26gma173 10.3205/26gma173 urn:nbn:de:0183-26gma1739 Meeting Abstract Teichen Teichen Paula P

Veterinärmedizinische Universität Wien, Wien, Österreich

author Gerics Gerics Balazs B

Veterinärmedizinische Universität Wien, Einheit für Morphologie/Departement für Biologische Wissenschaften und Pathobiologie, Wien, Österreich

author Wijnants Wijnants Alexander A

Veterinärmedizinische Universität Wien, AVZ Digitale Lehre und Medien, Wien, Österreich

author German Medical Science GMS Publishing House

Düsseldorf

610 20260904 germ This is an Open Access article distributed under the terms of the Creative Commons Attribution 4.0 License. Dieser Artikel ist ein Open-Access-Artikel und steht unter den Lizenzbedingungen der Creative Commons Attribution 4.0 License (Namensnennung). M0655 173 Jahrestagung der Gesellschaft für Medizinische Ausbildung (GMA) P-07 Poster: KI-Innovation II & Digitale Lehrformate Dresden 20260917 20260919 P-0704 TextHintergrund/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 . Sie schafft einen kontinuierlichen Zugang zu den Präparaten, was angesichts des umfangreichen Lernmaterials entscheidend ist .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 (siehe Abbildung 1 und Abbildung 2 ).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. Dörrenbaecher-Ulrich L Gerics B Steinberg E Self-Regulated Learning in Early-Year Veterinary Students: Analyzing strategy usage and strategy knowledge in anatomy classes 2025 J Vet Med Educ e20250016 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 https://doi.org/10.3138/jvme-2025-0016 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? 2025 Anat Histol Embryol 8-9 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 https://doi.org/10.1111/ahe.70056 Kerbl B Kopanas G Leimkühler T Drettakis G 3D Gaussian splatting for real-time radiance field rendering 2023 ACM Trans Graph 139 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 https://doi.org/10.1145/3592433 0

1 1 Abbildung 1: Punktewolke eines BrustwirbelmodellsAuf Grundlage dieses Modells kann, nach ein paar weiteren Arbeitsschritten, das KI-Training mit Gaussian Splatting ein photorealistisches Modell erstellen.

2 2 Abbildung 2: 3DGS-Modell eines PlastinatsDies ist ein Standbild eines 3D-Modells welches auf Grundlage von Gaussian Splatting erstellt wurde.

2 0 0