27/12/2024
2025: ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ ΚΑΙ ΚΛΙΝΙΚΗ ΠΡΑΓΜΑΤΙΚΟΤΗΤΑ
Μπαίνοντας στο 2025, έχουμε ήδη τη δυνατότητα να αξιοποιήσουμε αρκετά αυτοματοποιημένα μοντέλα ελεύθερου λογισμικού/λογισμικού ανοικού κώδικα(ΕΛ/ΛΑΚ) για την κατάτμηση(segmentation) της ανατομίας κεφαλής και τραχήλου, του στόματος και των δοντιών. Τα περισσότερα παρουσιάστηκαν την χρονιά που πέρασε.
Αναφέρουμε 4 από αυτά με τα σχετικά links. Τα μοντέλα μπορούν να χρησιμοποιηθούν και να δοκιμαστούν μέαα από την ανοικτή πλατφόρμα του 3D Slicer(ΕΛ/ΛΑΚ), είτε χωριστά το καθένα, είτε συνδυαστικά:
1. AMASSS module στο AutomatedDentalTools extension.(https://github.com/DCBIA-OrthoLab/SlicerAutomatedDentalTools)
2. MONAI Auto3DSeg (Το Whole Head Segmentation model για facial muscle segmentation).
(https://github.com/Project-MONAI/tutorials/blob/main/auto3dseg/README.md)
3. DentalSegmentator extension.
(https://github.com/gaudot/SlicerDentalSegmentator)
4. TotalSegmentator extension (Περιέχει μοντέλα για τους μυς, τα οστά και τα αγγεία κεφαλής και τραχήλου).
(https://github.com/wasserth/TotalSegmentator)
Στο πρόσφατο πανελλήνιο Οδοντιατρικό συνέδριο παρουσιάσαμε την κλινική εμπειρία μας από τον χειρουργικό σχεδιασμό μετά την χρησιμοποίηση των μοντέλων AMASSS και DentalSegmentator.
Το ερώτημα αν η αυτοματοποιημένη κατάτμηση μπορεί να θεωρηθεί αξιόπιστο και ακριβές βήμα στην πραγματική κλινική πράξη μένει ακόμη να απαντηθεί με περισσότερη έρευνα και βελτίωση των μοντέλων.
Γεγονός είναι ότι τα μοντέλα εμπλουτίζονται διαρκώς με νέα πιο σύνθετα δεδομένα και πιο αποτελεσματικές μεθόδους, όπως συνέβη με το nnU-Net και βέβαια το Auto3DSeg που δημιουργήθηκε από το project του MONAI(Medical open network for AI) που τρέχει σε συνεργασία της Nvidia με το αμερικανικό National Institutes of Health (NIH) και το King's College London.
Το 2025, η πρόοδος στα μοντέλα της κατάτμησης θα επιταχυνθεί και είναι πολύ πιθανό, αν όχι βέβαιο, ότι θα έχουμε και μοντέλο για τον βλεννογόνο του στόματος και τα ούλα. Μια εξέλιξη που θα επηρεάσει σημαντικά την ψηφιακή ροή εργασίας στον χειρουργικό σχεδιασμό. Και όχι μόνο.
Παραθέτουμε μια σχετική βιβλιογραφία και για τυχόν διευκρινίσεις, βοήθεια ή και συμμετοχή στη διαμόρφωση των μοντέλων επικοινωνήστε στο info@gnathion.gr.
ΒΙΒΛΙΟΓΡΑΦΙΑ
Dot G, Chaurasia A, Dubois G, Savoldelli C, Haghighat S, Azimian S, Taramsari AR, Sivaramakrishnan G, Issa J, Dubey A, Schouman T, Gajny L. DentalSegmentator: Robust open source deep learning-based CT and CBCT image segmentation. J Dent. 2024 Aug;147:105130
Fedorov A., Beichel R., Kalpathy-Cramer J., Finet J., Fillion-Robin J-C., Pujol S., Bauer C., Jennings D., Fennessy F.M., Sonka M., Buatti J., Aylward S.R., Miller J.V., Pieper S., Kikinis R. 3D Slicer as an Image Computing Platform for the Quantitative Imaging Network. Magnetic Resonance Imaging. 2012
Gillot M, Baquero B, Le C, Deleat-Besson R, Bianchi J, Ruellas A, Gurgel M, Yatabe M, Al Turkestani N, Najarian K, Soroushmehr R, Pieper S, Kikinis R, Paniagua B, Gryak J, Ioshida M, Massaro C, Gomes L, Oh H, Evangelista K, Chaves Junior CM, Garib D, Costa F, Benavides E, Soki F, Fillion-Robin JC, Joshi H, Cevidanes L, Prieto JC. Automatic multi-anatomical skull structure segmentation of cone-beam computed tomography scans using 3D UNETR. PLoS One. 2022 Oct 12;17(10):e0275033.
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):203-211.
Isensee, Fabian & Petersen, Jens & Klein, André & Zimmerer, David & Jaeger, Paul & Kohl, Simon & Wasserthal, Jakob & Koehler, Gregor & Norajitra, Tobias & Wirkert, S. & Maier-Hein, Klaus. (2019). Abstract: nnU-Net: Self-adapting Framework for U-Net-Based Medical Image Segmentation. 10.1007/978-3-658-25326-4_7.
Ryan ML, Wang S, Pandya SR. Integrating Artificial Intelligence Into the Visualization and Modeling of Three-Dimensional Anatomy in Pediatric Surgical Patients. J Pediatr Surg. 2024 Dec;59(12):161629
Wasserthal J, Breit HC, Meyer MT, Pradella M, Hinck D, Sauter AW, Heye T, Boll DT, Cyriac J, Yang S, Bach M, Segeroth M. TotalSegmentator: Robust Segmentation of 104 Anatomic Structures in CT Images. Radiol Artif Intell. 2023 Jul 5;5(5):e230024.
Zheng F, Yin P, Liang K, Wang Y, Hao W, Hao Q, Hong N. Fusion Radiomics-Based Prediction of Response to Neoadjuvant Chemotherapy for Osteosarcoma. Acad Radiol. 2024 Jun;31(6):2444-2455