Preview

Информатика

Расширенный поиск

Моделирующая среда для анализа алгоритмов трехмерной реконструкции объектов видеоэндоскопических исследований

https://doi.org/10.37661/1816-0301-2020-17-1-18-28

Полный текст:

Аннотация

Трехмерная реконструкция по результатам видеоэндоскопических обследований является перспективным направлением для поддержки медицинской диагностики и планирования терапии широкого спектра патологий. Тем не менее значительную сложность представляет оценка результатов такой реконструкции и проверка соответствия полученной трехмерной модели исходной сцене. В качестве решения этой проблемы предлагается использовать моделирующую среду для эмуляции процесса получения исходных видеоэндоскопических данных по сгенерированной сцене. Рассматривается задача трехмерного моделирования пищевода с использованием среды Autodesk 3ds Max и движка визуализации Arnold, а также задача процедурной генерации текстур для модели. Описывается генерация по подобию с использованием пространственно-периодических генеративно-состязательных моделей на основе сверточных нейронных сетей. Для сравнения результата реконструкции со сценой, сгенерированной при помощи предложенной моделирующей среды, вводится критерий оптимальности, с помощью которого сравниваются отдельные этапы алгоритма трехмерной реконструкции при оптимизации по методу связок.

Об авторах

А. Ф. Чернявский
Белорусский государственный университет
Беларусь
Чернявский Александр Федорович, академик Национальной академии наук Беларуси, доктор технических наук, профессор, заведующий научно-исследовательской лабораторией специализированных      вычислительных систем, Научно-исследовательское учреждение «Институт прикладных физических проблем им. А. Н. Севченко»


Е. А. Головатая
Белорусский государственный университет
Беларусь
Головатая Екатерина Александровна, аспирант, старший преподаватель кафедры интеллектуальных систем, факультет радиофизики и компьютерных технологий


В. С. Садов
Белорусский государственный университет
Беларусь
Садов Василий Сергеевич, кандидат технических наук, доцент, профессор кафедры интеллектуальных систем, факультет радиофизики и компьютерных технологий


Список литературы

1. Usefulness of the 3D virtual visualization surgical planning simulation and 3D model for endoscopic endonasal transsphenoidal surgery of pituitary adenoma: technical report and review of literature / A. Shinomiya [et al.] // Interdisciplinary Neurosurgery. – 2018. – Vol. 13. – P. 13–19. https://doi.org/10.1016/j.inat. 2018.02.002

2. Gatys, L. A. Texture synthesis using convolutional neural networks / L. A. Gatys, A. S. Ecker, M. Bethge // Advances in Neural Information Processing Systems. – 2015. – Vol. 28. – P. 262–270.

3. Mamgain, P. Autodesk 3ds Max 2019: a Detailed Guide to Arnold Renderer / P. Mamgain. – Padexi Academic, 2018. – 192 p.

4. Simonyan, K. Very deep convolutional networks for large-scale image recognition / K. Simonyan, A. Zisserman // Intern. Conf. on Learning Representations 2014 (ICLR 2014), Banff, Canada, 14–16 Apr. 2014. – Banff, 2014. – P. 1–14.

5. Bergmann, U. Learning texture manifolds with the periodic spatial GAN / U. Bergmann, N. Jetchev, R. Vollgraf // Proc. of the 34th Intern. Conf. on Machine Learning, Sydney, Australia, 6–11 Aug. 2017. –Sydney, 2017. – Vol. 70. – P. 469–477.

6. Bundle adjustment in the large / S. Agarwal [et al.] // Proc. of the 11th European Сonf. on Computer Vision (ECCV 2010), Heraklion, Greece, 5–11 Sept. 2010. – Heraklion, 2010. – P. 29–42.

7. Головатая, Е. А. Модель формирования изображений для трехмерной реконструкции сцен по данным видеоэндоскопических исследований / Е. А. Головатая, В. C. Садов // Вестн. Полоц. гос. ун-та. Сер. С. Фундам. науки. – 2019. – № 12. – С. 43–49.

8. Lowe, D. G. Distinctive image features from scale-invariant keypoints / D. G. Lowe // Intern. J. of Computer Vision. – 2004. – Vol. 60, no. 2. – P. 91–110.

9. Rosten, E. Machine learning for high-speed corner detection / E. Rosten, T. Drummond // Proc. of the 9th European Сonf. on Computer Vision (ECCV 2006), Graz, Austria, 7–13 May 2006. – Graz, 2006. –P. 430–443.

10. BRIEF: binary robust independent elementary features / M. Calonder [et al.] // Proc. of the 11th European Сonf. on Computer Vision (ECCV 2010), Heraklion, Greece, 5–11 Sept. 2010. – Heraklion, 2010. – P. 778–792.

11. ORB: an efficient alternative to SIFT or SURF / E. Rublee [et al.] // IEEE Intern. Conf. on Computer Vision (ICCV 2011), Barcelona, 6–13 Nov. 2011. – Barcelona, 2011. – P. 2564–2571.

12. Halavataya, K. Optimizing local feature description and matching for realtime video sequence object detection / K. Halavataya, V. Sadov // Open Semantic Technologies for Intelligent Systems : Research Papers Collection / BSUIR. – Minsk, 2019. – P. 269–272.


Для цитирования:


Чернявский А.Ф., Головатая Е.А., Садов В.С. Моделирующая среда для анализа алгоритмов трехмерной реконструкции объектов видеоэндоскопических исследований. Информатика. 2020;17(1):18-28. https://doi.org/10.37661/1816-0301-2020-17-1-18-28

For citation:


Chernyavsky A.F., Halavataya K.A., Sadau V.S. Modelling environment for analyzing the algorithms for 3D reconstruction of videoendoscopic research objects. Informatics. 2020;17(1):18-28. (In Russ.) https://doi.org/10.37661/1816-0301-2020-17-1-18-28

Просмотров: 404


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1816-0301 (Print)
ISSN 2617-6963 (Online)