<?xml version="1.0" encoding="utf-8"?>
<export-example>
  <doc>
    <id>2939</id>
    <completedYear/>
    <publishedYear>2020</publishedYear>
    <thesisYearAccepted/>
    <language>deu</language>
    <pageFirst/>
    <pageLast/>
    <pageNumber>236</pageNumber>
    <edition/>
    <issue/>
    <volume/>
    <type>doctoralthesis</type>
    <publisherName>Shaker</publisherName>
    <publisherPlace>Düren</publisherPlace>
    <creatingCorporation/>
    <contributingCorporation/>
    <belongsToBibliography>0</belongsToBibliography>
    <completedDate>2022-02-16</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>--</thesisDateAccepted>
    <title language="deu">Entwicklung eines Haptisch und Visuell unterstützten Trainingssystems (HaptiVisT) für komplexe Knochenbohrungen in der minimalinvasiven Handchirurgie</title>
    <abstract language="deu">Eine gängige Operationsmethode, um Frakturen der menschlichen Hand nach einem Unfall zu korrigieren, ist eine Osteosynthese mit sogenannten Kirschnerdrähten (K-Drähten) zur Stabilisierung von Knochenfragmenten. Die Einführung dieser langen, dünnen und scharfen Drähte durch manuelles Bohren ist eine komplexe minimalinvasive Operation, bei der ein Chirurg nahezu ohne visuelle Orientierung und nur durch eine kleine Öffnung der Haut des Patienten arbeitet. Als Orientierungshilfe für die optimale Lage der K-Drähte bleibt dem Chirurgen lediglich eine zweidimensionale (2D)-Röntgendarstellung und das Ertasten von knöchernen Vorsprüngen auf der menschlichen Hand, um Verletzungen an Risikostrukturen (Nerven, Gefäße usw.), die im Weichteilgewebe der Hand eingebettet sind, zu vermeiden. Für eine sichere und fehlerfreie Durchführung einer K-Draht-Osteosynthese ist deswegen eine gründliche theoretische und praktische Ausbildung junger Chirurgen notwendig.&#13;
&#13;
Da traditionelle Trainingsmethoden zeitaufwendig, kostspielig, ethisch nicht korrekt und unzureichend realistisch sind, wird in dieser Arbeit ein innovativer, auf virtueller Realität (VR) basierender, Haptisch und Visuell unterstützter Trainingssimulator (HaptiVisT) für die Platzierung von K-Drähten entwickelt, der vor allem Handchirurgen mit Übungs- und Perfektionierungsbedarf dabei unterstützt, das Bohrverfahren in einer realistischen aber virtuellen Umgebung zu erlernen. Beim HaptiVisT-Prototypenaufbau werden reale Patientendaten segmentierter Volumendaten aus einer Computertomographie (CT) und einer Magnetresonanztomographie (MRT) im virtuellen, dreidimensionalen (3D) Raum auf einem 3D-Monitor visualisiert und für eine intuitive bimanuelle Haptik sowohl mit einem Kraftfeedback-Gerät für den Bohrprozess und einer 3D-gedruckten und optisch getrackten Phantomhand kombiniert.&#13;
&#13;
Die vorliegende Arbeit beschreibt zunächst alle verwendeten Hardwaregeräte, die C++-Softwareumgebung, aufgebaut auf Multithreading (gleichzeitige Ausführung mehrerer Anweisungsfolgen in einem Prozess), und die auf Oberﬂächen- und Volumenrendering basierte Visualisierung. Die Kollisionsdetektion zwischen Bohrer und Knochen im virtuellen Raum wird in zwei separate Ereignisse unterteilt: Kollisionen zwischen Objekten als Gesamtes (Simulation der Kollision über die gesamte Objektoberﬂäche) und Kollisionen zwischen einer K-Draht-Spitze und dem Knochenvolumen für die Entfernung kleiner Volumenelemente (Voxel). Das Herzstück des Trainingssystems bildet eine echtzeitfähige Bohrsimulation, die den gesamten Bohrprozess in eine endliche Anzahl logischer Unterprozesse gliedert und diese Zustände in einen endlichen Zustandsautomaten (FSM, engl.: Finite State Machine) zusammenfasst. Das Kraftfeedback während einer Bohrung wird mit sogenannten „Virtual Fixtures“ (abstrakten sensorischen Informationen) berechnet und über einen Haptikarm auf den Benutzer übertragen. Damit die Simulation der Realität entspricht, wird unter Zuhilfenahme eines experimentellen Aufbaus die reale Bohrgeschwindigkeit durch kortikale Knochen ermittelt. Anschließend werden ein Levelkonzept und alle im System verfügbaren Bohrunterstützungswerkzeuge, wie haptische Korridore als Goldstandard oder eine Röntgenbildsimulation, vorgestellt. Mit ihnen ist es möglich, ausgesuchte Operationsfälle in Level unterschiedlicher Schwierigkeit zu unterteilen und den Operationsvorgang qualitativ zu bewerten. Der 3D-Druck einer Phantomhand (realitätsnahe Nachbildung einer Patientenhand) mit realistischen haptischen Eigenschaften zum Ertasten von Knochenvorsprüngen wird über einen metamaterialbasierten Ansatz (Neuanordnung des Grundmaterials durch eine künstlich angelegte, sich wiederholende Struktur) realisiert, da das aktuell am Markt verfügbare 3D-Druckmaterial für den Druck menschlichen Weichteilgewebes zu hart ist. Die Echtzeitverfolgung der Phantomhand beruht auf einem mit einer Stereokamera optisch getrackten Marker in Form eines Dodekaeders (Körper mit zwölf Flächen). Abschließend wird das HaptiVisT-Gesamtsystem in drei und der 3D-Druck einer Phantomhand in zwei Expertenevaluationen ausführlich untersucht und ausgewertet.&#13;
&#13;
Das HaptiVisT-System versteht sich als notwendiges Komplement für den ersten und weltweit einzigen funktionsfähigen, kompakten Prototypen für virtuelle K-DrahtOsteosynthesen mit haptischen Kraftfeedback, der in Zukunft Chirurgen in Aus- und Weiterbildung an Kliniken oder Trainingszentren ein risikofreies, zeit- und ortsunabhängiges Training ermöglicht. Die Kernelemente dieser Arbeit sind:&#13;
&#13;
• Stereoskopische 3D-Darstellung von realen Patientendaten.&#13;
&#13;
• Bimanuelle Haptik aus haptischen Kraftfeedback des Bohrens verbunden mit einer optisch getrackten, haptisch korrekten und 3D-gedruckten Phantomhand.&#13;
&#13;
• Zuverlässige Kollisionsdetektion zwischen virtuellen Objekten als Grundlage für das Kraftfeedback und die Abtragung von Knochen.&#13;
&#13;
• Echtzeitfähige Bohrsimulation durch Reduzierung des Bohrprozesses auf logische Bohr-Teilprozesse kombiniert mit einer Virtual Fixtures basierten Kraftberechnung.&#13;
&#13;
Haptisch korrekte Phantome sind vor allem im medizinischen Training von hoher Relevanz und die Berechnung des Kraftfeedbacks beruht erstmals auf der performanten und stabilen Simulation von Bohr-Teilprozessen unter Verwendung von Virtual Fixtures. Der Prototyp wird von Experten durchgehend positiv bewertet und bietet nach deren Einschätzung einen hohen Mehrwert für das chirurgische Training.&#13;
&#13;
Zukünftige Arbeiten könnten den Lerneffekt durch das HaptiVisT-Trainingssystem in stichhaltigen Evaluationen mit jungen Medizinstudenten unter Vorhandensein einer Kontrollgruppe statistisch validieren. Bei Bestätigung dieses Lerneffekts ist eine Ausgründung als eigenständiges Unternehmen und Weiterentwicklung des Prototyps mit Ausweitung auf weitere chirurgische Bereiche wie Knie- oder Hüftchirurgie denkbar. Unter Zuhilfenahme von automatischer Segmentierung könnten in Zukunft akut zu behandelnde Brüche abgebildet, vorab einer tatsächlichen Operation geübt und anschließend komplikationslos unter reduzierter Operationszeit durchgeführt werden.</abstract>
    <identifier type="isbn">978-3-8440-7547-2</identifier>
    <note>Titel verleihende Institution: Universität Regensburg</note>
    <enrichment key="opus.source">publish</enrichment>
    <enrichment key="OtherSeries">Schriftenreihe der OTH Regensburg</enrichment>
    <licence>Keine Lizenz - Es gilt das deutsche Urheberrecht: § 53 UrhG</licence>
    <author>Johannes Maier</author>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Medizinisches Trainingssystem</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Virtual Reality</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Minimalinvasive Handchirurgie</value>
    </subject>
    <collection role="ddc" number="0">Informatik, Informationswissenschaft, allgemeine Werke</collection>
    <collection role="ddc" number="6">Technik, Medizin, angewandte Wissenschaften</collection>
    <collection role="institutes" number="FakIM">Fakultät Informatik und Mathematik</collection>
    <collection role="institutes" number="RCBE">Regensburg Center of Biomedical Engineering - RCBE</collection>
    <collection role="persons" number="palmremic">Palm, Christoph (Prof. Dr.) - ReMIC</collection>
    <collection role="persons" number="palmhaptivist">Palm, Christoph (Prof. Dr.) - Projekt HaptiVisT</collection>
    <collection role="othforschungsschwerpunkt" number="16314">Lebenswissenschaften und Ethik</collection>
    <collection role="institutes" number="">Labor Regensburg Medical Image Computing (ReMIC)</collection>
    <collection role="othpublikationsherkunft" number="">Dissertation in Kooperation</collection>
  </doc>
  <doc>
    <id>6369</id>
    <completedYear/>
    <publishedYear>2022</publishedYear>
    <thesisYearAccepted>2022</thesisYearAccepted>
    <language>eng</language>
    <pageFirst/>
    <pageLast/>
    <pageNumber>262</pageNumber>
    <edition/>
    <issue/>
    <volume/>
    <type>doctoralthesis</type>
    <publisherName>Universidade Federal de São Carlos</publisherName>
    <publisherPlace/>
    <creatingCorporation/>
    <contributingCorporation/>
    <belongsToBibliography>0</belongsToBibliography>
    <completedDate>2022-03-28</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>--</thesisDateAccepted>
    <title language="eng">Computer-assisted diagnosis of Barrett's esophagus using machine learning techniques</title>
    <title language="por">Auxílio ao diagnóstico automático do esôfago de Barrett utilizando aprendizado de máquina</title>
    <abstract language="eng">Esophageal adenocarcinoma is an illness that is usually hard to detect at the early stages&#13;
in the presence of Barrett’s esohagus. The development of automatic evaluation systems of such illness may be very useful, thus assisting the experts in the neoplastic region detection. With the strong growth of machine learning techniques aiming to improve the effectivess of medical diagnosis, the use of such approaches characterizes a strong scenario to be explored for the early diagnosis of esophageal adenocarcinoma. Barrett’s esophagus as a predecessor of adenocarcinoma can be explained by some risk factors, such as obesity, smoking, and late medical diagnosis. This project proposes the development of new computer vision and machine learning techniques to assist the automatic diagnosis of the esophageal adenocarcinioma based on the evaluation of two kind of features: (i) handcrafted features, calculated by means of human knowledge using some image processing technique and; (ii) deeply-learnable features, calculated exclusively based on deep learning techniques. From the extensive application of global and local protocols for the models proposed in this work, the description of cancer-affected images and Barrett’s esophagus-affected samples were generalized and deeply evaluated using, for example, classifiers such as Support Vector Machines, ResNet-50 and the combination of descriptions by handcrafted and deeply-learnable features. Also, the behavior of the automatic definition of key-points within the evaluated techniques was observed, something of a paramount importance nowadays to guarantee transparency and reliability in the decisions made by computational techniques. Thus, this project contributes to both the computational and medical fields, introducing new classifiers, approaches and interpretation of the class generalization process, in addition to proposing fast and precise manners to define cancer, delivering important and novel results concerning the accurate identification of cancer in samples affected by Barrett’s esophagus, showing values around 95% of correct identification rates and arranged in a collection of scientific works developed by the author during the research period and submitted/published to date.</abstract>
    <identifier type="handle">https://repositorio.ufscar.br/handle/ufscar/15820</identifier>
    <enrichment key="TitelVerleihendInstitution">Universidade federal de São Carlos, Centro de Ciências exatas e de tecnologia</enrichment>
    <enrichment key="opus.doi.autoCreate">false</enrichment>
    <enrichment key="opus.urn.autoCreate">false</enrichment>
    <author>Luis Antonio de Souza Jr.</author>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Machine Learning</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Barrett's esophagus</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Deep Learning</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>handcrafted features</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>deeply-learnable features</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>convolutional neural networks</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>interpretability</value>
    </subject>
    <collection role="institutes" number="FakIM">Fakultät Informatik und Mathematik</collection>
    <collection role="persons" number="palmremic">Palm, Christoph (Prof. Dr.) - ReMIC</collection>
    <collection role="persons" number="palmbarrett">Palm, Christoph (Prof. Dr.) - Projekt Barrett</collection>
    <collection role="othforschungsschwerpunkt" number="16314">Lebenswissenschaften und Ethik</collection>
    <collection role="institutes" number="">Labor Regensburg Medical Image Computing (ReMIC)</collection>
    <collection role="othpublikationsherkunft" number="">Dissertation in Kooperation</collection>
  </doc>
</export-example>
