Архитектура модели нейронной сети обработки 3D-образа для цифрового автоматизированного проектирования приемной гильзы протеза голени: проспективное исследование

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.

1. Пономаренко Г. Н. Физическая и реабилитационная медицина: фундаментальные основы и клиническая практика // Физиотерапия, бальнеология и реабилитация. 2016. Т. 15, №. 6. С. 284–289

2. Пономаренко Г. Н. Восстановительная медицина: фундаментальные основы и перспективы развития // Физическая и реабилитационная медицина. 2022. Т. 4, № 1. С. 8–20

3. Пономаренко Г. Н. и др. Медицинская реабилитация: состояние отечественного потока научных публикаций // Менеджер здравоохранения. 2020. №. 7. С. 53–59

4. Суфэльфа А. Р., Каплун Д. И., Черникова М. В. Исследование набора исходных данных для разработки системы поддержки принятия решений подбора индивидуальной приемной гильзы протеза голени // Всероссийская научная конференция по проблемам управления в технических системах. ФГАОУ ВО СПбГЭТУ ЛЭТИ им. В.И. Ульянова (Ленина), Санкт-Петербург, 21–23 сентября 2021 года. 2021. Т. 1. С. 89–91

5. Varrecchia T., et al. Common and specific gait patterns in people with varying anatomical levels of lower limb amputation and different prosthetic components. Human movement science, 2019, Т. 66, С. 9–21.

6. Alrasheedi N. H., Ben Makhlouf A., Louhichi B., Tlija M., Hajlaoui K. Customized Orthosis Design Based on Surface Reconstruction from 3D-Scanned Points. Prosthesis, 2024, 6(1), 93–106.