.
3D tehnoloģiju pielietojums medicīnā
Studiju kursa apraksts
Kursa apraksta statuss:Apstiprināts
Kursa apraksta versija:2.00
Kursa apraksta apstiprināšanas datums:02.01.2024 12:16:16
| Par studiju kursu | |||||||||
| Kursa kods: | FK_077 | LKI līmenis: | 7. līmenis | ||||||
| Kredītpunkti: | 2.00 | ECTS: | 3.00 | ||||||
| Zinātnes nozare: | Fizika | Mērķauditorija: | Medicīnas tehnoloģijas; Zobārstniecība; Ārstniecība; Rehabilitācija | ||||||
| Studiju kursa vadītājs | |||||||||
| Kursa vadītājs: | Jevgenijs Proskurins | ||||||||
| Studiju kursa īstenotājs | |||||||||
| Struktūrvienība: | Fizikas katedra | ||||||||
| Struktūrvienības vadītājs: | |||||||||
| Kontaktinformācija: | Rīga, Anniņmuižas bulvāris 26a, 1. stāvs, 147.a un b kabinets, fizika rsu[pnkts]lv, +371 67061539 | ||||||||
| Studiju kursa plānojums | |||||||||
| Pilns laiks - 1. semestris | |||||||||
| Lekcijas (skaits) | 1 | Lekciju ilgums (akadēmiskās stundas) | 2 | Kopā lekciju kontaktstundas | 2 | ||||
| Nodarbības (skaits) | 10 | Nodarbību ilgums (akadēmiskās stundas) | 3 | Kopā nodarbību kontaktstundas | 30 | ||||
| Kopā kontaktstundas | 32 | ||||||||
| Studiju kursa apraksts | |||||||||
| Priekšzināšanas: | Informātikas zināšanas vidusskolas programmas līmenī. | ||||||||
| Mērķis: | Apmācīt studējošos telpiskajā modelēšanā, telpisku anatomisko modeļu izveidē, ieguvē, pilnveidošanā, kā arī sagatavošanā 3D printēšanai. Iepazīstināt studējošos ar dažādām telpiskās modelēšanas iespējām un programmatūrām, sniegt iespēju studējošajiem izveidot dažādas sarežģītības digitālos telpiskos modeļus un tos izprintēt. Paredzams, ka studējošie, kuri apguvuši studiju kursu, spēs patstāvīgi izstrādāt un sagatavot 3D printēšanai telpiskos modeļus, izmantojot radioloģijas izmeklējumu datus, pratīs pielietot iegūtās zināšanas savā profesionālajā darbībā. | ||||||||
| Tēmu saraksts (pilna laika studijas) | |||||||||
| Nr. | Tēma | Īstenošanas forma | Skaits | Norises vieta | |||||
| 1 | Medicīniskā attēlveidošana un 3D modelēšana, 3D druka izmantošanai medicīnā, 3D modelēšanas un 3D drukas progresīvie pielietojumi medicīnā. Pārskats par medicīniskās attēlveidošanas metodēm (CT, MRI, ultraskaņa). Metodes medicīnisko attēlu pārvēršanai 3D modeļos. Apsvērumi par precizitāti un izšķirtspēju medicīniskajos 3D modeļos. 3D modelēšanas piemēri medicīnas pētījumos un klīniskajā praksē. | Lekcijas | 1.00 | datorklase | |||||
| 2 | Pārskats par 3D drukas materiāliem un metodēm. Sarežģītu struktūru un funkcionālo modeļu drukāšanas paņēmieni. 3D modelēšanas un printēšanas izmantošana ķirurģiskai plānošanai, medicīnas ierīču, implantu un protežu izgatavošanai. 3D drukas pielietojumi audu inženierijā un reģeneratīvajā medicīnā. Dažādu programmatūru iespējas un to apgūšana. | Nodarbības | 1.00 | datorklase | |||||
| 3 | Programmēšanas valodu Python un C# pamati, Python koda arhitektūra, bibliotēkas, sintakse. Programmēšanas iespējas 3D modeļu iegūšanā, apstrādē un mašīnmācībā. | Nodarbības | 1.00 | datorklase | |||||
| 4 | Mašīnmācīšanās pielietojums medicīniskajai plānošanai, attēlos / 3d modeļos balstītai diagnostikai un attēlveidošanai, medicīnas simulācijam. Pārskats par mašīnmācīšanās algoritmiem klasifikācijai un regresijai. Radioloģiskās izmeklēšanas attēlu veidi un to īpašības. Iezīmju iegūšanas un atlases metodes medicīniskiem attēliem. Mašīnmācīšanās pielietojumi radioloģijā, tostarp attēlu segmentēšana un klasifikācija. | Nodarbības | 2.00 | datorklase | |||||
| 5 | Automātiskā segmentēšana, segmentēšanas principi un algoritmi, telpisko modeļu ģenerēšana no segmentēšanas rezultāta, mākslīgā intelekta (MI) koncepts un tā loma 3D tehnoloģijās. Uzlabotas 3D modelēšanas un drukāšanas lietojumprogrammas ķirurģiskajā plānošanā un apmācībā. Nākotnes virzieni un jaunās tehnoloģijas 3D drukāšanai medicīnā. | Nodarbības | 1.00 | datorklase | |||||
| 6 | 3D modeļu kods, modeļu koda veidošana, telpisku objektu atpazīšana, pazīmju kartes (feature maps). 3D modeļu ieguve no virsmas skena vai 2D attēliem, reversā inženierija. | Nodarbības | 1.00 | datorklase | |||||
| 7 | 3D simulēšana, animēšana – algoritmi modeļu dinamikas nodrošināšanai. Virtuālās un papildinātās realitātes veidošana. | Nodarbības | 2.00 | datorklase | |||||
| 8 | Darbs pie noslēguma projekta. Praktiska pieredze ar 3D modelēšanas programmatūru. Grupu projekts, kas demonstrē 3D modelēšanas un drukāšanas izmantošanu medicīnā. Klasifikācijas problēmu mašīnmācības lietojumprogrammu gadījumu izpēte. | Nodarbības | 2.00 | datorklase | |||||
| Vērtēšana | |||||||||
| Patstāvīgais darbs: | Praktiski radioloģisko izmeklējumu segmentēšanas un 3D modeļu apstrādes uzdevumi. | ||||||||
| Vērtēšanas kritēriji: | Aktīva līdzdalība praktiskajās nodarbībās. Patstāvīgais darbs 50%. Sekmīgi nokārtots pārbaudes darbs testa formā e-studiju vidē, kas sastāda 50% no gala vērtējuma. | ||||||||
| Gala pārbaudījums (pilna laika studijas): | Eksāmens | ||||||||
| Gala pārbaudījums (nepilna laika studijas): | |||||||||
| Studiju rezultāti | |||||||||
| Zināšanas: | Sniegt studējošajiem ieskatu un praktiskas zināšanas 3D skenēšanā un modelēšanā, ar kurām studējošie potenciāli varētu saskarties nākotnē savā profesionālā vidē, tādā veidā palielinot savu konkurētspēju. | ||||||||
| Prasmes: | Studiju kursa apguves rezultātā studējošie pratīs lietot iegūtās zināšanas par 3D skenēšanu un modelēšanu, lai varētu praktiski darboties ar dažādiem 3D modelēšanas programmām, kā arī prast pielietot šīs tehnoloģijas praksē. Paredzams, ka studējošie, kuri apguvuši studiju kursu, spēs patstāvīgi izstrādāt un sagatavot printēšanai telpiskos modeļus, izmantojot radioloģijas izmeklējumu datus, pratīs pielietot iegūtās zināšanas savā profesionālajā darbībā. Studiju kursa apguves rezultātā studējošie būs spējīgi izmantot pieejamās 3D skenēšanas un modelēšanas tehnoloģijas, spēs novērtēt pašreizējo situāciju 3D tehnoloģiju jomā, prognozēt tās attīstības virzienus. | ||||||||
| Kompetences: | 1. Patstāvīgi izstrādā jaunus - pacientiem individuāli piemērotus - unikālus implantu un protēžu digitālos modeļus un sagatavo šos modeļus izgatavošanai (izmanto un pielāgo implantu/protēžu izgatavošanas tehnoloģijas). (3.1. Digitālā satura veidošana; 3.2. Digitālā satura integrēšana un atkārtota izstrāde; 4.2. Personas datu un privātuma aizsardzība; 5.3. Digitālo tehnoloģiju radoša lietošana; DigComp 7) 2. Segmentē CT, CBCT un MRI izmeklējumus un izveido personalizētus anatomisko struktūru 3D modeļus, kurus varēs izmantot pacientu individuālās terapijas plānošanā. (3.1. Digitālā satura veidošana; 3.2. Digitālā satura integrēšana un atkārtota izstrāde; 4.2. Personas datu un privātuma aizsardzība; 5.3. Digitālo tehnoloģiju radoša lietošana; DigComp 7) 3. Izmanto un pielāgo dažādu programmēšanas valodu, piem., Python, skriptus dažādu anatomisko struktūru automatizētai segmentēšanai, kas pielāgoti katra pacienta individuālajai slimības vēsturei un pieejamiem radioloģiskiem izmeklējumiem. (3.1. Digitālā satura veidošana; 3.2. Digitālā satura integrēšana un atkārtota izstrāde; 3.4. Programmēšana; 4.2. Personas datu un privātuma aizsardzība; 5.3. Digitālo tehnoloģiju radoša lietošana; DigComp 7) 4. Rada pacientiem unikālus un īpaši pielāgotos terapijas risinājumus (3D ķirurģiskā plānošana, implantu modeļu izveide), izstrādā šos risinājumus ierobežotu datu apjoma gadījumos (radioloģisko izmeklējumu ierobežojumi), kombinējot dažādas segmentēšanas un 3D modelēšanas programnodrošinājumu, piem., Fusion 360, Blender, Meshmixer un 3-Matic Mimics Innovation Suite. (3.1. Digitālā satura veidošana; 3.2. Digitālā satura integrēšana un atkārtota izstrāde; 3.4. Programmēšana; 4.2. Personas datu un privātuma aizsardzība; 5.3. Digitālo tehnoloģiju radoša lietošana; 2.1. Mijiedarbība, izmantojot digitālās tehnoloģijas; 2.4. Sadarbība, izmantojot digitālās tehnoloģijas; DigComp 7) | ||||||||
| Bibliogrāfija | |||||||||
| Nr. | Atsauce | ||||||||
| Obligātā literatūra | |||||||||
| 1 | Introduction to Machine Learning with Python. by Andreas C. Müller, Sarah Guido. Released September 2016. Publisher(s): O'Reilly Media, Inc. | ||||||||
| 2 | 3D Deep Learning with Python. by Xudong Ma, Vishakh Hegde, Lilit Yolyan. Released October 2022. Publisher(s): Packt Publishing | ||||||||
| Papildu literatūra | |||||||||
| 1 | Richard Szeliski. Computer Vision: Algorithms and Applications. 2nd ed. The University of Washington, Springer, 2022 | ||||||||
| 2 | Geoff Dougherty. Digital Image Processing for Medical Applications. California State University, Channel Islands, April 2009. | ||||||||
