Implantes paciente-específicos oferecem vantagens importantes para pacientes e profissionais médicos. O estado da arte da produção de implantes para cranioplastia é baseado na reconstrução da estrutura óssea a partir de imagens tomográficas e no uso das informações anatômicas do próprio paciente para preencher o defeito ósseo. O presente trabalho consiste em uma investigação de qual conjunto de pontos bidimensionais, combinando pontos da região do defeito ósseo e pontos do hemisfério craniano contralateral saudável, resulta na regressão polinomial mais próxima a uma estrutura de referência. A determinação do conjunto de pontos mais bem sucedido objetiva contribuir com o futuro desenvolvimento e teste de metodologias semiautomáticas e automáticas para modelagem de próteses cranianas. A presente metodologia foi implementada em scripts Python e usa dez séries de imagens de tomografia computadorizada de crânio para gerar fantomas com defeitos ósseos de tamanho pequeno, médio e grande. A distância link normalizada e a distância de Hausdorff são as medidas de similaridade usadas para comparar os contornos de referência com os contornos estimados a partir dos diferentes conjuntos de pontos de entrada. Os resultados de testes estatísticos, observações feitas a partir da distância link normalizada média e distância de Hausdorff média e a forma dos contornos estimados obtidos sugerem que o conjunto de pontos formado pelos pontos do contorno do fantoma com multiplicidade dois e os pontos do contorno espelhado é aquele que reduz significativamente as distâncias entre o contorno estimado e o contorno de referência.

Patient-specific implants provide important advantages for patients and medical professionals. The state of the art in cranioplasty implant production is based on the bone structure reconstruction from tomographic images and the use of patients' own anatomical information for filling in the bone defect. The present work consists of an investigation of which dataset of two-dimensional points combining points of the bone defect region and points of the healthy contralateral skull hemisphere results in the closest polynomial regression to a reference structure. The objective is to determine the dataset that most successfully contributes for future development and testing of semi-automatic and automatic methodologies for cranial prosthesis modeling. The present methodology was implemented in Python scripts and uses ten series of skull computed tomography images to generate phantoms with small, medium and large bone defects. The normalized link distance and the Hausdorff distance are the similarity measures used to compare the reference contours with the estimated contours. Results from statistical tests, observations made from the mean normalized link distance and mean Hausdorff distance and the estimated contours shape suggests that the dataset formed by the phantom contour points twice and the mirrored contour points is the one that significantly decreases the distances between the estimated contour and the reference contour.