Veidlapa Nr. M-3 (8)
Studiju kursa apraksts

3D tehnoloģiju pielietojums medicīnā

Studiju kursa pamatinformācija

Kursa kods
FK_079
Zinātnes nozare
Fizika un astronomija
Kredītpunkti (ECTS)
3,00
Mērķauditorija
Ārstniecība; Medicīnas tehnoloģijas; Rehabilitācija; Zobārstniecība
LKI
7. līmenis
Studiju veids un forma
Pilna laika

Studiju kursa īstenotājs

Kursa vadītājs
Struktūrvienības vadītājs
Struktūrvienība
Fizikas katedra
Kontaktinformācija

Rīga, Anniņmuižas bulvāris 26a, 1. stāvs, 147.a un b kabinets, fizika@rsu.lv, +371 67061539

Par studiju kursu

Mērķis

Apmācīt studējošos telpiskajā modelēšanā, telpisku anatomisko modeļu izveidē, ieguvē, pilnveidošanā, kā arī sagatavošanā 3D printēšanai. Iepazīstināt studējošos ar dažādām telpiskās modelēšanas iespējām un programmatūrām, sniegt iespēju studējošajiem izveidot dažādas sarežģītības digitālos telpiskos modeļus un tos izprintēt. Paredzams, ka studējošie, kuri apguvuši studiju kursu, spēs patstāvīgi izstrādāt un sagatavot 3D printēšanai telpiskos modeļus, izmantojot radioloģijas izmeklējumu datus, pratīs pielietot iegūtās zināšanas savā profesionālajā darbībā.

Priekšzināšanas

Informātikas zināšanas vidusskolas programmas līmenī.

Studiju rezultāti

Zināšanas

1.Sniegt studējošajiem ieskatu un praktiskas zināšanas 3D skenēšanā un modelēšanā, ar kurām studējošie potenciāli varētu saskarties nākotnē savā profesionālā vidē, tādā veidā palielinot savu konkurētspēju.

Prasmes

1.Studiju kursa apguves rezultātā studējošie pratīs lietot iegūtās zināšanas par 3D skenēšanu un modelēšanu, lai varētu praktiski darboties ar dažādiem 3D modelēšanas programmām, kā arī prast pielietot šīs tehnoloģijas praksē. Paredzams, ka studējošie, kuri apguvuši studiju kursu, spēs patstāvīgi izstrādāt un sagatavot printēšanai telpiskos modeļus, izmantojot radioloģijas izmeklējumu datus, pratīs pielietot iegūtās zināšanas savā profesionālajā darbībā.

Kompetences

1.1. Patstāvīgi izstrādā jaunus - pacientiem individuāli piemērotus - unikālus implantu un protēžu digitālos modeļus un sagatavo šos modeļus izgatavošanai (izmanto un pielāgo implantu/protēžu izgatavošanas tehnoloģijas). (3.1. Digitālā satura veidošana; 3.2. Digitālā satura integrēšana un atkārtota izstrāde; 4.2. Personas datu un privātuma aizsardzība; 5.3. Digitālo tehnoloģiju radoša lietošana; DigComp 7) 2. Segmentē CT, CBCT un MRI izmeklējumus un izveido personalizētus anatomisko struktūru 3D modeļus, kurus varēs izmantot pacientu individuālās terapijas plānošanā. (3.1. Digitālā satura veidošana; 3.2. Digitālā satura integrēšana un atkārtota izstrāde; 4.2. Personas datu un privātuma aizsardzība; 5.3. Digitālo tehnoloģiju radoša lietošana; DigComp 7) 3. Izmanto un pielāgo dažādu programmēšanas valodu, piem., Python, skriptus dažādu anatomisko struktūru automatizētai segmentēšanai, kas pielāgoti katra pacienta individuālajai slimības vēsturei un pieejamiem radioloģiskiem izmeklējumiem. (3.1. Digitālā satura veidošana; 3.2. Digitālā satura integrēšana un atkārtota izstrāde; 3.4. Programmēšana; 4.2. Personas datu un privātuma aizsardzība; 5.3. Digitālo tehnoloģiju radoša lietošana; DigComp 7) 4. Rada pacientiem unikālus un īpaši pielāgotos terapijas risinājumus (3D ķirurģiskā plānošana, implantu modeļu izveide), izstrādā šos risinājumus ierobežotu datu apjoma gadījumos (radioloģisko izmeklējumu ierobežojumi), kombinējot dažādas segmentēšanas un 3D modelēšanas programnodrošinājumu, piem., Fusion 360, Blender, Meshmixer un 3-Matic Mimics Innovation Suite. (3.1. Digitālā satura veidošana; 3.2. Digitālā satura integrēšana un atkārtota izstrāde; 3.4. Programmēšana; 4.2. Personas datu un privātuma aizsardzība; 5.3. Digitālo tehnoloģiju radoša lietošana; 2.1. Mijiedarbība, izmantojot digitālās tehnoloģijas; 2.4. Sadarbība, izmantojot digitālās tehnoloģijas; DigComp 7).

Vērtēšana

Patstāvīgais darbs

Virsraksts
% no gala vērtējuma
Vērtējums
1.
Patstāvīgais darbs
-
-
Praktiski radioloģisko izmeklējumu segmentēšanas un 3D modeļu apstrādes uzdevumi.

Pārbaudījums

Virsraksts
% no gala vērtējuma
Vērtējums
1.
Pārbaudījums
-
-
Aktīva līdzdalība praktiskajās nodarbībās. Patstāvīgais darbs 50%. Sekmīgi nokārtots pārbaudes darbs testa formā e-studiju vidē, kas sastāda 50% no gala vērtējuma.

Studiju kursa tēmu plāns

PILNA LAIKA
2. Semestris
  1. Ievads 3D tehnoloģiju kursā: 3D tehnoloģiju nozīme dažādās nozarēs, īsa vēsture un attīstība. Ievads 3D drukas tehnoloģijā: priekšrocības un pielietojumi, 3D drukas procesu un materiālu veidi, izaicinājumi un ierobežojumi. Ievads 3D modelēšanā: 3D modelēšanas tehnikas un programmatūras rīku pamati, Dažādu nozaru izpēte, izmantojot 3D modelēšanu, piem., arhitektūrā, produktu dizainā un medicīnā. 3D tehnoloģiju ekonomiskā ietekme, vides ilgtspējība u.c.

Notikuma veids
Modalitāte
Norises vieta
Kontaktstundas
1.
Lekcija
Klātiene
Datorklase
2
  1. Ievads attēlu segmentācijā. Attēlu segmentācijas loma radioloģijā. Nozīme diagnostikā, ārstēšanas plānošanā un pētniecībā. Medicīniskās attēlveidošanas pamati. Pārskats par medicīniskās attēlveidošanas metodēm (DT, MRT, US). 3D attēlu segmentācijas process. Priekšapstrāde. Pazīmju (features) iegūšana. Segmentācijas metodes. Izaicinājumi. 3D attēlu segmentācijas pielietojumi radioloģijā. Ētiskie un juridiskie apsvērumi. 3D attēlu segmentācijas priekšrocības radioloģijā. Nākotnes virzieni.

Notikuma veids
Modalitāte
Norises vieta
Kontaktstundas
1.
Nodarbība/Seminārs
Klātiene
Datorklase
3
  1. Medicīniskā attēlveidošana un 3D modelēšana, 3D druka izmantošanai medicīnā, 3D modelēšanas un 3D drukas progresīvie pielietojumi medicīnā. Metodes medicīnisko attēlu pārvēršanai 3D modeļos. Apsvērumi par precizitāti un izšķirtspēju medicīniskajos 3D modeļos. 3D modelēšanas piemēri medicīnas pētījumos un klīniskajā praksē. Praktiskie uzdevumi.

Notikuma veids
Modalitāte
Norises vieta
Kontaktstundas
1.
Nodarbība/Seminārs
Klātiene
Datorklase
3
  1. Mašīnmācīšanās (MM) pielietojums medicīniskajai plānošanai, attēlos/3D modeļos balstītai diagnostikai un attēlveidošanai, medicīnas simulācijam. Pārskats par MM algoritmiem klasifikācijai un regresijai. Radioloģiskās izmeklēšanas attēlu veidi un to īpašības. Iezīmju iegūšanas un atlases metodes med. attēliem. MM pielietojumi radioloģijā, tostarp attēlu segmentēšana un klasifikācija. Programmēšanas valodas Python pielietojums radioloģisko izmeklējumu failu importēšanā, apstrādē un vizualīzācijā.

Notikuma veids
Modalitāte
Norises vieta
Kontaktstundas
1.
Nodarbība/Seminārs
Klātiene
Datorklase
3
  1. Automātiskā segmentēšana, segmentēšanas principi un algoritmi, telpisko modeļu ģenerēšana no segmentēšanas rezultāta, mākslīgā intelekta (MI) koncepts un tā loma 3D tehnoloģijās. Radioloģisko izmeklējumu segmentēšana, izmantojot iepriekš apmācītus neironu tīklus. Darbs ar Jupyter Notebook, pieslēgšanās superdatoram, datu importēšana un apstrāde uz superdatora.

Notikuma veids
Modalitāte
Norises vieta
Kontaktstundas
1.
Nodarbība/Seminārs
Klātiene
Datorklase
3
  1. 3D modeļu parametriskās un tiešās modelēšanas pamati, 3D modelēšana no 2D skicēm/rasējumiem vai virsmas skenu attēliem, telpisku objektu atpazīšana, pamata funkcijas 3D modelēšanā izmantojot programmu OnShape, reversā inženierija.

Notikuma veids
Modalitāte
Norises vieta
Kontaktstundas
1.
Nodarbība/Seminārs
Klātiene
Datorklase
3
  1. Personalizēto medicīnisko ierīču modelēšana, implantu un protēžu izmantošana medicīnā, ietverot to vēsturisko attīstību, veidus, izmantotos materiālus un tradicionālo un personalizēto risinājumu salīdzinājumu. Implantu protēžu modelēšana. Gūžas implants. Pacienta anatomija precīzai piemērotībai un funkcionēšanai. Biomehāniskie faktori stabilitātes un izturības nodrošināšanai. Materiālu izvēle bioloģiskajai saderībai un izturībai. Integrācija ar esošajām anatomiskajām struktūrām.

Notikuma veids
Modalitāte
Norises vieta
Kontaktstundas
1.
Nodarbība/Seminārs
Klātiene
Datorklase
3
  1. Ķirurģisko veidņu modelēšana precīzai ķirurģijai, ķirurģisko veidņu izmantošana, to veidi un priekšrocības.

Notikuma veids
Modalitāte
Norises vieta
Kontaktstundas
1.
Nodarbība/Seminārs
Klātiene
Datorklase
3
2.
Nodarbība/Seminārs
Klātiene
Datorklase
3
  1. Darbs pie noslēguma projekta. Praktiska pieredze ar 3D modelēšanas programmatūru. Individuālais projekts, kas demonstrē 3D modelēšanas un drukāšanas izmantošanu medicīnā.

Notikuma veids
Modalitāte
Norises vieta
Kontaktstundas
1.
Nodarbība/Seminārs
Klātiene
Auditorija
3
2.
Nodarbība/Seminārs
Klātiene
Auditorija
3
Kopā kredītpunkti (ECTS):
1,50
Kontaktstundas:
32 ak. st.
Gala pārbaudījums:
Eksāmens

Bibliogrāfija

Obligātā literatūra

1.

Introduction to Machine Learning with Python. by Andreas C. Müller, Sarah Guido. Released September 2016. Publisher(s): O'Reilly Media, Inc.

2.

3D Deep Learning with Python. by Xudong Ma, Vishakh Hegde, Lilit Yolyan. Released October 2022. Publisher(s): Packt Publishing.

Papildu literatūra

1.

Richard Szeliski. Computer Vision: Algorithms and Applications. 2nd ed. The University of Washington, Springer, 2022.

2.

Geoff Dougherty. Digital Image Processing for Medical Applications. California State University, Channel Islands, April 2009.

;