Jahrestagung der Gesellschaft für Medizinische Ausbildung (GMA)
Pilotstudie zum Erstellen von virtuellen Modellen für die Anatomie-Lehre
Text
Hintergrund/Fragestellung: Die Digitalisierung von Präparaten leistet einen wichtigen Beitrag zum Lernerfolg in der (Veterinär-)Anatomie. Selbstreguliertes Lernen ist entscheidend, um Studierenden den effektiven Umgang mit umfangreichem Lernmaterial zu ermöglichen [1]. Sie schafft einen kontinuierlichen Zugang zu den Präparaten, was angesichts des umfangreichen Lernmaterials entscheidend ist [2].
Ziel dieser Arbeit war die Entwicklung eines Workflows zur Erstellung virtueller 3D-Modelle verschiedener Präparatearten mittels Photogrammetrie und dem Verfahren des Gaussian Splatting (GS).
Methoden: Eine technische Herausforderung für die Digitalisierung sind die heterogene Oberflächeneigenschaften der Präparate. Matte (Knochen und Plastinate) und glänzende (Polyethylenglycol-fixierte, d.h PEG, salzfeuchte oder Formalin-fixierte) Präparate wurden verglichen. Für das KI-Training (künstliche Intelligenz) werden anisotrope dreidimensionale Gaussians verwendet, die das zuvor erstellte Mesh-Modell ersetzen. Jeder dieser Gaussians erhält eigene Eigenschaften – wie Position, Transparenz, Form (Kovarianz) und Farbwerte. Diese Parameter werden im Trainingsprozess angepasst, um ein möglichst fotorealistisches Ergebnis zu erzielen [3] (siehe Abbildung 1 [Abb. 1] und Abbildung 2 [Abb. 2]).
Abbildung 1: Punktewolke eines Brustwirbelmodells
Auf Grundlage dieses Modells kann, nach ein paar weiteren Arbeitsschritten, das KI-Training mit Gaussian Splatting ein photorealistisches Modell erstellen.
Abbildung 2: 3DGS-Modell eines Plastinats
Dies ist ein Standbild eines 3D-Modells welches auf Grundlage von Gaussian Splatting erstellt wurde.
Ergebnisse: Wir haben wesentliche Einflussfaktoren – die Stabilität der Aufhängung, Hintergrund, Maskierungsverfahren, sowie Aufnahmeparameter – auf die Modellqualität analysiert und angepasst, um den Workflow zu optimieren. Der Vergleich zwischen Mesh-Rekonstruktionen und GS-Modellen zeigte, dass Mesh-Modelle (insbesondere bei Knochenpräparaten) weniger lichtabhängige Artefakte aufweisen. Gaussian Splatting führte bei geeigneten Bedingungen zu sehr realistischen Modellen der Präparate.
Diskussion: Die Ergänzung der Aufhängung mit einem Drehlager verbesserte die Alignment-Ergebnisse im Programm RealityCapture®. Serien mit etwa 70 Bildern und einem Aufnahmeintervall von einer Sekunde erwiesen sich als besonders geeignet. Bei matten Präparaten erwiesen sich Blendenwerte wie F 25 sich als ideal. Bei manchen Präparaten musste die manuelle Maskierung mittels Chroma Keying durchgeführt werden.
Take-Home-Messages: Die Ergebnisse verdeutlichen, dass Gaussian Splatting ein vielversprechender Ansatz zur digitalen Abbildung anatomischer Präparate ist, dessen Anwendung jedoch stark von kontrollierten Aufnahmebedingungen abhängt.
Literatur
[1] Dörrenbaecher-Ulrich L, Gerics B, Steinberg E. Self-Regulated Learning in Early-Year Veterinary Students: Analyzing strategy usage and strategy knowledge in anatomy classes. J Vet Med Educ. 2025:e20250016. DOI: 10.3138/jvme-2025-0016[2] Schirone R, Schmedding M, Weigner J, Werner M, Corte G M, Ehlers J P, Bahramsoltani M. Low-fidelity 3D-printed models in veterinary anatomy classes - a game changer? Anat Histol Embryol. 2025;54(Suppl 1):8-9. DOI: 10.1111/ahe.70056
[3] Kerbl B, Kopanas G, Leimkühler T, Drettakis G. 3D Gaussian splatting for real-time radiance field rendering. ACM Trans Graph. 2023;42(4):139. DOI: 10.1145/3592433
