In this thesis we study artificial intelligence methods, rule-based expert systems in particular, for the task of automatically designing customized medical prostheses. Here, the term design denotes the shaping or modeling of the prostheses and not their functional design. The challenge of the task at hand lies in designing prostheses that fit perfectly to the anatomy of the patient, and in many cases have to support additional functionality. Hence, each prosthesis has to be unique. Therefore, medical prostheses are usually designed starting with a template of the patient’s anatomy, e. g. acquired using CT data or scanned and digitized molds. In this thesis we assume that the template data is given as a triangle mesh in 3-D. To address the challenge of automatically designing medical prostheses, we develop an expert system framework consisting of an expert system shell, a knowledge base and a feature detection unit. The framework is integrated into an existing modeling software. In the following, we denote the complete system as Expert System for Automatic Modeling (ESAM). The architecture of ESAM is generic and can be used for all kinds of design tasks. The specialization for the application in mind can be achieved by providing the necessary design rules and by adjusting the feature detection algorithms. Our expert system specializes in monitoring and controlling a CAD software. Thus, it defines the parameters of the CAD tools, executes the tools and monitors the results by constantly analyzing the current shape. As part of the expert system we develop a knowledge representation language to structure and store the expert knowledge. The language is easy to understand, flexible and can be extended as required. The knowledge base is created in interaction with experts of the field. In addition, we study methods to extend, improve and maintain the knowledge base. We evaluate two methods for rule creation and rule critic. On the one hand, we apply genetic programming as a rule learning technique. On the other hand, we use a heuristic method based on data generated by ESAM. For the latter, we develop a tool that generates statistics about rule performance, rule relationships and user interaction. The thereby gained knowledge is integrated into the knowledge base, resulting in a higher performance of ESAM, e. g. the completion rate increased by about 30 %. We apply two types of feature detection methods for the detection of surface features on the given templates. The first method analyzes the surface of the given template for peaks, depressions, ridges and combinations of these generic features. The generality of the detected features allows a simple adjustment to different anatomies. The second method uses registration in order to copy features from a labeled template to an unlabeled one. As a first step, it applies clustering techniques to identify a suitable set of representative templates. In the second step, these templates are labeled by a domain expert. Subsequently, the labels can be transferred based on the result of an ICP registration. Our experiments show that the second approach results in a higher quality of the detected features, e. g. mean deviation is reduced from approximately 3.8mm by about 30% to approximately 2.6 mm. ESAM is verified using the example of customized in-the-ear hearing aid design. An industry partner provides the domain knowledge necessary to create the knowledge base as well as the possibility to verify the system in a real production environment. In order to ensure the quality of the designed and manufactured in-the-ear hearing aids, the system is verified while running in a semi-automatic mode. The semi-automatic mode allows a modeling expert to monitor and correct the system if necessary. During the verification and practical usage of ESAM thousands of customized in-the-ear hearing aid shells are manufactured. It could be shown that compared to the manual approach the design consistency improves by about 10% and the design time is reduced by about 30 %. The overall acceptance rate of an expert system rule is 76 %. In addition to that, ESAM provides a framework, which guides the modeler through the complex design process, and thereby reduces the amount of design errors and avoids unnecessary process steps. As a consequence of these positive evaluation results our industry partner continues to apply ESAM on its production floor.

In dieser Arbeit wird die Anwendung von Methoden der Künstlichen Intelligenz für das automatisierte Design von individualisierten medizinischen Prothesen untersucht. Der Schwerpunkt liegt dabei auf regelbasierten Expertensystemen. Der Begriff Design wird im Folgenden als Modellierung der physikalischen Form der Prothese verstanden und nicht als das funktionale Design. Das Design einer individualisierten Prothese ist sehr komplex, da diese exakt auf die individuelle Anatomie eines Patienten abgestimmt sein muss und in vielen Fällen weitere Funktionen erfüllt. Um dies zu erreichen, basieren die Prothesen auf einem gegebenen Modell der Patientenanatomie. Diese Anatomiedaten können beispielsweise mit Hilfe von CT Daten oder auch von gescannten Abdrücken erzeugt werden. In der vorliegenden Arbeit gehen wir davon aus, dass die Daten in Form von triangulierten 3-D Gittern zur Verfügung stehen. Das automatisierte Modellieren einer individuellen medizinischen Prothese wurde durch die Entwicklung eines Expertensystems gelöst. Dieses besteht aus einer sogenannten expert system shell und einer Wissensdatenbank. Zusätzlich wurde ein System zur Merkmalserkennung für die gegebenen 3-D Daten entwickelt. Beide Systeme wurden in eine vorhandene Modellierungssoftware integriert. Das daraus resultierende Gesamtsystem wird im Folgenden als Expert System for Automatic Modeling (ESAM) bezeichnet. Die Architektur des entwickelten Gesamtsystems ist generisch und kann für verschiedenste Designaufgaben mit Anpassung der Wissensdatenbank und der Merkmalserkennung spezialisiert werden. Das Expertensystem ist konzipiert für die Steuerung und Kontrolle der Modellierungssoftware. Es steuert die Parameter der vorhandenen Modellierungsfunktionen, führt diese Funktionen aus und kontrolliert das Ergebnis. In diesem Zusammenhang wurde zur Speicherung und Strukturierung des Expertenwissens eine gut verständliche und einfach erweiterbare Wissensrepräsentationsprache entwickelt. Die benötigte Wissensdatenbank wurde in Interaktion mit Fachexperten generiert. Außerdem wurden Methoden zur Erweiterung, Verbesserung und Pflege der Wissensdatenbank untersucht. Zur Regelerzeugung und Regelkritik wurde zum einen genetische Programmierung, zum anderen eine heuristische Methode angewendet und ausgewertet. Bei Letzterer werden vom ESAM erzeugte Modellierungsdaten untersucht und ausgewertet. Dafür wurde eine Software zur Auswertung von Regelabhängigkeiten, Regelqualität und menschlicher Interaktion mit dem System entwickelt. Die dabei gewonnenen Erkenntnisse wurden in die Wissensdatenbank integriert und führten zu einer messbaren Verbesserung des Systems. Beispielsweise wurde die ESAMFertigungsrate um ca. 30% verbessert. Für die Erkennung der benötigten Merkmale auf den triangulierten Oberflächenmodellen werden zwei verschieden Methoden angewendet. Die erste Methode basiert auf der Analyse von generischen Merkmalen der gegebenen 3-D Daten. Diese Merkmale können Senken, Kanten, Erhebungen oder Kombinationen dieser sein. Der generische Ansatz erlaubt eine einfache Anpassung für verschiedenste Anatomien. Die zweite Methode basiert auf der Übertragung der Merkmale von einem beschrifteten Modell auf ein neues Modell. Diese Methode nutzt im ersten Schritt Clustering, um eine geeignete Menge von repräsentativen Modellen zu identifizieren. Diese werden im zweiten Schritt von einem Experten beschriftet. Anschließend können die Merkmale von einem bereits beschrifteten Modell auf ein unbeschriftetes übertragen werden. Um eine qualitativ gute Übertragung zu gewährleisten, wird das neue Modell mit dem beschrifteten registriert. Experimentell konnte gezeigt werden, dass die zweite Methode bessere Ergebnisse erzielt. So konnte die durschnittliche Abweichung von ca. 3.8mm um mehr als 30% auf ca. 2.6mm verringert werden. Die Verifikation des ESAM wurde an dem Designproblem von in-dem-Ohr (idO) Hörgeräten durchgeführt. Ein Industriepartner stellte sowohl die notwendige Fachexpertise zur Erstellung der Wissensdatenbank, als auch die Möglichkeit, ESAM in einer realen Produktionsumgebung zu verifizieren, zur Verfügung. Um Qualitätseinbußen in der Fertigung zu vermeiden, wurde die Verifikation mit einem halbautomatischen ESAM System durchgeführt. Dieses erlaubt es den Modellierungsexperten, das System jederzeit zu korrigieren. Während der Verifikation des ESAM wurden Tausende idO Hörgeräte gebaut. Im Vergleich zum manuellen Design wurde dabei eine Verbesserung der Designkonsistenz um 10% erreicht, bei gleichzeitiger Reduzierung der Designzeit um 30 %. Die durchschnittliche Akzeptanz einer Expertensystemregel liegt bei 76 %. Außerdem verhindert der Einsatz des ESAM Design- und Prozessfehler, da es den Anwender durch den Prozess leitet. Auf diese Weise werden weder Prozessschritte vergessen noch unnötige Schritte durchgeführt. Als Konsequenz der guten Ergebnisse und Vorteile des entwickelten Systems wird es weiterhin bei unserem Industriepartner eingesetzt.