AI-driven methods for automating preoperative planning in patient-specific joint replacement surgery

Joint replacement surgery replaces damaged or diseased joints with prostheses to restore function and relieve pain. With the aging population, the demand for primary and revision procedures is expected to rise significantly. To meet this growing request while maintaining high surgical standards, personalized medicine and AI-powered healthcare innovations are essential to enhance patient care and streamline surgical workflows. This thesis introduces an AI-driven pipeline laying the groundwork for fully automating preoperative planning in PSI-based knee and shoulder replacement surgery. The framework automates CT bone segmentation and 3D reconstruction, producing results that meet PSI manufacturing standards, while identifying and staging different joint pathologies to define patient-specific surgical strategies. Segmentation is achieved using a novel UNet variant, CEL-UNet, designed to enhance the delineation of irregular bone boundaries in patients with osteoarthritis. Tests on large, heterogeneous knee and shoulder datasets outscored state-of-the-art networks and existing literature, achieving median RMSE values of 0.26~mm, 0.24~mm, 0.22~mm, and 0.19~mm for the tibia, femur, humerus, and scapula, respectively. Further validation in an orthopedic company operational setting revealed the potential for replacing manual operators in the same task. Focusing on the shoulder, two approaches were introduced to integrate the segmentation module with a comprehensive joint clinical evaluation. The first is a cascade pipeline where the CT was further processed by a CNN, Arthro-Net, tailored for classifying and staging the osteophyte size, joint space, and humeroscapular alignment. The second is an ensemble approach where the segmentation and staging of the same pathologies were concurrently performed with the same network, xCEL-UNet. This CEL-UNet variant incorporates GradCAM-based algorithms to improve interpretability and build trust in the decision-making process. The results of both approaches were similar, achieving an average accuracy of 0.91 in the three-fold classification. By combining these findings with anatomical landmark identification to integrate a range of motion assessment and bone resection plane definition, a fully customized surgical plan can be developed, ultimately enhancing patient outcomes.

La chirurgia di sostituzione articolare sostituisce articolazioni danneggiate o malate con protesi, allo scopo di ripristinare la funzionalità del giunto e alleviare il dolore. Con l’invecchiamento della popolazione, si prevede un notevole aumento della domanda sia di interventi primari sia di revisioni. Per soddisfare questa crescita mantenendo elevati standard chirurgici, risultano essenziali la medicina personalizzata e le innovazioni sanitarie basate sull’intelligenza artificiale, che consentono di migliorare l’assistenza al paziente e di ottimizzare i flussi di lavoro in sala operatoria. Questa tesi presenta una pipeline guidata dall’IA che pone le basi per l’automazione completa della pianificazione pre-operatoria nella chirurgia di sostituzione del ginocchio e della spalla basata su PSI. Il framework automatizza la segmentazione ossea da TC e la ricostruzione 3D, generando risultati conformi agli standard di produzione PSI, oltre a individuare e stadiare varie patologie articolari per definire strategie chirurgiche personalizzate. La segmentazione è realizzata con una nuova variante di UNet, denominata CEL-UNet, progettata per migliorare la delineazione dei margini ossei irregolari nei pazienti affetti da osteoartrosi. I test eseguiti su ampi e eterogenei dataset di ginocchio e spalla hanno superato le reti all’avanguardia presenti in letteratura, ottenendo valori mediani di RMSE di 0,26 mm, 0,24 mm, 0,22 mm e 0,19 mm rispettivamente per tibia, femore, omero e scapola. Ulteriori validazioni in un contesto operativo aziendale ortopedico hanno evidenziato il potenziale di sostituire gli operatori manuali nello stesso compito. Concentrandosi sulla spalla, sono stati introdotti due approcci per integrare il modulo di segmentazione con una valutazione clinica articolare completa. Il primo è una pipeline a cascata in cui la TC viene ulteriormente analizzata da una CNN, Arthro-Net, specifica per classificare e stadiare la dimensione degli osteofiti, lo spazio articolare e l’allineamento omero-scapolare. Il secondo è un approccio ensemble in cui segmentazione e stadiazione delle stesse patologie vengono eseguite contemporaneamente dalla medesima rete, xCEL-UNet. Questa variante di CEL-UNet incorpora algoritmi basati su Grad-CAM per migliorare l’interpretabilità e rafforzare la fiducia nel processo decisionale. Entrambi gli approcci mostrano risultati simili, con un’accuratezza media di 0,91 nella classificazione a tre livelli. Combinando questi risultati con l’identificazione di landmark anatomici per integrare la valutazione del range di movimento e la definizione dei piani di resezione ossea, è possibile sviluppare un piano chirurgico completamente personalizzato, con il potenziale di migliorare significativamente gli esiti per il paziente.