Smart framework for continuous 3D assessment of head disturbances from fetal to infancy period

Abstract

Head disturbances during the fetal and neonatal periods are associated with poor neurodevelopment, compromising long-term health. One of the most common disturbances is cranial deformities, consisting of abnormal skull molding occurring due to excessive forces applied continuously to the head. This condition affects 1 in 5 infants, and thus, the monitoring and evaluation of the head are paramount for early treatment, preventing long-term burden. Nevertheless, there is a lack of analytical tools for this purpose. Furthermore, current treatment methods using cranial orthoses for correcting a disturbed infant head are insufficient. Thus, this PhD thesis's main goal was to develop a complete and integrated framework to improve the assessment of cranial deformities and traditional clinical treatment. The proposed integrated framework is composed of four conceptual working parts (WP). The first consisted of the development of automatic methods based on artificial intelligence (AI) to extract meaningful information from medical images acquired during the fetal and infancy periods. This includes methods for segmenting the fetal head in 2D and 3D ultrasound (US) images, segmenting the developing brain in in-utero Magnetic Resonance (MR) images, and segmenting the head and brain in neonatal MR. The second WP consisted of the development of an automatic method to perform head shape evaluation based on 3D anatomical head models. This method consists of an AI landmark detection approach to diagnose cranial deformities based on cranial measurements extracted from the landmarks. The third WP involved developing a novel data augmentation method to improve the accuracy of AI-based methods for head shape evaluation, where a given 3D head model is transformed towards different deformities. This method was also modified and adapted to correct deformities of abnormally shaped heads, allowing to produce a normal head shape to be used for correct orthosis modeling. Finally, since the first step for diagnosing a cranial deformity is the visual perception of the disturbance, a serious game was developed in the fourth WP to train medical professionals to visually identify cranial deformities. The game aims to improve the skills of professionals regarding the visual perception of deformities, allowing early diagnosis. Overall, this work contributed with several methods that together constitute a complete and integrated framework to evaluate and monitor the head shape and growth during a person’s early life, namely during the fetal, neonatal, and infancy periods. Thus, this framework may improve traditional health assessment tools, aiding physicians to ameliorate the consequences of head disturbances.

Distúrbios na cabeça durante o período fetal e neonatal estão associados a um défice no neurodesenvolvimento, prejudicando a saúde a longo. Uma das formas mais comuns desses dirtúrbios são as deformidades cranianas, consistindo numa moldagem anormal da cabeça que ocorre devido a forças excessivas aplicadas continuamente. Esta condição afeta 1 em 5 crianças, e assim a monitorização e avaliação da cabeça são essenciais para o tratamento precoce, prevenindo possíveis consequências. No entanto, há uma falta de ferramentas analíticas para este propósito. Além disso, os métodos atuais de tratamento usando ortóteses cranianas são insuficientes. Assim, o principal objetivo desta tese de doutoramento consistiu no desenvolvimento de uma framework completa e integrada para melhorar a avaliação das deformidades cranianas, melhorando também o tratamento. A framework envolveu quatro blocos conceptuais (WP). O primeiro consistiu no desenvolvimento de métodos automáticos baseados em inteligência artificial (IA) para extrair informação de imagens médicas adquiridas durante os períodos fetal e posnatal. Esta parte incluiu métodos para segmentar a cabeça fetal em imagens 2D e 3D de ultrassom (US), para segmentar o cérebro fetal em imagens de Ressonância Magnética (RM) intra-uterina e para segmentar a cabeça e cérebro em RM neonatal. O segundo WP baseou-se no desenvolvimento de métodos automáticos para avaliar a forma da cabeça em modelos anatómicos 3D. Este consiste num método de IA para detecção de landmarks a partir das quais medidas cranianas são extraídas para diagnosticar deformidades. O terceiro WP consistiu no desenvolvimento de um método de data augmentation para melhorar o desempenho de métodos de IA para avaliação da cabeça, um modelo 3D é transformado para várias deformidades. Este método foi também adaptado para virtualmente corrigir deformidades de cabeças, gerando a cabeça normal do paciente para auxiliar na modelação da ortótese. Por fim, sendo o primeiro passo para o diagnóstico de uma deformidade a percepção visual, foi desenvolvido um jogo sério no quarto WP para treinar profissionais a visualmente identificá-las. O objetivo do jogo é melhorar as habilidades dos profissionais de saúde quanto à percepção visual das deformidades, permitindo o diagnóstico precoce. Em geral, este projeto contribuiu com vários algoritmos que, em conjunto, constituem uma framework completa e integrada para avaliar e monitorizar a forma e o crescimento da cabeça durante os períodos fetal, neonatal e infantil. Assim, esta framework pode melhorar as ferramentas tradicionais de avaliação, auxiliando os médicos a impedir as consequências dos distúrbios na cabeça.