Prediction of the Postoperative Shape of the Trunk After Spinal Surgery Using Deep Learning

La scoliose idiopathique de l'adolescent (SIA) est une déformation complexe de la colonne vertébrale qui nécessite souvent une intervention chirurgicale. Une prédiction précise de la forme du tronc postopératoire est cruciale pour la planification chirurgicale et la satisfaction du patient. Cette recherche présente une approche d'apprentissage profond pour prédire la forme du tronc postopératoire chez les patients subissant une chirurgie de la scoliose. En utilisant une architecture d'apprentissage profond, où PointNet++ est considéré comme l'épine dorsale du modèle, nous avons développé un modèle d'apprentissage profond capable de traiter les données de topographie de surface du tronc complet (FBST) pour estimer la forme du tronc postopératoire à partir de données de nuage de points préopératoires. La méthodologie englobe le prétraitement des données, la conception de l'architecture du modèle, la formulation de la fonction de perte et les processus de validation, en mettant l'accent sur la capture des caractéristiques locales et globales de la forme du tronc. Nos résultats, basés sur un ensemble de données de patients atteints de scoliose idiopathique de l'adolescent (SIA), démontrent l'efficacité du modèle à prédire avec précision la forme du tronc postopératoire et sa validité par des mesures quantitatives comme la distance de Chamfer et des indices cliniques tels que la rotation de la surface dorsale et la rotation du tronc. L'étude d'ablation souligne l'importance d'incorporer la perte de forme, la perte de densité et la perte de lissage dans la fonction de perte du modèle pour obtenir des reconstructions réalistes. Une expérience de validation croisée k-fold soutient en outre la fiabilité du modèle à travers divers segments de données. Malgré les défis de capturer les détails anatomiques fins, nos résultats suggèrent un potentiel pour améliorer la planification chirurgicale et les résultats pour les patients. Les travaux futurs devraient explorer les entrées multimodales pour aborder les limitations actuelles et affiner davantage les prédictions.