論文の概要: A combined Machine Learning and Finite Element Modelling tool for the surgical planning of craniosynostosis correction

• arxiv url: http://arxiv.org/abs/2506.03202v1
• Date: Mon, 02 Jun 2025 17:11:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 21:20:13.943068
• Title: A combined Machine Learning and Finite Element Modelling tool for the surgical planning of craniosynostosis correction
• Title（参考訳）: Craniosynostosis 矯正手術計画のための機械学習と有限要素モデリングを組み合わせたツール
• Authors: Itxasne Antúnez Sáenz, Ane Alberdi Aramendi, David Dunaway, Juling Ong, Lara Deliège, Amparo Sáenz, Anita Ahmadi Birjandi, Noor UI Owase Jeelani, Silvia Schievano, Alessandro Borghi,
• Abstract要約: 本研究は,患者の手術成績をリアルタイムに予測するツールを開発することを目的とする。 提案手法は, 3次元写真に基づくパーソナライズされた合成頭蓋骨を作成することを含む。 所望の手術結果を達成するために、機械学習サロゲートモデルを用いる。
• 参考スコア（独自算出の注目度）: 31.874825130479174
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Craniosynostosis is a medical condition that affects the growth of babies' heads, caused by an early fusion of cranial sutures. In recent decades, surgical treatments for craniosynostosis have significantly improved, leading to reduced invasiveness, faster recovery, and less blood loss. At Great Ormond Street Hospital (GOSH), the main surgical treatment for patients diagnosed with sagittal craniosynostosis (SC) is spring assisted cranioplasty (SAC). This procedure involves a 15x15 mm2 osteotomy, where two springs are inserted to induce distraction. Despite the numerous advantages of this surgical technique for patients, the outcome remains unpredictable due to the lack of efficient preoperative planning tools. The surgeon's experience and the baby's age are currently relied upon to determine the osteotomy location and spring selection. Previous tools for predicting the surgical outcome of SC relied on finite element modeling (FEM), which involved computed tomography (CT) imaging and required engineering expertise and lengthy calculations. The main goal of this research is to develop a real-time prediction tool for the surgical outcome of patients, eliminating the need for CT scans to minimise radiation exposure during preoperative planning. The proposed methodology involves creating personalised synthetic skulls based on three-dimensional (3D) photographs, incorporating population average values of suture location, skull thickness, and soft tissue properties. A machine learning (ML) surrogate model is employed to achieve the desired surgical outcome. The resulting multi-output support vector regressor model achieves a R2 metric of 0.95 and MSE and MAE below 0.13. Furthermore, in the future, this model could not only simulate various surgical scenarios but also provide optimal parameters for achieving a maximum cranial index (CI).
• Abstract（参考訳）: クラニオシノステーシス(英: Craniosynostosis)は、頭蓋縫合の早期融合による乳児の頭の成長に影響を与える医療疾患である。 近年、クラニオシノスタ症に対する外科的治療は大幅に改善され、侵襲性が低下し、回復が早く、出血が減少する。 大オーモンドストリート病院 (GOSH) では, 矢状頭蓋狭窄症 (SC) と診断された患者の外科的治療は春期補助頭蓋形成術 (SAC) である。 この方法には15×15mm2の骨切り術があり、2つのバネを挿入して気晴らしを引き起こす。 この手術技法の多くの利点にもかかわらず、効率的な術前計画ツールが欠如しているため、その結果は予測できないままである。 外科医の経験と赤ちゃんの年齢は、現在、骨切りの場所とバネの選択を決定するために頼られている。 SCの手術成績を予測するツールは有限要素モデリング (FEM) に頼っていた。 本研究の主な目的は,術前の放射線被曝を最小化するためのCTスキャンの必要性を排除し,患者の手術成績をリアルタイムに予測するツールを開発することである。 提案手法は3次元3次元写真に基づくパーソナライズされた合成頭蓋骨を作成することを含み、縫合位置、頭蓋骨厚、軟組織特性の集団平均値が組み込まれている。 所望の手術結果を達成するために機械学習(ML)代理モデルを用いる。 結果として得られる多出力支持ベクトル回帰モデルは、0.95とMSEとMAEのR2計量を0.13以下で達成する。 さらに将来的には, 様々な手術シナリオをシミュレートするだけでなく, 最大頭蓋指数(CI)を達成するための最適なパラメータも提供できる。

関連論文リスト

• Autonomous Path Planning for Intercostal Robotic Ultrasound Imaging Using Reinforcement Learning [45.5123007404575]
  胸腔鏡検査は, 皮下リブケージの音響的影が原因で, 依然として困難である。 本研究は, 内臓器病変のモニタリングを行うために, リブ間の走査経路を計画するための強化学習手法を提案する。 ランダムに定義された単一または複数の走査ターゲットを持つ未確認のCTに対して実験が実施されている。
  論文  参考訳（メタデータ） (2024-04-15T16:52:53Z)
• Latent Disentanglement in Mesh Variational Autoencoders Improves the Diagnosis of Craniofacial Syndromes and Aids Surgical Planning [42.017495658167334]
  Swap Disentangled Variational AutoencoderのCrouzon, Apert, Muenke 症候群への応用について検討する。 生成モデルの具体的パラメータを操作することにより,脳外科手術の結果をシミュレートすることも可能である。
  論文  参考訳（メタデータ） (2023-09-05T13:16:53Z)
• Improved Prognostic Prediction of Pancreatic Cancer Using Multi-Phase CT by Integrating Neural Distance and Texture-Aware Transformer [37.55853672333369]
  本稿では, 異なる患者のCT像における腫瘍と血管の正確な関係を記述した, 学習可能なニューラル距離を提案する。 発達したリスクマーカーは, 術前因子の生存率の予測因子として最強であった。
  論文  参考訳（メタデータ） (2023-08-01T12:46:02Z)
• Breast Cancer Induced Bone Osteolysis Prediction Using Temporal Variational Auto-Encoders [65.95959936242993]
  骨分解性骨病変の進展を正確に予測し,可視化する深層学習フレームワークを開発した。 乳癌患者の骨格関連事象(SRE)を予防するための治療戦略の計画と評価を支援する。
  論文  参考訳（メタデータ） (2022-03-20T21:00:10Z)
• Comprehensive Validation of Automated Whole Body Skeletal Muscle, Adipose Tissue, and Bone Segmentation from 3D CT images for Body Composition Analysis: Towards Extended Body Composition [0.6176955945418618]
  ディープラーニングのような強力な人工知能のツールは、3D画像全体を分割し、すべての内部解剖の正確な測定を生成することができるようになった。 これにより、これまで存在した深刻なボトルネック、すなわち手動セグメンテーションの必要性の克服が可能になる。 これらの測定は不可能であったため、フィールドを非常に小さく限られたサブセットに制限した。
  論文  参考訳（メタデータ） (2021-06-01T17:30:45Z)
• DeepPrognosis: Preoperative Prediction of Pancreatic Cancer Survival and Surgical Margin via Contrast-Enhanced CT Imaging [26.162788846435365]
  膵管腺癌(PDAC)は最も致命的ながんの1つである。 3D Contrast-Enhanced Convolutional Long Short-Term Memory Network (CE-ConvLSTM) と命名されたPDAC患者の生存予測のための新しいディープニューラルネットワークを提案する。 腫瘍切除マージンに関連する特徴を学習し,生存率予測を改善することにより,予後とマージン予測の両課題を達成できるマルチタスクCNNを提案する。
  論文  参考訳（メタデータ） (2020-08-26T22:51:24Z)
• Self-supervised Skull Reconstruction in Brain CT Images with Decompressive Craniectomy [13.695197074035928]
  TBI後の頭蓋切除時に摘出した頭蓋骨欠損を再建する深層学習法を提案する。 この再構成は、例えば、頭蓋形成プレートの作成をサポートするために、複数のシナリオで有用である。
  論文  参考訳（メタデータ） (2020-07-07T22:38:38Z)
• Harvesting, Detecting, and Characterizing Liver Lesions from Large-scale Multi-phase CT Data via Deep Dynamic Texture Learning [24.633802585888812]
  ダイナミックコントラストCT(Dynamic contrast Computed Tomography)のための完全自動多段階肝腫瘍評価フレームワークを提案する。 本システムでは, 腫瘍提案検出, 腫瘍採取, 原発部位の選択, 深部テクスチャに基づく腫瘍評価の4段階からなる。
  論文  参考訳（メタデータ） (2020-06-28T19:55:34Z)
• Scale-Space Autoencoders for Unsupervised Anomaly Segmentation in Brain MRI [47.26574993639482]
  本研究では, 異常セグメンテーション性能の向上と, ネイティブ解像度で入力データのより鮮明な再構成を行う汎用能力を示す。 ラプラシアンピラミッドのモデリングにより、複数のスケールで病変のデライン化と集約が可能になる。
  論文  参考訳（メタデータ） (2020-06-23T09:20:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。