Thanh bên bài viết

PDF
Ngày xuất bản: 28/03/2023
Số lượt xem tóm tắt: 140
Số lượt xem PDF: 89
DOI: https://doi.org/10.56535/jmpm.v48i3.296
Số xuất bản
Tập 48 Số 3 (2023): TẠP CHÍ Y DƯỢC HỌC QUÂN SỰ SỐ 3 - 2023
Chuyên mục
Bài báo
Trích dẫn bài báo
Lê, N. H., Hoàng, A. T., & Nguyễn, V. G. (2023). GIẢI PHÁP SINH MẢNH GHÉP CHO BN KHUYẾT SỌ SỬ DỤNG KỸ THUẬT HỌC SÂU. Tạp chí Y Dược học Quân sự, 48(3), 84-95. https://doi.org/10.56535/jmpm.v48i3.296

GIẢI PHÁP SINH MẢNH GHÉP CHO BN KHUYẾT SỌ SỬ DỤNG KỸ THUẬT HỌC SÂU

Lê Ngọc Hân1,2, Hoàng Anh Tuấn2, Nguyễn Văn Giang1,
1 Viện Công nghệ Thông tin và Truyền thông, Học viện Kỹ thuật Quân sự
2 Phòng Khoa học Quân sự, Học viện Quân y

Nội dung chính của bài viết

Tóm tắt

Mục tiêu: Nghiên cứu, đề xuất giải pháp sinh mảnh ghép cho bệnh nhân (BN) khuyết sọ trong phẫu thuật hộp sọ sử dụng các kỹ thuật học sâu. Đối tượng và phương pháp: BN bị khuyết sọ được chụp cắt lớp vi tính (CLVT). Ảnh chụp CLVT được xử lý dựa trên cơ sở kỹ thuật xử lý ảnh và học sâu, mảnh ghép được chương trình máy tính tính toán và khuyến nghị cho bác sĩ, phục vụ công tác hội chẩn và lên phương án phẫu thuật. Các kỹ thuật được nghiên cứu và thử nghiệm gồm: Kỹ thuật học sâu tính toán nhanh cho các lát cắt ảnh 2 chiều trên cơ sở giải quyết bài toán hoàn thiện ảnh và kỹ thuật học sâu cho sinh mảnh ghép ảnh 3 chiều trên cơ sở giải quyết bài toán đăng ký ảnh với bộ dữ liệu tăng cường. Đánh giá được tiến hành trên tập ảnh 3 chiều của BN với khuyết sọ được giả lập tạo ra thông qua kỹ thuật xử lý ảnh. Kết quả và kết luận: Kết quả thử nghiệm cho thấy các phương pháp dựa trên kỹ thuật học sâu cho phép sinh mảnh ghép có độ chính xác cao với thời gian xử lý ngắn, hỗ trợ bác sĩ trong hội chẩn và lên kế hoạch phẫu thuật cũng như gợi ý phương án cấy ghép và thiết kế mảnh ghép theo hướng cá thể hóa cho từng BN.

Chi tiết bài viết

Từ khóa

Phẫu thuật sọ mặt, Sinh mảnh ghép tự động, Học sâu, Tái tạo ảnh hộp sọ

Tài liệu tham khảo

1. Digital evolution of cranial surgery. (2017). A case study by Renishaw PLC in New Mills, Wotton-under-Edge Gloucestershire, GL12 8JR United Kingdom.
2. Chen, X., Xu, L., Li, X., Egger, J. (2017). Computer-aided implant design for the restoration of cranial defects. Sci. Rep; 7: 1-10. https://doi.org/10.1038/ s41598-017-04454-6.
3. Egger, J. (2017). Interactive reconstructions of cranial 3D implants under MeVisLab as an alternative to commercial planning software. PLoS ONE; 12: 20. https://doi.org/10.1371/ journal.pone.0172694.
4. Gall, M., Li, X., Chen, X., Schmalstieg, D., Egger, J. (2016). Computer-aided planning and reconstruction of cranial 3d implants. In: EMBC; 1179-1183 https://doi.org/ 10.1109/EMBC.2016.7590915.
5. Marzola, A., Governi, L., Genitori, L., Mussa, F., Volpe, Y., Furferi, R. (2019). A semiautomatic hybrid approach for defective skulls reconstruction. Comput. Aided Des; Appl. 17, 190-204. https://doi.org/10.14733/cadaps.2020.190-204.
6. Shi, H., Chen, X. (2020). Cranial implant design through multiaxial slice inpainting using deep learning. In: Li, J., Egger, J. (eds.) AutoImplant 2020. LNCS, vol. 12439, pp. 28-36. Springer, Cham https://doi.org/10.1007/978-3-030-64327-04.
7. D. G. Ellis, M. R. Aizenberg. (2020). “Deep learning using augmentation via registration: 1st place solution to the AutoImplant 2020 challenge” in Towards the Automatization of Cranial Implant Design in Cranioplasty, Cham, Switzerland. Springer; 47-55.
8. https://autoimplant2021.grand-challenge.org.
9. Marzola, A., Governi, L., Genitori, L., Mussa, F., Volpe, Y., Furferi, R. (2019). A semi-automatic hybrid approach for defective skulls reconstruction. Computer- Aided Design and Applications; 17: 190-204. https://doi.org/10.14733/cadaps. 2020.190-204.