Article
Künstliche Intelligenz zur Prozessoptimierung – eine 3D-Analyse am Beispiel des distalen Tibiofibulargelenks
Search Medline for
Authors
Published: | October 23, 2023 |
---|
Outline
Text
Fragestellung: Eine hohe operative Präzision ist bei der Versorgung von Verletzungen des distalen Tibiofibulargelenks (DTFG) notwendig, um anatomische Repositionen zu erzielen. Dreidimensionale Auswertungen von Schnittbildgebungen wurden im Rahmen des technischen Fortschritts entwickelt. Ziel dieser Arbeit war die Optimierung des zeitaufwendigen Segmentierungsprozesses zur dreidimensionalen Stellungskontrolle des DTFG mittels Künstlicher Intelligenz.
Methodik: Vierzehn gepaarte, unverletzte Unterschenkel von Körperspendern wurden in einem Belastungsrahmen untersucht. Es wurden von jedem Sprunggelenk im unbelasteten Zustand (75 N) Computertomografien (Schichtdicke 0,6 mm) in fünf Fußpositionen (Neutralstellung, 15° Außen- und Innenrotation, 20° Dorsal- und Plantarflexion) angefertigt. Die dreidimensionale Segmentierung der CT-Datensätze erfolgte anhand der gleichen Datensätze in zwei Gruppen (A und B):
In Gruppe A wurde eine konventionelle Segmentierung durch einen erfahrenen Chirurgen, welcher mit der Segmentierungssoftware (Mimics, Fa. Materialise) vertraut ist, durchgeführt.
Für die Segmentierung der Datensätze in Gruppe B erfolgte zuvor das Training eines leistungsstarken nnU-Net entsprechend der Nutzeranleitung [1].
Anschließend wurde ein automatisiertes, dreidimensionales Messprotokoll angewendet, um die Stellungskontrolle des DTFG durchzuführen (Matlab, Fa. The MathWorks) [2]. Anhand der 3D-Modelle wurde die Clear Space Änderung, der Translationswinkel (sagittale Translation) sowie das vertikale Offset (Fibulaverkürzung/-verlängerung) für jede Rotation/Flexion relativ zur Neutralstellung bestimmt. Anschließend wurde die Differenz der Messwerte beider Segmentierungsmethoden bestimmt und auf Signifikanz geprüft (Signifikanzniveau p<0,05 nach Bonferroni-Holm Korr.).
Ergebnisse und Schlussfolgerung: Es zeigten sich keine signifikanten Differenzen zwischen beiden Gruppen bei Betrachtung der drei definierten Parameter Clear Space Änderung (p=0,14), Translationswinkel (p=0,14) und vertikales Offset (p=0,07).
Bei Einzelmessung der Clear Spaces (statt der Clear Space Änderung durch die Positionierung) ergab sich ein signifikant größerer Clear Space für Gruppe A (p<0,01).
Die drei im Rahmen des Messprotokolls definierten Parameter erscheinen robust gegenüber der Segmentierungsmethodik, da ihre Messwerte sich auf einen entsprechend gleich segmentierten Referenzdatensatz beziehen. Führt man hingegen Messungen an einem einzelnen DTFG durch (z.B. Clear Space Bestimmung) zeigt sich ein signifikanter Einfluss der Segmentierungsart. Eine Segmentierung mittels trainiertem nnU-Net ist daher zuverlässig unter Nutzung von referenzbasierten Parametern und kann hierbei zukünftig insbesondere zur Zeitersparnis genutzt werden.
Literatur
- 1.
- Isensee F, Jaeger PF, Kohl SAA, Petersen J, Maier-Hein KH. nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation. Nat Methods. 2021 Feb;18(2):203-11. DOI: 10.1038/s41592-020-01008-z
- 2.
- Souleiman F, Heilemann M, Hennings R, Hennings M, Klengel A, Hepp P, Osterhoff G, Ahrberg AB. A standardized approach for exact CT-based three-dimensional position analysis in the distal tibiofibular joint. BMC Med Imaging. 2021 Mar 6;21(1):41. DOI: 10.1186/s12880-021-00570-y