Для цитирования:
Бескровный А. С., Бессонов Л. В., Иванов Д. В., Золотов В. С., Сидоренко Д. А., Кириллова И. В., Коссович Л. Ю. Построение трехмерных твердотельных моделей позвонков с использованием сверточных нейронных сетей // Известия Саратовского университета. Новая серия. Серия: Математика. Механика. Информатика. 2021. Т. 21, вып. 3. С. 368-378. DOI: 10.18500/1816-9791-2021-21-3-368-378, EDN: XOVJRW
Построение трехмерных твердотельных моделей позвонков с использованием сверточных нейронных сетей
Качество решения задачи биомеханического моделирования во многом зависит от созданной твердотельной модели исследуемого биологического объекта. Построение модели на основе данных компьютерной томографии конкретного пациента возможно как в ручном режиме (программные пакеты обработки медицинских изображений), так и с применением автоматизированных средств построения модели (сегментации изображений), что существенно ускоряет процесс создания твердотельной модели в отличие от ручного режима. Сложность автоматизированного подхода заключается в реконструкции сегментированного образа в твердотельную модель, пригодную для биомеханического моделирования. Как правило, автоматическая сегментация затруднена шумами, наличием анатомических патологий, имплантатов на снимках цифрового исследования. В статье предложен способ создания твердотельной модели из облака точек, полученного по данным компьютерной томографии с использованием сверточных нейронных сетей SpatialConfiguration-Net и U-Net. Результаты реализации применены при разработке «Модуля твердотельных моделей», который включен в состав прототипа системы поддержки принятия врачебных решений SmartPlan Ortho 3D, разрабатываемого в СГУ им. Н. Г. Чернышевского в рамках проекта Фонда перспективных исследований. Система включена в реестр российского программного обеспечения.
- Roth H. R., Le Lu, Lay N., Harrison A. P., Farag A., Sohn A., Summers R. M. Spatial aggregation of holistically-nested convolutional neural networks for automated pancreas localization and segmentation // Medical Image Analysis. 2017. Vol. 45. P. 94–107. https://doi.org/10.1016/j.media.2018.01.006
- Roth H. R., Hirohisa Oda, Xiangrong Zhou, Natsuki Shimizu, YingYang, Yuichiro Hayashi, Masahiro Oda, Michitaka Fujiwara, Kazunari Misawa, Kensaku Mori. An application of cascaded 3D fully convolutional networks for medical image segmentation // Computerized Medical Imaging and Graphics. 2018. Vol. 66. P. 90–99. https://doi.org/10.1016/j.compmedimag.2018.03.001
- Hongya Lu, Haifeng Wang, Qianqian Zhang, Sang Won Yoon, Daehan Won. A 3D convolutional neural network for volumetric image semantic segmentation // Procedia Manufacturing. 2019. Vol. 39. P. 422–428. https://doi.org/10.1016/j.promfg.2020.01.386
- Payer C., Stern D., Bischof H., Urschler M. Coarse to fine vertebrae localization and segmentation with SpatialConfiguration-Net and U-Net // Proceedings of the 15th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications. Malta : Valletta, 2020. Vol. 5 : VISAPP. P. 124–133. https://doi.org/10.5220/0008975201240133
- Kingma D., Ba J. Adam: A method for stochastic optimization. arXiv:1412.6980v9 [cs.LG] 30 Jan 2017. 15 p.
- Нестеров Ю. Е. Метод решения задачи выпуклого программирования со скоростью сходимости O (1/k2) // Доклады Академии наук СССР. 1983. Т. 269, № 3. С. 543–547.
- Lorensen W. E., Cline H. E. Marching cubes: A high resolution 3D surface construction algorithm // ACM SIGGRAPH Computer Graphics. 1987. Vol. 21, iss. 4. P. 163–169. https://doi.org/10.1145/37401.37422
- Бугров Н. В., Голубев В. И., Дижевский А. Ю., Какауридзе Д. Г., Клименко А. С., Обоймов А. С., Фролов П. В. Обзор алгоритмов триангуляции неявно заданной поверхности // MEDIAS2012 : труды Международной научной конференции, 07–14 мая 2012 г. Лимассол, Республика Кипр : Изд-во ИФТИ, 2012. С. 151–173.
- Скворцов А. В. Триангуляция Делоне и ее применение. Томск : Изд-во ТГУ, 2002. 128 с.
- Hansen G. A., Douglass R. W., Zardecki A. Mesh Enhancement. Imperial College Press, 2005. 532 p. (Default Book Series). https://doi.org/10.1142/p351
- Li Yao, Shihui Huang, Hui Xu, Peilin Li. Quadratic error metric mesh simplification algorithm based on discrete curvature // Mathematical Problems in Engineering. 2015. Vol. 2015. Article ID 428917. https://doi.org/10.1155/2015/428917
- Бескровный А. С., Бессонов Л. В., Иванов Д. В., Кириллова И. В., Коссович Л. Ю. Использование сверточной нейронной сети для автоматизации построения двумерных твердотельных моделей позвонков // Известия Саратовского университета. Новая серия. Серия : Математика. Механика. Информатика. 2020. Т. 20, вып. 4. С. 502–516. https://doi.org/10.18500/1816-9791-2020-20-4-502-516
- Ivanov D. V., Kirillova I. V., Kossovich L. Yu., Bessonov L. V., Petraikin A. V., Dol A. V., Ahmad E. S., Morozov S. P., Vladzymyrskyy A. V., Sergunova K. A., Kharlamov A. V. Influence of convolution kernel and beam-hardening effect on the assessment of trabecular bone mineral density using quantitative computed tomography [Иванов Д. В., Кириллова И. В., Коссович Л. Ю., Бессонов Л. В., Петряйкин А. В., Доль А. В., Ахмад Е. С., Морозов С. П., Владзимирский А. В., Сергунова К. А., Харламов А. В. Влияние конволюционных ядер и эффекта «упрочнения луча» на оценку минеральной плотности губчатой костной ткани с использованием количественной компьютерной томографии] // Известия Саратовского университета. Новая серия. Серия : Математика. Механика. Информатика. 2020. Т. 20, вып. 2. С. 205–219. https://doi.org/10.18500/1816-9791-2020-20-2-205-219
- 1966 просмотров