Automatic Landmark Detection In 3D Representation Of Orthopedic Implants

Abstract

O planeamento de uma cirurgia é essencial para o seu sucesso. Uma das fases é a deteção de pontos de referência anatómicos para auxiliar o planeamento. Com os avanços no software e nas tecnologias de imagem médica, surgiram aplicações que podem aumentar a precisão do planeamento cirúrgico. O processo de deteção manual de pontos de referência anatómicos consome muito tempo e é muito dependente da experiência do médico. Com os avanços nas técnicas de Deep Learning, nomeadamente as Redes Neuronais Convolucionais (RNC), este processo pode ser automatizado. A Artroplastia Total da Anca (ATA) é conhecida por proporcionar resultados fiáveis, melhorando a qualidade de vida do doente. A colocação do implante é uma das etapas deste procedimento, e são necessários pontos de referência para posicionar corretamente o implante. Normalmente, este processo de anotação manual dos pontos de referência do implante é efectuado por especialistas, envolvendo uma análise detalhada da geometria do implante e a marcação dos pontos e eixos relevantes. Trata-se de um processo que consome bastante tempo, pelo que é útil um mecanismo para detetar automaticamente estes pontos de referência. Tal como as RNCs podem ser utilizadas para detetar pontos de referência anatómicos, o processo de deteção de pontos de referência em implantes ortopédicos pode ser automatizado utilizando RNCs. Esta tese apresenta três abordagens que utilizam RNCs para detetar automaticamente pontos de referência em hastes, um implante ortopédico pertencente ao sistema de implantes da anca. Duas das três abordagens, uma RNC inspirada num artigo científico utilizado para detetar objectos em espaços perivasculares dilatados, e uma ResNet-34, utilizam dados volumétricos como dados de entrada. A terceira abordagem, PointNet, utiliza nuvens de pontos como dados de entrada. De todas as abordagens, a PointNet obteve o melhor desempenho, com um RMSE de 0.857mm ± 0.452mm, um erro relativamente baixo tendo em conta o comprimento médio de uma haste.

The planning of a surgery is essential for its success. One of the phases is the detection of anatomical landmarks in order to aid planning. With advances in software and medical imaging technologies, applications have emerged that can increase the accuracy of surgical planning. The process of manually detecting anatomical landmarks is time consuming and very dependent on the experience of the physician. With advances in Deep Learning (DL) techniques, namely Convolutional Neural Networks (CNN), this process can be automated. Total Hip Arthroplasty (THA) is known to provide reliable results, improving the patient’s quality of life. Implant placement is one of the steps in this procedure, and implant landmarks are needed to position the implant correctly. Usually, this process of manually annotating the implant landmarks is performed by specialists, involving detailed analysis of the implant geometry and marking the relevant points and axes. This is a time-consuming process, and a mechanism to automatically detect these landmarks is helpful. Just as CNNs can be used to detect anatomical landmarks, the process of detecting landmarks in orthopedic implants can be automated using CNNs. This thesis presents three approaches that use CNNs to automatically detect landmarks in stems, an orthopedic implant belonging to the hip implant system. Two of the three approaches, a CNN inspired by a scientific paper used to detect objects in dilated perivascular spaces, and a ResNet-34, use volumetric data as input data. The third approach, PointNet, uses point clouds as input data. Of all the approaches, PointNet was the best performing, with an Root Mean Square Error (RMSE) of 0.857mm ± 0.452mm, a relatively low error considering the average length of a stem.