[论文解读] An Online Platform for Automatic Skull Defect Restoration and Cranial Implant Design

Jianning Li, Antonio Pepe+2 more|arXiv (Cornell University)|Jun 1, 2020

Anatomy and Medical Technology参考文献 13被引用 5

一句话总结

本文提出了一种在线、基于云的平台，集成于Studierfenster中，利用深度学习实现颅骨缺损修复的全自动化颅骨植入物设计。该系统从CT扫描中补全缺失的颅骨结构，并通过体素形状补全生成个性化植入物，输出用于3D打印的STL文件，具有高几何精度和与缺损边界的高度贴合度。

ABSTRACT

We introduce a fully automatic system for cranial implant design, a common task in cranioplasty operations. The system is currently integrated in Studierfenster (http://studierfenster.tugraz.at/), an online, cloud-based medical image processing platform for medical imaging applications. Enhanced by deep learning algorithms, the system automatically restores the missing part of a skull (i.e., skull shape completion) and generates the desired implant by subtracting the defective skull from the completed skull. The generated implant can be downloaded in the STereoLithography (.stl) format directly via the browser interface of the system. The implant model can then be sent to a 3D printer for in loco implant manufacturing. Furthermore, thanks to the standard format, the user can thereafter load the model into another application for post-processing whenever necessary. Such an automatic cranial implant design system can be integrated into the clinical practice to improve the current routine for surgeries related to skull defect repair (e.g., cranioplasty). Our system, although currently intended for educational and research use only, can be seen as an application of additive manufacturing for fast, patient-specific implant design.

研究动机与目标

• 解决因专业人员手工设计颅骨植入物耗时耗资而造成的颅骨成形术瓶颈。
• 开发一种全自动化系统，用于生成个性化颅骨植入物，减少对第三方设计服务的依赖。
• 将植入物设计流程集成至基于云的、可通过浏览器访问的平台，以提升临床与科研的可及性。
• 通过采用增材制造技术，实现快速、低成本、自动化的植入物设计，优化颅骨成形术工作流程。
• 在真实临床环境中展示基于深度学习的体素形状补全在医疗植入物设计中的可行性。

提出的方法

• 该系统将颅骨缺损修复建模为体素形状补全问题，从缺陷颅骨体积中重建缺失的颅骨结构。
• 利用深度学习基于先前的解剖学知识，从缺陷颅骨 $\mathbf{S}_d$ 预测完整的颅骨形状 $\mathbf{S}_c$。
• 颅骨植入物 $\mathbf{I}$ 通过完成的颅骨与缺陷颅骨之间的差值计算得出：$\mathbf{I} = \mathbf{S}_c - \mathbf{S}_d$。
• 平台运行于远程服务器，用户可通过网页浏览器访问，无需本地计算资源。
• 系统支持直接上传 .nrrd 格式的CT数据，并在浏览器中渲染3D模型供用户检查。
• 最终植入物以前标准 .stl 格式导出，适用于后续3D打印或后期处理。

实验结果

研究问题

• RQ1 全自动化、基于深度学习的系统能否从临床CT扫描中实现准确的颅骨缺损修复？
• RQ2 所生成的植入物在边界匹配度、厚度一致性及解剖学一致性方面与原始颅骨缺损的贴合程度如何？
• RQ3 在线、基于云的平台在多大程度上可替代传统的人工植入物设计工作流程？
• RQ4 基于浏览器的、服务器端的医学影像处理流水线在密集3D网格渲染方面存在哪些性能与可扩展性限制？
• RQ5 将形状补全与植入物生成整合至单一平台，能否显著降低颅骨植入物设计的时间与成本？

主要发现

• 该系统成功利用深度学习实现颅骨缺损修复，从不完整的CT扫描中生成了解剖学上合理且完整的颅骨形状。
• 所生成的植入物在视觉与定量比较中均表现出与缺损边界精确的几何贴合度以及一致的骨厚度。
• 该平台实现了通过标准网页浏览器访问的端到端全自动化植入物设计，无需本地软件或高端硬件。
• 系统可直接在浏览器中输出高质量的 .stl 文件，与标准3D打印工作流程兼容。
• 集成至Studierfenster后，实现了快速部署与迭代优化，证明了其在临床与教育应用中的可行性。
• 当前性能受限于服务器端网格转换速度与客户端数据传输，尤其在高分辨率模型下更为明显。