A radiation free, deep learning based classification of craniofacial deformities on surface scans. Paving the methodical way towards a patient’s digital twin.

Projektleitung: Dr. Urs Eisenmann

Kooperation:

Karlsruher Institut für Technologie: Institut für Biomedizinische Technik

Universitätsklinikum Heidelberg: Klinik für Mund-, Kiefer- und Gesichtschirurgie

Förderer: Heidelberg Karlsruhe Strategic Partnership (HEiKA)

Kurzbeschreibung:

Im Rahmen dieses Projektes soll ein diagnostisches Instrument entwickelt werden, welches darauf trainiert wird, Wachstumsanomalien wie beispielsweise Kraniosynostosen bei Kleinkindern zu erkennen und diese entsprechend verschiedener Krankheitsklassen zu unterscheiden. Hierfür sollen tiefe neuronale Netze zum Einsatz kommen.

Die Klinik für Mund-, Kiefer- und Gesichtschirurgie des Universitätsklinikums Heidelberg, als größtes Zentrum für kranio-maxillofaziale Anomalien in Deutschland, behandelt jährlich mehrere hundert Kinder mit Gesichts- und Schädeldeformitäten. Zur Diagnostik wird eine klinische Untersuchung in Kombination mit einem 3D-Foto-Gesichtsscan durchgeführt. Auf Basis dieser Untersuchung wird die Entscheidung getroffen ob eine Deformation vorliegt, wie stark sie ausgeprägt ist und ob eine Operation am Schädel durchgeführt werden muss.

Unter Verwendung des 3D-Oberflächenmodells sollen etablierte vortrainierte CNN-Architekturen genutzt werden, um die Wachstumsmuster zu klassifizieren. Da für bestimmte Wachstumsmuster nur wenige klinische Fälle zur Verfügung stehen, soll einerseits eine Datenaugmentierung erfolgen und zusätzlich über ein im Rahmen des Projektes entwickeltes Shape Model des kindlichen Schädels Daten synthetisch erzeugt werden.

Das entstandene Werkzeug wird abschließend von klinischen Experten der Klinik für Mund-, Kiefer- und Gesichtschirurgie evaluiert und bewertet.

Laufzeit: 2020-2022

MitarbeiterInnen des Instituts: N. Hagen, F. Ringwald