Vollautomatische Initialisierung von Coupled-Shape-Modellen mithilfe von Deep Neural Networks

Die Verwendung von radiologischen Aufnahmen in der Zahnmedizin ist eine alltägliche Tätigkeit von Zahnärzten. Es geht dabei darum die Aufnahmen zu beurteilen und basierend darauf eine möglichst gute Behandlungsoption zu wählen. Zur Unterstützung und Automatisierung dieser Tätigkeit werden häufig Software-Lösungen eingesetzt. Die Benutzung von so genannten Coupled-Shape-Modellen, insbesondere in der Zahnersatz- und Zahnerhalt-Medizin, stellt die dafür benötigte technische Grundlage dar. Ein Problem von Coupled-Shape-Modellen ist, dass deren Initialisierung sehr spezifisch auf ein Modell zugeschnitten ist und ein großer Aufwand betrieben werden muss, um diese auf ein neues Modell anzupassen. In Rahmen dieser Arbeit wurde untersucht, wie Coupled-Shape-Modelle vollautomatisch und möglichst generisch initialisiert werden können. Dabei wurde die Segmentierung von GebissAufnahmen mit Hilfe von neuronalen Netzen U-Net und Mask R-CNN evaluiert. Je nach Bildtyp konnte eine Segmentierungsgenauigkeit - gemessen als Dice-Koeffizient - von über 95 % erreicht werden. Darauf aufbauend wurden zwei Methoden zur Bestimmung der Position und Skalierung des Coupled-Shape-Modells vorgestellt, diskutiert und in einem Coupled-Shape-Framework implementiert. Zur Verbesserung des Arbeitsflusses wurde eine Klassifizierung von dentalen Bildtypen evaluiert und ebenfalls in das Coupled-Shape-Framework integriert.