3D tehnoloģiju pielietojums medicīnā
Studiju kursa īstenotājs
Rīga, Anniņmuižas bulvāris 26a, 1. stāvs, 147.a un b kabinets, fizika@rsu.lv, +371 67061539
Par studiju kursu
Mērķis
Priekšzināšanas
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
Pārbaudījums
Studiju kursa tēmu plāns
-
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.
-
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.
-
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.
-
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.
-
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.
-
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.
-
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.
-
Ķirurģisko veidņu modelēšana precīzai ķirurģijai, ķirurģisko veidņu izmantošana, to veidi un priekšrocības.
-
Darbs pie noslēguma projekta. Praktiska pieredze ar 3D modelēšanas programmatūru. Individuālais projekts, kas demonstrē 3D modelēšanas un drukāšanas izmantošanu medicīnā.
Bibliogrāfija
Obligātā literatūra
Introduction to Machine Learning with Python. by Andreas C. Müller, Sarah Guido. Released September 2016. Publisher(s): O'Reilly Media, Inc.
3D Deep Learning with Python. by Xudong Ma, Vishakh Hegde, Lilit Yolyan. Released October 2022. Publisher(s): Packt Publishing.
Papildu literatūra
Richard Szeliski. Computer Vision: Algorithms and Applications. 2nd ed. The University of Washington, Springer, 2022.
Geoff Dougherty. Digital Image Processing for Medical Applications. California State University, Channel Islands, April 2009.