Суфэльфа Алиса Родионовна – руководитель лаборатории инновационных и реабилитационно-экспертных технологий
195067, Санкт-Петербург, ул. Бестужевская, д. 50
Alisa R. Sufelfa – Head of the Laboratory of Innovative, Rehabilitation and Expert Technologies in the Institute of Prosthetics and Orthotics
195067, Saint Petersburg, Bestuzhevskaya Str., 50
Бобкович Ксения Андреевна – лаборант-исследователь лаборатории инновационных и реабилитационно-экспертных технологий; студент
195067, Санкт-Петербург, ул. Бестужевская, д. 50
197022, Санкт-Петербург, ул. Профессора Попова, д. 5
Kseniya A. Bobkovich – Laboratory Researcher of the Laboratory of Innovative, Rehabilitation and Expert Technologies; student of BTS department
195067, Saint Petersburg, Bestuzhevskaya Str., 50
197022, Saint Petersburg, Professor Popov Str., 5
Фогт Елизавета Владимировна – руководитель отдела биомеханических исследований опорно-двигательной системы; аспирант кафедры БТС
195067, Санкт-Петербург, ул. Бестужевская, д. 50
197022, Санкт-Петербург, ул. Профессора Попова, д. 5
Elizaveta V. Fogt – Head of the Biomechanical research of musculoskeletal system department; PhD student of Biomedical engeneering department
195067, Saint Petersburg, Bestuzhevskaya Str., 50
197022, Saint Petersburg, Professor Popov Str., 5
Черникова Марина Владимировна – руководитель проектно-конструкторского отдела; аспирант кафедры АПУ
195067, Санкт-Петербург, ул. Бестужевская, д. 50
197022, Санкт-Петербург, ул. Профессора Попова, д. 5
Marina V. Chernikova – Head of the Design and engineering department; PhD student of Automation and processing department
195067, Saint Petersburg, Bestuzhevskaya Str., 50
197022, Saint Petersburg, Professor Popov Str., 5
ВВЕДЕНИЕ. Потребность в протезах нижних конечностей растет каждый год, а вопросы совершенствования технологических процессов их изготовления являются важной технической задачей и могут решить медико-социальную проблему обеспечения нуждающихся протезно-ортопедическими изделиями.
ЦЕЛЬ. Разработать архитектуру модели нейронной сети обработки образа 3D-скана культи конечности для цифрового автоматизированного проектирования индивидуальной приемной гильзы протеза голени с использованием технологий искусственного интеллекта (ИИ).
МАТЕРИАЛЫ И МЕТОДЫ. 3D-сканы культей голени и внутренних поверхностей приемных гильз протезов. Программное обеспечение для анализа и обработки данных с использованием нейронных сетей. Язык программирования Python (Нидерланды, Opensource) и среда моделирования MeshLab (Италия, Opensource). Определение ключевых признаков и создание набора данных для проектирования индивидуальных модулей протезов голени. Разработка архитектуры модели нейронной сети для цифрового автоматизированного проектирования индивидуальных приемных гильз протезов голени по скану культи пациента и прогнозирования областей нагрузки и разгрузки при пользовании протезом.
РЕЗУЛЬТАТЫ. Разработана архитектура модели нейронной сети обработки образа 3D-скана культи для цифрового автоматизированного проектирования приемной гильзы протеза голени. Сформированы наборы данных, включающие 3D-сканы культей и характеристики внутренних поверхностей гильз. Прототип системы позволяет прогнозировать зоны нагрузки и разгрузки внутри гильзы, учитывая индивидуальные особенности пациента, по трехмерному скану его усеченной конечности.
ОБСУЖДЕНИЕ. Использование технологий искусственного интеллекта (ИИ) для обработки 3D-сканов культи представляет значительные преимущества: сокращение продолжительности изготовления индивидуального модуля (приемной гильзы) протеза конечности без снижения качества; автоматизация ручного труда, уменьшение ошибок человеческого фактора и повышение точности проектирования приемной гильзы протеза; увеличение эффективности обеспечения инвалидов протезами конечностей и обеспечение комфорта при пользовании изделием. Тем не менее внедрение подобных систем требует дальнейших исследований, включая валидацию модели на большом объеме данных и интеграцию с существующими технологическими процессами.
ЗАКЛЮЧЕНИЕ. Разработанная архитектура модели нейронной сети обработки образа 3D-сканов культи позволяет значительно сократить без снижения качества продолжительность проектирования индивидуальных приемных гильз протезов голени. Применение искусственных нейронных сетей обеспечивает ускорение изготовления и снижение ошибок человеческого фактора. Внедрение разработанной модели способствует повышению качества жизни людей с ампутациями, а также эффективности реабилитационных и протезно-ортопедических мероприятий и услуг.
INTRODUCTION. The demand for lower limb prostheses is growing every year, and improving the technological processes involved in their manufacture is an important technical challenge that could solve the medical and social problem of providing prosthetic and orthopedic devices to those in need.
OBJECTIVE. Develop the architecture of a neural network model for processing 3D scans of limb stumps for the digital automated design of individual prosthetic socket shells for the lower leg using artificial intelligence (AI) technologies.
MATERIALS AND METHODS. 3D scans of lower leg stumps and the inner surfaces of prosthetic sockets. Software for analyzing and processing data using neural networks. Python programming language (Netherlands, Opensource) and MeshLab modeling environment (Italy, Opensource). Identification of key features and creation of a dataset for the design of individual lower leg prosthesis modules. Development of a neural network model architecture for the digital automated design of individual lower leg prosthesis sockets based on a scan of the patient’s stump and prediction of load and unload areas when using the prosthesis.
RESULTS. The architecture of a neural network model for processing 3D scans of stumps has been developed for the digital automated design of prosthetic lower leg socket receptacles. Data sets have been formed, including 3D scans of stumps and characteristics of the inner surfaces of sleeves. The prototype system allows predicting areas of load and unload inside the sleeve, taking into account the individual characteristics of the patient, based on a three-dimensional scan of their amputated limb.
DISCUSSION. The use of artificial intelligence (AI) technologies for processing 3D scans of the stump offers significant advantages: reduction in the manufacturing time of individual modules (receiving sleeves) for prosthetic limbs without compromising quality; automation of manual labor, reduction of human error, and increased accuracy in the design of prosthetic sockets; increased efficiency in providing prosthetic limbs to people with disabilities and ensuring comfort when using the product. However, the implementation of such systems requires further research, including model validation on a large volume of data and integration with existing technological processes.
CONCLUSION. The developed architecture of the neural network model for processing 3D scans of stumps significantly reduces the duration of the design process for individual prosthetic socket designs without compromising quality. The use of artificial neural networks accelerates manufacturing and reduces human error. The implementation of the developed model contributes to improving the quality of life of people with amputations, as well as the effectiveness of rehabilitation and prosthetic-orthopedic measures and services.
The authors declare that there are no conflicts of interest present.