De uitdaging
Een oogheelkundig centrum moest het volume van vet en spieren in het menselijk oog nauwkeurig kunnen schatten. Die informatie is essentieel om de gezondheid van het oog te volgen, de effectiviteit van ingrepen te beoordelen en vergelijkende analyses uit te voeren.
Het schatten van deze volumes gebeurde met handmatige metingen, die tijdrovend en foutgevoelig waren. Het centrum wilde dit onderdeel van de oogzorg op een geautomatiseerde, betrouwbare manier aanpakken.
Onze oplossing
Wij richtten ons op MRI-scans van de oogkas en ontwikkelden een deep-learningmodel dat vet- en spierweefsel segmenteert in elke doorsnede van de scan. Door het gesegmenteerde weefsel over alle doorsneden op te tellen, ontstaat een nauwkeurige volumeschatting van deze anatomische structuren van het oog.
Het model verwerkt de coronale, sagittale en axiale weergaven van het oog, zodat de hele oogkas wordt gedekt.
- Segmentatie van vet- en spierweefsel per doorsnede in MRI-scans van de oogkas
- Volumeschatting van vet en spieren op basis van de gesegmenteerde doorsneden
- Ondersteuning van coronale, sagittale en axiale weergaven
- Vergelijking van volumes voor en na een ingreep
Het resultaat
Door de segmentatie van vet- en spierweefsel te automatiseren, krijgen oogartsen nauwkeurige volumeschattingen zonder handmatige metingen. Dat maakt uitgebreidere beoordelingen mogelijk.
Omdat het model vergelijkingen voor en na een ingreep mogelijk maakt, kunnen clinici veranderingen in vet- en spiervolume kwantificeren en de impact van chirurgische ingrepen, therapeutische behandelingen of ziekteprogressie op de oogstructuren beoordelen. Het project vult ons werk aan Eye Metrics binnen de oogheelkunde aan.
