SCAI-Net:一个人工智能驱动的框架,用于优化,快速和资源高效的头骨植入物生成,用于使用CT图像进行头骨整形

科学领域:

• 生物医学工程 生物医学工程
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 由于创伤或手术造成的头骨缺陷需要精确的患者特异性植入物 (PSI).
• 传统的计算机辅助设计 (CAD) 方法对于 PSI 是缓慢的,资源密集的,需要专门的技能.
• 人工智能 (AI) 提供了更快,自动化的PSI设计的潜力.

研究的目的:

• 引入使用人工智能网络 (SCAI-Net) 框架进行自动化头骨缺陷重建的头骨完整.
• 开发和评估两个AI变体:SCAI-Net-SDR (基于减去的缺陷重建) 和SCAI-Net-DDR (直接缺陷重建).
• 将人工智能驱动的方法与传统的CAD进行比较,以获得速度,准确性和效率.

主要方法:

• 开发了SCAI-Net,这是一个在2760张CT图像的增强数据集上训练的深度学习模型.
• 实施了SCAI-Net-SDR和SCAI-Net-DDR,在他们的重建方法上有所不同.
• 使用MUG500+和SkullFix数据集训练和评估模型,包括DSC,HD和SSIM等定量指标.
• 进行制造准备的后处理和结构完整性的有限元分析 (FEA).

主要成果:

• 在SkullFix测试案例中,SCAI-Net-DDR实现了卓越的性能,DSC为0.889,HD为1.856毫米,SSIM为0.897.SCAI-Net-DDR在SkullFix测试案例中实现了卓越的性能.
• 在基于减法的方法中,SCAI-Net-SDR表现出了具有竞争力的结果,实现了最佳的高清 (1.855毫米) 和SSIM (0.889).
• 与CAD相比,SCAI-Net-DDR减少了66%的培训时间和99.996%的重建时间.
• 与CAD相比,两种AI变体的端到端植入物生成时间减少了96%以上.

结论:

• SCAI-Net为人工智能驱动的头骨缺陷重建提供了一种具有变革性,时间效率和资源优化的解决方案.
• 通过直接生成缺陷,SCAI-Net-DDR在速度和计算效率方面提供了显著的优势.
• 该框架确保了制造准备和验证的结构完整性,为临床采用铺平了道路.