De ontwikkelde tool maakt gebruik van deep learning (een vorm van artificial intelligence), waarbij meerdere netwerken zijn samengevoegd tot één algoritme, waarmee de kaakkopjes heel snel, nauwkeurig en volledig automatisch, dus zonder tussenkomst van een medisch specialist, kunnen worden gesegmenteerd.
Hierdoor is de ontwikkelde tool uitermate geschikt voor implementatie binnen de workflow van het ziekenhuis. Met behulp van de tool kan onder meer het volume van de kaakkopjes automatisch worden bepaald. En zo wordt het binnen de orthognate chirurgie mogelijk om in te schatten welke patiënten een verhoogd risico lopen op relapse na een kaakoperatie. Daarnaast biedt de tool ook de mogelijkheid om snel en efficiënt inzicht te krijgen in de resorptie van de kaakkopjes.
In de onderstaande afbeeldingen is de toepassing van de ontwikkelde tool te zien.
In de afbeelding links is een zijaanzicht te zien van een gesegmenteerde CBCT met de standaard thresholding segmentatie methode. Hierin is te zien dat dit een inadequaat gesegmenteerd kaakkopje tot gevolg heeft. In de afbeelding rechts is te zien dat dit probleem is verholpen door toepassing van het ontwikkelde algoritme.
Tekst en beeld: Radboudumc 3D Lab (LinkedIn)