Analyse von Sensordatenströmen zur Unterstützung minimalinvasiver chirurgischer Eingriffe

Minimalinvasive Herzklappeneingriffe zeichnen sich durch geringere Schmerzbelastung, kürzere Krankenhausaufenthalte und schnellere Rekonvaleszenz aus. Während der Operation werden sämtliche Sensor- und Bildgebungsdaten, einschließlich Ultraschall- und Vitalparameter, erfasst, um Risiken wie postoperatives Delir oder Nierenversagen frühzeitig zu erkennen und die Sicherheit zu erhöhen.

Das Projekt verfolgt das Ziel, die multimodalen Datenströme – darunter endoskopische Videos, Ultraschallbilder und Sensordaten – in Echtzeit zu integrieren. Dadurch sollen präzise, automatisierte Analysen der OP-Phasen, Instrumente und relevanten Anatomie ermöglicht werden. Die Verwendung effizienter Multi-Task Deep Learning Netzwerke zur Analyse der Videodaten soll die intraoperative Navigation verbessern, realistische Modellierung der Herzstrukturen während unterschiedlich deformierter Zustände erlauben und so die operative Sicherheit erhöhen.

Ein besonderer Fokus liegt auf der Verknüpfung der Daten vor, während und nach der Operation. Die genauen Positionsangaben der Kameras, kombiniert mit Ultraschalldaten, ermöglichen eine verbesserte intraoperative Orientierung und frühzeitige Problemerkennung. Dies trägt maßgeblich dazu bei, Komplikationen zu minimieren und die Entscheidungsfindung in Echtzeit zu verbessern. Insgesamt soll das Projekt die klinische Anwendung stärken, die operative Präzision erhöhen und das Risiko für Patienten deutlich reduzieren.

Das Projekt wird als Agilitätsprojekt im Rahmen von BIFOLD gefördert und durch Dr. Steffen Zeuch, Prof. Dr. Volker Markl, Prof. Dr. Alexander Meyer und Prof. Dr. Anja Hennemuth geleitet.