Frakturen im Handgelenksbereich gehören zu den häufigsten unfallbedingten Verletzungen, welche in der Handchirurgie behandelt werden müssen. Ist die Diagnose unklar oder muss eine Operation durchgeführt werden, wird eine Computer-Tomographie (CT) erstellt, die mittels Röntgenaufnahmen aus verschiedenen Perspektiven ein 3D-Bild erzeugt und die Grundlage für die Therapieempfehlung ist. Aus insgesamt 60 annotierten CT Bildern wurden mit Deep Learning 3D Segmentierungs Modelle erstellt, die Frakturfragmente erkennen können.
Python, Jupyter Notebook, PyTorch, Data Science, Deep Learning, Computer Vision, Segmentation
In diesem Projekt sollen Ansätze zur Segmentierung von 3D CT-Daten untersucht werden, die eine Einteilung in verschiedene Bruchklassen erlauben und dann zu einer Therapieempfehlung führen können. Dazu sollen gängige 3D-CT-Modellarchitekturen recherchiert und eine Auswahl trainiert und evaluiert werden.
Frakturen im Handgelenksbereich gehören zu den häufigsten unfallbedingten Verletzungen, welche in der Handchirurgie behandelt werden müssen. Für die Diagnose werden standardmässig Röntgenbilder der Handgelenksknochen aus zwei verschiedenen Blickwinkeln erfasst. Ist die Diagnose unklar oder muss eine Operation durchgeführt werden, wird eine Computer-Tomographie (CT) erstellt, die mittels Röntgenaufnahmen aus verschiedenen Perspektiven ein 3D-Bild erzeugt und die Grundlage für die Therapieempfehlung ist. Während sich in der 2D-Bild-Segmentierung einige auf Convolutional Neural Networks (CNNs) basierende Architekturen als State-of-the-Art etabliert haben, steckt die Segmentierung von 3D CT-Daten des Handgelenks mit Deep Learning noch in den Kinderschuhen. Von einem Handchirurgen am Kantonsspital Baselland (KSBL) wird bis im Herbst ein solches CT Datenset erstellt und annotiert. Dieses soll als Grundlage für eine 3D-Segmentierung dienen, aus der allenfalls Bruchklassen abgeleitet werden können, die dann zu einer Therapieempfehlung führen.
In dieser Bachelorarbeit wurde in Kooperation mit Dr. med. M. Keller ein Datensatz aus 60 annotierten CT-Bildern von Handgelenk-Frakturfragmenten entwickelt. Die Untersuchung der 3D-Segmentierungsmodelle 3D U-Net, V-Net und U-NeTR zeigte, dass sie erfolgreich Frakturfragmente erkennen und segmentieren können. Diese Ergebnisse zeigen das Potenzial von Deep Learning in der 3D Segmentierung von Handgelenks-Frakturfragmenten.
Projektdauer: 1. Semester, Arbeitsaufwand: 12 ETCS (360 STD pro Student), Team: 2 Personen
Kantonsspital Baselland, Rheinstrasse 26, Liestal
