Evaluierung Deep-Learning basierter 3D Feature Deskriptoren für die Anwendung in der laparoskopischen Leberchirugie

Download als PDF

Motivation
Verglichen mit der traditionellen offenen Chirurgie weisen minimal-invasiven Operationen vielfältige Vorteile für den Patienten auf. Ein Navigations-Tool, welches präoperative 3D CT Modelle verwendet, könnte den Eingriff unterstützen. Für eine solche Applikation ist die Kopplung bzw. die Registrierung der präoperativen Bilddaten mit dem intraoperativen laparoskopischen Videobild notwendig. Dabei gibt es die Möglichkeit das Videobild 3D rekonstruieren, und somit eine 3D-3D Registrierung durchzuführen.
Ein wichtiger Schritt dieser Registrierungspipeline ist die „Feature Deskription“. Dabei sollen die Punkte beider 3D Modelle möglichst eindeutig beschrieben werden. In der letzen Zeit, gibt es neben den klassischen Ansätzen, welche z.B. geometrische Informationen nutzen, auch immer mehr deep-learning basierte Algorithmen.

DLFD Sketch

Aufgabenstellung
Das Ziel dieser Arbeit ist die Evaluierung einer oder mehrerer deep-learning basierter Feature Deskriptoren für die Anwendung in der laparoskopischen Leberchirurgie. Hierbei soll zunächst eine Literaturrecherche betrieben werden, um sich einen Überblick über vorhandene Ansätze und den State-of-the-art verschaffen zu können. Ein oder mehrerer als geeignet evaluierte Feature Deskriptoren sollen danach trainiert, getestet und validiert werden. Im Anschluss soll die Registrierungsgenauigkeit mit Hilfe eines vorhandenen Frameworks getestet und mit klassischen Ansätzen verglichen werden.

Hinweise

  • Programmierkenntnisse in Python, MATLAB oder ähnlicher Sprachen sind vorteilhaft
  • Motivation und Spaß, auch beim Einbringen von eigenen Ideen, sind sehr wünschenswert