design via virtual craniectomy with shape priors. arXiv: 2009.13704 [eess. IV]. DOI: 10.48550 / arXiv.2009.13704.
- Kodym O, Španěl M, Herout A. Skull shape reconstruction using cascaded convolutional networks. Computers in Biology and Medicine. 2020; (123): 103886. DOI: 10.1016 / j.compbiomed.2020.103886.
- Li J, von Campe G, Pepe A, et al. Automatic skull defect restoration and cranial implant generation for cranioplasty. Medical Image Analysis. 2021; (73): 102171. DOI: 10.1016 / j.media. 2021.102171.
- Wu CT, Yang YH, Chang YZ. Three-dimensional deep learning to automatically generate cranial implant geometry. Scientific Reports. 2022; 12 (1): 2683. DOI: 10.1038 / s41598‑022‑06606‑9.
