Известия Саратовского университета. Новая серия.

Серия Математика. Механика. Информатика

ISSN 1816-9791 (Print)
ISSN 2541-9005 (Online)


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

Статья опубликована на условиях лицензии Creative Commons Attribution 4.0 International (CC-BY 4.0).
Опубликована онлайн: 
31.08.2021
Полный текст:
(downloads: 1370)
Язык публикации: 
русский
Рубрика: 
Тип статьи: 
Научная статья
УДК: 
519.688
EDN: 
XOVJRW

Построение трехмерных твердотельных моделей позвонков с использованием сверточных нейронных сетей

Авторы: 
Бескровный Александр Сергеевич, Саратовский национальный исследовательский государственный университет имени Н. Г. Чернышевского
Бессонов Леонид Валентинович, Саратовский национальный исследовательский государственный университет имени Н. Г. Чернышевского
Иванов Дмитрий Валерьевич, Саратовский национальный исследовательский государственный университет имени Н. Г. Чернышевского
Золотов Владислав Сергеевич, Саратовский национальный исследовательский государственный университет имени Н. Г. Чернышевского
Сидоренко Дмитрий Александрович, Саратовский национальный исследовательский государственный университет имени Н. Г. Чернышевского
Кириллова Ирина Васильевна, Саратовский национальный исследовательский государственный университет имени Н. Г. Чернышевского
Коссович Леонид Юрьевич, Саратовский национальный исследовательский государственный университет имени Н. Г. Чернышевского
Аннотация: 

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.

Благодарности: 
Работа выполнена при финансовой поддержке Фонда перспективных исследований (договор № 6/130/2018-2021 от 01.06.2018 г.).
Список источников: 
  1. 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
  2. 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
  3. 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
  4. 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
  5. Kingma D., Ba J. Adam: A method for stochastic optimization. arXiv:1412.6980v9 [cs.LG] 30 Jan 2017. 15 p.
  6. 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.
  7. 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
  8. 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.
  9. Скворцов А. В. Триангуляция Делоне и ее применение. Томск : Изд-во ТГУ, 2002. 128 с.
  10. 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
  11. 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
  12. 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
  13. 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
Поступила в редакцию: 
15.03.2021
Принята к публикации: 
29.04.2021
Опубликована: 
31.08.2021