Het aantal knieoperaties zal naar verwachting aanzienlijk stijgen door vergrijzing en obesitas. Hoewel staande 2D-röntgenbeelden de gouden standaard blijven voor de selectie van patiënten en planning van knieoperaties, kennen ze projectiefouten en vergrotingsvervormingen. De komst van gewichtdragende CT biedt een betere anatomische nauwkeurigheid door belasting in drie dimensies vast te leggen. Net als conventionele CT is deze methode echter duur, tijdrovend en brengt ze een hogere stralingsblootstelling met zich mee dan röntgenbeelden. Daarom blijft er een duidelijke klinische behoefte om de sterke punten van zowel röntgen als CT te combineren, zodat patiëntenevaluatie wordt verbeterd zonder in te boeten op toegankelijkheid en efficiëntie. Dit PhD-onderzoek ontwikkelt AI-gedreven oplossingen om de selectie van patiënten en de chirurgische planning te verbeteren. Het eerste doel richt zich op het automatiseren van de detectie van anatomische referentiepunten op röntgen- en CT-beelden met behulp van deep learning. Het tweede doel is het extraheren van 3D-anatomische informatie uit uitsluitend 2D-röntgenbeelden met behulp van geavanceerde generatieve AI-modellen. Door expertise van orthopedische clinici en AI-onderzoekers te combineren, zorgt het project ervoor dat de methoden aansluiten bij de chirurgische besluitvorming en de praktische uitdagingen in de patiëntenzorg. Met behulp van grote, multicenter datasets zal het onderzoek grondig klinisch gevalideerd worden.