使用有限元分析和机器学习进行弹辅助的松骨修复的自动化手术规划
1Ulster University, School of Engineering, Belfast, United Kingdom.
PloS one
|November 28, 2023
概括
这项研究引入了一种使用机器学习和有限元分析的自动化工具,用于预测形突 (合形) 纠正手术结果. XGBoost算法准确地预测了手术后头指数,改善了手术规划和结果.
科学领域:
- 生物医学工程 生物医学工程
- 计算生物学 计算生物学
- 儿科神经外科 儿科神经外科
背景情况:
- 圣突,由圣突的过早融合引起,导致婴儿的头骨形.
- 目前用于弹辅助骨整形的手术规划缺乏精度,可能导致不理想的结果.
- 现有的方法专注于骨解剖或需要广泛的模拟,阻碍了清晰的参数选择.
研究的目的:
- 开发一种自动化工具架构,用于预测在春季辅助关节整形术中手术后的结果.
- 整合机器学习和有限元分析,以改善外科手术规划.
- 为了提高手术参数选择的准确性和效率.
主要方法:
- 开发了一个有限元模型,模拟calvarium属性,骨切割大小和弹特性.
- 测试了6个机器学习算法,包括XGBoost,与有限元模型对比.
- 为了算法评估,利用了沙吉塔交叉形的统计形状模型.
主要成果:
- XGBoost算法在预测手术后头骨指数方面表现出高准确度.
- 有限元模拟验证了XGBoost算法所做的预测.
- 开发的架构结构为预测结果提供了一个强大的框架.
结论:
- 提出的自动化工具架构可以显著改善弹辅助骨整形手术的手术规划.
- 准确预测手术后头骨指数有助于优化手术参数.
- 这种方法有潜力提高患者在沙吉塔骨同位症纠正方面的结果.
