Automated computer-aided design of cranial implants: a deep learning approach

Detalhes bibliográficos
Autor(a) principal: Morais, Ana Rita André
Data de Publicação: 2018
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: https://hdl.handle.net/1822/64157
Resumo: Dissertação de mestrado integrado em Engenharia Biomédica (especialização em Informática Médica)
id RCAP_f995e1eb4871876570925508792be089
oai_identifier_str oai:repositorium.sdum.uminho.pt:1822/64157
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Automated computer-aided design of cranial implants: a deep learning approachCranial implantsMedical imagingComputer-aided design (CAD)Deep learning3D Shape completionDenoising autoencodersImplantes cranianosImagem médicaDesenho assistido por computadorEngenharia e Tecnologia::Engenharia MédicaDissertação de mestrado integrado em Engenharia Biomédica (especialização em Informática Médica)Over the past decade, there has been an increase in the number of surgeries for reconstruction of cranial defects with implants. Computer-aided Design (CAD) software enables the design of patient-specific cranial implants, therefore increasing the reliability of the reconstruction, but there is often a lack of appropriate software. Either the software is expensive to acquire which limits its availability or it is not user-friendly for clinicians and therefore very time-consuming to use. This thesis proposes a Deep Learning (DL) approach towards the automated CAD of cranial implants, allowing the design process to be less user-dependent and even less time-consuming. The problem of reconstructing a cranial defect, which is essentially filling in a hole in a skull, was posed as a 3D shape completion task and, to solve it, a Volumetric Convolutional Denoising Autoencoder (DAE) was implemented using the open-source DL framework PyTorch. In order to train the autoencoder, a large amount of 3D skull models was required, and these were obtained by processing an open-access dataset of Magnetic Resonance Imaging (MRI) brain scans. The 3D skull models were represented as binary voxel occupancy grids and experiments were carried out for different voxel resolutions (303, 603 and 1203). For each experiment, the autoencoder was evaluated in terms of quantitative and qualitative 3D shape completion performance. The obtained results showed that the implemented Volumetric DAE is able to perform shape completion on 3D models of defected skulls, allowing for an efficient and automatic reconstruction of cranial defects with a single forward pass of the trained model. Even though the current computational resources impose limitations in the resolution of the 3D skull models, the results presented in this thesis make it possible to conclude that DL can be considered a promising approach towards the automated reconstruction of cranial defects.O número de cirurgias de reconstrução de defeitos cranianos com recurso a implantes tem vindo a aumentar nos últimos anos. Software de Desenho assistido por Computador permite planear implantes cranianos que sejam específicos para cada paciente, tornando o processo de reconstrução mais fiável, mas tem-se vindo a verificar que há falta de software adequado. Por um lado, o software existente é caro e portanto não está facilmente disponível. Por outro lado, não é específico para uso médico e consequentemente a sua utilização acaba por ser bastante demorada. Esta tese tem como objetivo propor uma abordagem Deep Learning como forma de automatizar o Desenho assistido por Computador de implantes cranianos, de modo a que este processo seja menos dependente do utilizador e menos demorado. O problema da reconstrução de um defeito craniano consiste essencialmente em preencher uma lacuna no crânio, pelo que para tal, foi implementado um Volumetric Convolutional Denoising Autoencoder com recurso à ferramenta open-source PyTorch. Contudo, para treinar o autoencoder, foi necessária uma grande quantidade de modelos 3D de crânios. Estes foram obtidos através do processamento de um dataset de imagens de Ressonância Magnética do crânio. Para os modelos 3D, foi adotada uma representação binária de ocupação dos vóxeis e foram experimentadas diferentes resoluções (303, 603 e 1203). Para cada experiencia, a performance do autoencoder foi quantitativa e qualitativamente avaliada. Os resultados obtidos demonstraram que o Volumetric Denoising Autoencoder implementado é capaz de preencher as lacunas em modelos 3D de crânios defeituosos, permitindo assim uma reconstrução automática e eficiente de defeitos cranianos através de um único forward pass pelo modelo treinado. Apesar de a resolução dos modelos 3D de crânios estar limitada pelos recursos computacionais disponíveis, os resultados obtidos nesta tese permitem concluir que uma abordagem Deep Learning pode ser considerada promissora no sentido de automatizar a reconstrução de defeitos cranianos.Alves, VictorEgger, JanUniversidade do MinhoMorais, Ana Rita André20182018-01-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://hdl.handle.net/1822/64157eng202345602info:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-09-30T01:29:54Zoai:repositorium.sdum.uminho.pt:1822/64157Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T19:34:17.637246Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Automated computer-aided design of cranial implants: a deep learning approach
title Automated computer-aided design of cranial implants: a deep learning approach
spellingShingle Automated computer-aided design of cranial implants: a deep learning approach
Morais, Ana Rita André
Cranial implants
Medical imaging
Computer-aided design (CAD)
Deep learning
3D Shape completion
Denoising autoencoders
Implantes cranianos
Imagem médica
Desenho assistido por computador
Engenharia e Tecnologia::Engenharia Médica
title_short Automated computer-aided design of cranial implants: a deep learning approach
title_full Automated computer-aided design of cranial implants: a deep learning approach
title_fullStr Automated computer-aided design of cranial implants: a deep learning approach
title_full_unstemmed Automated computer-aided design of cranial implants: a deep learning approach
title_sort Automated computer-aided design of cranial implants: a deep learning approach
author Morais, Ana Rita André
author_facet Morais, Ana Rita André
author_role author
dc.contributor.none.fl_str_mv Alves, Victor
Egger, Jan
Universidade do Minho
dc.contributor.author.fl_str_mv Morais, Ana Rita André
dc.subject.por.fl_str_mv Cranial implants
Medical imaging
Computer-aided design (CAD)
Deep learning
3D Shape completion
Denoising autoencoders
Implantes cranianos
Imagem médica
Desenho assistido por computador
Engenharia e Tecnologia::Engenharia Médica
topic Cranial implants
Medical imaging
Computer-aided design (CAD)
Deep learning
3D Shape completion
Denoising autoencoders
Implantes cranianos
Imagem médica
Desenho assistido por computador
Engenharia e Tecnologia::Engenharia Médica
description Dissertação de mestrado integrado em Engenharia Biomédica (especialização em Informática Médica)
publishDate 2018
dc.date.none.fl_str_mv 2018
2018-01-01T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1822/64157
url https://hdl.handle.net/1822/64157
dc.language.iso.fl_str_mv eng
language eng
dc.relation.none.fl_str_mv 202345602
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799132864213680128

Registros relacionados