Abschlussarbeit

Entwicklung eines Algorithmus zur automatischen Segmentierung von Zahnhartstrukturen in 3D Ultraschalldaten subgingival präparierter Zähne mittels eines selbstlernenden Ansatzes.

Steckbrief

Eckdaten

Professur:
MEDAK
Status:
abgeschlossen

Betreuer

Masterarbeit von Mündlein, Fabian

Das Ziel dieser Masterarbeit ist es eine auf Methoden des maschinellen Lernens basierende Softwarelösung zu erarbeiten, umzusetzen und zu evaluieren, um eine automatisierte Segmentierung der Zahnoberfläche von Ultraschalldaten zu ermöglichen. Die Generierung der Daten erfolgt über einen Intraoralscanner, welcher die Oberfläche subgingival präparierter Zähne zur digitalen 3D-Rekonstruktion aufnimmt. Zunächst werden die klinischen sowie technischen Anforderungen an die Software formuliert und es erfolgt eine Analyse der Ultraschalldaten, um die Herausforderungen für das Segmentierungsverfahren zu ermitteln. Nach einer Untersuchung des Standes der Technik im Bereich der Bildsegmentierung und unter Berücksichtigung der formulierten Anforderungen an die Softwarelösung, wird das Fully Convolutional Neural Network ( FCN), eine Methode aus dem Bereich des Deep Learning, als Segmentierungsmethode gewählt. Es wird ein Lösungskonzept entwickelt, welches das U-Net und eine Erweiterung dessen mit zusätzlichen Short-Skip-Connections als Netzwerkarchitekturen vorsieht. Desweiteren soll die in den Workflow der Ultraschalldatenverarbeitung zu integrierende Software aus einem Modul zum Trainieren des FCN und einem Modul zur Segmentierung der Ultraschalldaten aufgebaut sein. Die Trainingsdaten beziehungsweise die zu segmentierenden Daten werden in den jeweiligen Modulen mit Filterungen und Transformationen vorbereitet, bevor sie in das FCN als Schichtbilder eingegeben werden. Das FCN wird überwacht trainiert und prädiziert die Eingabebilder durch eine pixelweise Klassifizierung in "Zahn" und "Nicht-Zahn". Anschließend erfolgen weitere Schritte der Signalverarbeitung, um die ausgegebenen Prädiktionen nachzuverarbeiten und die Zahnoberfläche zu segmentieren. Neben den Netzwerkarchitekturen werden verschiedene Hyperparametereinstellungen und eine Trainingsdatensatzerweiterung getestet, um die geeignetste Konfiguration zum Trainieren und Anwenden des FCN zu ermitteln. Die Implementierung wird mit der Integration der Softwarelösung in den bestehenden Workflow der UItraschalldatenverarbeitu ng abgesch lossen . Die Ergebnisse der anschließenden Evaluierung zeigen, dass die entwickelte Softwarelösung einen geeigneten Ansatz zur Segmentierung der Zahnoberfläche aus den Ultraschalldaten darstellt und in den Workflow der Ultraschalldatenverarbeitung integriert werden kann. Die Softwarelösung muss noch weiter getestet werden, um eine eindeutige Aussage über ihre Verwendbarkeit zu treffen. Desweiteren liegen noch zu hohe Klassifizierungsfehler vor, sodass zusätzlich eine manuell Bereinigung vor der Oberflächenrekonstruktion erfolgen muss.