Data-Driven Classification Methods for Craniosynostosis Using 3D Surface Scans

Diese Arbeit befasst sich mit strahlungsfreier Klassifizierung von
Kraniosynostose mit zusätzlichem Schwerpunkt auf Datenaugmentierung und auf
die Verwendung synthetischer Daten als Ersatz für klinische Daten.

Motivation: Kraniosynostose ist eine Erkrankung, die Säuglinge
betrifft und zu Kopfdeformitäten führt. Diagnose mittels strahlungsfreier 3D
Oberflächenscans ist eine vielversprechende Alternative zu traditioneller
computertomographischer Bildgebung. Aufgrund der niedrigen Prävalenz und
schwieriger Anonymisierbarkeit sind klinische Daten nur spärlich vorhanden. ... mehr
Diese Arbeit adressiert diese Herausforderungen, indem sie neue
Klassifizierungsalgorithmen vorschlägt, synthetische Daten für die
wissenschaftliche Gemeinschaft erstellt und zeigt, dass es möglich ist,
klinische Daten vollständig durch synthetische Daten zu ersetzen, ohne die
Klassifikationsleistung zu beeinträchtigen.

Methoden: Ein Statistisches Shape Modell (SSM) von
Kraniosynostosepatienten wird erstellt und öffentlich zugänglich gemacht. Es
wird eine 3D-2D-Konvertierung von der 3D-Gittergeometrie in ein 2D-Bild
vorgeschlagen, die die Verwendung von Convolutional Neural Networks (CNNs) und
Datenaugmentierung im Bildbereich ermöglicht. Drei Klassifizierungsansätze
(basierend auf cephalometrischen Messungen, basierend auf dem SSM, und
basierend auf den 2D Bildern mit einem CNN) zur Unterscheidung zwischen
drei Pathologien und einer Kontrollgruppe werden vorgeschlagen und bewertet.
Schließlich werden die klinischen Trainingsdaten vollständig durch
synthetische Daten aus einem SSM und einem generativen adversarialen Netz
(GAN) ersetzt.

Ergebnisse: Die vorgeschlagene CNN-Klassifikation übertraf
konkurrierende Ansätze in einem klinischen Datensatz von 496 Probanden und
erreichte einen F1-Score von 0,964. Datenaugmentierung erhöhte den F1-Score
auf 0,975. Zuschreibungen der Klassifizierungsentscheidung zeigten hohe
Amplituden an Teilen des Kopfes, die mit Kraniosynostose in Verbindung stehen.
Das Ersetzen der klinischen Daten durch synthetische Daten, die mit einem SSM
und einem GAN erstellt wurden, ergab noch immer einen F1-Score von über
0,95, ohne dass das Modell ein einziges klinisches Subjekt gesehen hatte.

Schlussfolgerung: Die vorgeschlagene Umwandlung von 3D-Geometrie in
ein 2D-kodiertes Bild verbesserte die Leistung bestehender Klassifikatoren und
ermöglichte eine Datenaugmentierung während des Trainings. Unter Verwendung
eines SSM und eines GANs konnten klinische Trainingsdaten durch synthetische
Daten ersetzt werden. Diese Arbeit verbessert bestehende diagnostische
Ansätze auf strahlungsfreien Aufnahmen und demonstriert die Verwendbarkeit von
synthetischen Daten, was klinische Anwendungen objektiver, interpretierbarer,
und weniger kostspielig machen.

This work investigates into radiation-free classification of craniosynostosis
with an additional focus on including data augmentation and using synthetic
data as a replacement for clinical data.

Motivation: Craniosynostosis is a condition affecting infants and leads to head
deformities. Diagnosis using radiation-free 3D surface scans is a promising
alternative to traditional computed tomography (CT) imaging. Clinical data are
only sparsely available due to the low prevalence and difficulties in
anonymization. This work addresses these challenges by proposing new
... mehr
classification algorithms for craniosynostosis, by creating synthetic data for
the scientific community, and by demonstrating that it is possible to fully
replace clinical data with synthetic data without losing classification
performance.

Methods: A statistical shape model (SSM) of craniosynostosis patients is
created and made publicly available. A 3D-2D conversion from the 3D mesh
geometry to a 2D image is proposed which enables the usage of convolutional
neural networks (CNNs) and data augmentation in the image domain. Three
classification approaches (based on cephalometric measurements, based on an
SSM, and based on the 2D images using a CNN) to distinguish between three types
of craniosynostosis and a control group are proposed and evaluated. Finally,
the clinical training data are fully replaced with synthetic data by an SSM and
a generative adversarial network (GAN).

Results: The proposed CNN classification outperformed competing approaches on a
clinical dataset of 496 subjects and achieved an F1-score of 0.964. Data
augmentation increased the F1-score to 0.975. Attribution maps of the
classification decision showed high amplitudes on parts of the head associated
with craniosynostosis. Replacing the clinical data with synthetic data created
by an SSM and a GAN still yielded an F1-score of more than 0.95 without the
model having seen a single clinical subject.

Conclusion: The proposed conversion of 3D geometry to a 2D encoded image
improved performance to existing classifiers and enabled data augmentation
during training. Using an SSM and a GAN, clinical training data could be
replaced with synthetic data. This work improves existing diagnostic approaches
on radiation-free recordings and demonstrates the usability of synthetic data
which makes clinical applications more objective, interpretable, and less
expensive.