Abstract
Borstreconstructie met eigen weefsel, specifiek met Deep Inferior Epigastric artery Perforator (DIEP) flappen, heeft de laatste jaren grote vooruitgang geboekt door schade aan de donorsite te minimaliseren. Hierbij is het kiezen van de juiste perforator is cruciaal, aangezien de flap slechts door één perforator wordt gevoed. Hoewel Computed Tomography Angiography (CTA) de standaardmethode is voor bloedvatselectie, heeft het nadelen zoals contrastmiddelen, straling, hoge kosten en geen informatie over flapdoorbloeding. Recente studies tonen aan dat Dynamische Infrarood Thermografie (DIRT) een niet-invasieve methode is die preoperatief de dominante perforatoren en intraoperatief de doorbloede zones van deze perforatoren visualiseert. Het identificeren van deze zones is essentieel om de overlevingskansen van de borst te optimaliseren, maar dit vergt een extra operatietijd van gemiddeld 60 minuten. Het doel van dit project is het voorspellen van doorbloede zones van specifieke perforatoren zonder intraoperatieve metingen, wat resulteert in snellere en nauwkeurigere behandelingen. Dit wordt bereikt door de ontwikkeling van een Convolutioneel Neuraal Netwerk dat getraind wordt met Eindige Elementen Methode (FEM) modellen van de abdomen met perforatoren. Deze modellen worden geconstrueerd met behulp van zowel CTA- als pre- en intraoperatieve DIRT-gegevens, met FEM-updating om het thermisch gedrag van het model aan te passen aan de infraroodmetingen.
Onderzoeker(s)
Onderzoeksgroep(en)
Project type(s)