Automatische segmentatie van de m.zygomaticus major door artificial intelligence

Automatische segmentatie van de m.zygomaticus major door artificial intelligence

Automatische segmentatie van de m.zygomaticus major door artificial intelligence

H. SCHUTTE, F. BIELEVELT, M.S.M. MURADIN, R.L.A.W. BLEYS, A.J.W.P. ROSENBERG

Afdeling Mondziekten, Kaak- en Aangezichtschirurgie, UMC Utrecht, Utrecht

 

Introductie en doelstelling

Gezichtsuitdrukkingen, veroorzaakt door een samenspel van de faciale spieren, spelen een cruciale rol in sociale interacties. Aangezichtschirurgie kan deze gezichtsuitdrukkingen veranderen door de ruimtelijke ordening van de faciale spieren te wijzigen [1,2]. Kennis omtrent deze ordening is cruciaal voor chirurgen. Aangezien de anatomie van de faciale spieren verschilt tussen individuen [3], heeft een geïndividualiseerde benadering de voorkeur. Idealiter zouden individuele modellen gebruikt worden voor de perioperatieve beoordeling. Momenteel is de enige manier om individuele modellen te verkrijgen, door middel van handmatige segmentatie, wat een moeizaam en tijdrovend proces is.

Materiaal en methode

Deze studie onderzoekt het gebruik van deep learning voor de automatische segmentatie en voert een pilotstudie uit op de musculus zygomaticus major. Er werd een twee-staps convolutional neural network (CNN) ontwikkeld, dat de spier automatisch segmenteert met behulp van 3D-U-Net-architecturen. Het netwerk werd getraind op een dataset met 70 hoofd-hals MRI-scans, die handmatig zijn gesegmenteerd.

Resultaten

Het algoritme behaalde een gemiddelde Dice-score van 0,289, wat nog onvoldoende is voor klinische toepassing en de uitdagingen benadrukt bij het nauwkeurig aftekenen van kleine gezichtsspieren op basis van MRI-gegevens. Ondanks de lage nauwkeurigheid toonden de modellen een aanzienlijke overlap met handmatige segmentaties, wat wijst op potentieel voor semi-geautomatiseerde werkstromen. Mogelijke verbeteringen liggen in het vergroten van de trainingsdata, het gebruik van scans met een hogere resolutie en handmatige ROI-identificatie.

Conclusie

Deze pilotstudie zet een eerste stap richting automatische segmentatie van faciale spieren en biedt mogelijkheden voor toekomstig onderzoek.

Referenties

  1. Vercruysse H, Van Nassauw L, San Miguel-Moragas J, Lakiere E, Stevens S, Van Hemelen G, et al. The effect of a Le Fort I incision on nose and upper lip dynamics: Unraveling the mystery of the “Le Fort I lip.” Journal of Cranio-Maxillofacial Surgery. 2016 Dec;44(12):1917–21.
  2. Al-Hiyali A, Ayoub A, Ju X, Almuzian M, Al-Anezi T. The Impact of Orthognathic Surgery on Facial Expressions. Journal of Oral and Maxillofacial Surgery. 2015 Dec;73(12):2380–90.
  3. Pessa JE, Zadoo VP, Adrian EK, Yuan CH, Aydelotte J, Garza JR. Variability of the Midfacial Muscles: Analysis of 50 Hemifacial Cadaver Dissections. Plast Reconstr Surg. 1998 Nov;102(6):1888–93.

Zoeken binnen de hele website.

Open/Sluit
Snel menu