Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Deep Learning for Cranioplasty in Clinical Practice: Going from Synthetic to Real Patient Data

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26230%2F21%3APU142904" target="_blank" >RIV/00216305:26230/21:PU142904 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://www.sciencedirect.com/science/article/abs/pii/S0010482521005606?via%3Dihub" target="_blank" >https://www.sciencedirect.com/science/article/abs/pii/S0010482521005606?via%3Dihub</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1016/j.compbiomed.2021.104766" target="_blank" >10.1016/j.compbiomed.2021.104766</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Deep Learning for Cranioplasty in Clinical Practice: Going from Synthetic to Real Patient Data

  • Popis výsledku v původním jazyce

    Correct virtual reconstruction of a de- fective skull is a prerequisite for successful cranioplasty and its automatization has the potential for accelerat- ing and standardizing the clinical workflow. This work provides a deep learning-based method for the recon- struction of a skull shape and cranial implant design on clinical data of patients indicated for cranioplasty. The method is based on a cascade of multi-branch vol- umetric CNNs that enables simultaneous training on two different types of cranioplasty ground-truth data: the skull patch, which represents the exact shape of the missing part of the original skull, and which can be eas- ily created artificially from healthy skulls, and expert- designed cranial implant shapes that are much harder to acquire. The proposed method reaches an average surface distance of the reconstructed skull patches of 0.67 mm on a clinical test set of 75 defective skulls. It also achieves a 12% reduction of a newly proposed de- fect border Gaussian curvature error metric, compared to a baseline model trained on synthetic data only. Ad- ditionally, it produces directly 3D printable cranial im- plant shapes with a Dice coefficient 0.88 and a surface error of 0.65 mm. The outputs of the proposed skull reconstruction method reach good quality and can be considered for use in semi- or fully automatic clinical cranial implant design workflows.

  • Název v anglickém jazyce

    Deep Learning for Cranioplasty in Clinical Practice: Going from Synthetic to Real Patient Data

  • Popis výsledku anglicky

    Correct virtual reconstruction of a de- fective skull is a prerequisite for successful cranioplasty and its automatization has the potential for accelerat- ing and standardizing the clinical workflow. This work provides a deep learning-based method for the recon- struction of a skull shape and cranial implant design on clinical data of patients indicated for cranioplasty. The method is based on a cascade of multi-branch vol- umetric CNNs that enables simultaneous training on two different types of cranioplasty ground-truth data: the skull patch, which represents the exact shape of the missing part of the original skull, and which can be eas- ily created artificially from healthy skulls, and expert- designed cranial implant shapes that are much harder to acquire. The proposed method reaches an average surface distance of the reconstructed skull patches of 0.67 mm on a clinical test set of 75 defective skulls. It also achieves a 12% reduction of a newly proposed de- fect border Gaussian curvature error metric, compared to a baseline model trained on synthetic data only. Ad- ditionally, it produces directly 3D printable cranial im- plant shapes with a Dice coefficient 0.88 and a surface error of 0.65 mm. The outputs of the proposed skull reconstruction method reach good quality and can be considered for use in semi- or fully automatic clinical cranial implant design workflows.

Klasifikace

  • Druh

    J<sub>imp</sub> - Článek v periodiku v databázi Web of Science

  • CEP obor

  • OECD FORD obor

    10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Návaznosti výsledku

  • Projekt

  • Návaznosti

    N - Vyzkumna aktivita podporovana z neverejnych zdroju

Ostatní

  • Rok uplatnění

    2021

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název periodika

    COMPUTERS IN BIOLOGY AND MEDICINE

  • ISSN

    0010-4825

  • e-ISSN

    1879-0534

  • Svazek periodika

    137

  • Číslo periodika v rámci svazku

    104766

  • Stát vydavatele periodika

    US - Spojené státy americké

  • Počet stran výsledku

    10

  • Strana od-do

    1-10

  • Kód UT WoS článku

    000704338500006

  • EID výsledku v databázi Scopus

    2-s2.0-85113276148