medigraphic.com

2000, Número 3

<< Anterior Siguiente >>

Rev Mex Ing Biomed 2000; 21 (3)


Algoritmo combinado para segmentación de imágenes utilizando redes neuronales y reconstrucción 3D de superficies usando mallas dinámicas

Reyes ACC, Algorri ME

Idioma: Ingles.
Referencias bibliográficas: 24
Paginas: 73-81
Archivo PDF: 259.29 Kb.


RESUMEN

La reconstrucción de superficies a partir de conjuntos de puntos no estructurados con el fin de crear modelos tridimensionales es un problema frecuente en muchas disciplinas científicas e industriales. La presencia creciente de escaners 3D que son capaces de producir grandes bases de datos de información parcial de objetos requiere de algoritmos robustos para completar la información faltante sobre los objetos y crear modelos completos de la información 3D. La reconstrucción de superficies es también importante después de la segmentación de imágenes, de modo que sea posible visualizar la superficie 3D representada por la segmentación. En este artículo proponemos una metodología algorítmica que obtiene segmentaciones de tomografías de la cabeza humana, produce conjuntos no estructurados de puntos a partir de las segmentaciones, y después produce automáticamente una superficie a partir del conjunto de puntos sin importar la topología de la superficie que se esté reconstruyendo. La metodología se puede dividir en dos etapas. Primero, las imágenes tomográficas son segmentadas usando un algoritmo de redes neuronales basado en los mapas autoorganizables de Kohonen.1,2 El resultado de este algoritmo son neuronas que se han adaptado a la imagen y que constituyen el conjunto de puntos 3D que se utilizará en la segunda etapa. La segunda etapa utiliza un algoritmo de descomposición espacial y seguimiento de superficies para producir una aproximación burda S´ de la superficie desconocida S. La superficie S´ sirve de inicialización para un modelo de malla dinámica que produce los detalles de S mejorando notablemente la calidad de la reconstrucción.


REFERENCIAS (EN ESTE ARTÍCULO)

  1. Kohonen T. Self-Organisation and Associative Memory, Heidelberg: Springer-Verlag 1988.

  2. Kohonen T. Self-Organising Maps: Optimisation and Approaches, Finland: ICANN, Espoo 1991.

  3. Hall EL. Computer Image Processing and Recognition, New York: Academic Press 1979.

  4. Scudder HJ. Introduction to Computed Aided Tomography, Proc. IEEE 1978; 66: 628-637.

  5. Mueller RK, Kaveh M and Wade G. Reconstructive Tomography and Applications to Ultrasonic, Proc IEEE 1979; 67: 567-587.

  6. Hinshaw W and Lent AH. An Introduction to NMR Imaging: From the Bloch Equation to the Imaging Equation, Proc IEEE 1983; 71: 338-350.

  7. Warfield SK, Jolesz FA and Kikinis R. Real-time Image Segmentation for Image-Guided Surgery, Surgical Planning Laboratory, Department of Radiology, Harvard Medical School and Brigham and Women’s Hospital: SPL Technical Report 1998; 106.

  8. Kapur T. Model based three dimensional Medical Image Segmentation, Artificial Intelligence Laboratory, Massachusetts Institute of Technology: Ph.D. Thesis 1999.

  9. Saiviroonporn P, Robatino A, Zahajszky J, Kikinis R and Jolesz FA. Real-time Interactive 3D-Segmentation. Acad. Radiol 1998; 5: 49-56

  10. Rueckert D, Burger P, Forbat SM, Mohiaddin RD and Yang GZ. Automatic Tracking of the Aorta in Cardiovascular MR images Using Deformable Models, IEEE Transactions on Medical Imaging 1997; 16(5): 581-590.

  11. González RC and Woods RE. Digital Image Processing, Addison Wesley, Reading 1992.

  12. Felzenszwalb PF and Huttenlocher DP. Image Segmentation Using Local Variation, Santa Barbara, California: CVPR98 1998.

  13. Ramón-Cajal S. Histology, Baltimore: William Wood & Co 1933).

  14. Reyes-Aldasoro CC. A Non-linear Decrease Rate to Optimise the Convergence of the Kohonen Neural Network Self-Organising Algorithm, ROCC99 Acapulco, Mexico, 1998: 11-16.

  15. Lorensen WE, Cline HE. Marching Cubes: A High Resolution 3D Surface Construction Algorithm, SIGGRAPH ’87 1987; 21(4): 163-169.

  16. Szeliski R, Tonnesen D, Terzopoulos D. Modelling Surfaces of Arbitrary Topology with dynamic particles, Proc CVPR ‘93 1993: 82-87.

  17. Miller JV, Breen DE, Lorensen WE, O’Bara RM, Wozny MJ. Geometrically Deformed Models: A Method for Extract. Closed Geom. Models from Vol. Data, SIGGRAPH ‘91 1991; 25(4): 217-225.

  18. Vasilescu M, Terzopoulos D. Adaptive Meshes and Shells: Irregular Triangulation, Discontinuities, and Hierarchical Subdivision, Proc CVPR’92 1992: 829-832.

  19. Hoppe H. Surface Reconstruction from Unorganised Points, Univ. of Washington, Seattle WA: Ph.D. Dissertation 1994.

  20. Huang W-C, Goldgof DB. Sampling and Surface Reconstruction with Adaptive-Size Meshes, Proc SPIE Appl of Art. Intell. X 1992; 1798: 760-770.

  21. Delinguette H. Modelisation, Déformation et Reconnaissance d’Objets Tridimensionnels à l’aide de Maillages Simplexes, Ecole Centrale Paris: Ph.D. thesis 1994.

  22. Leitner F. Segmentation Dynamique d’Images Tridimensionelles, Institut National Polytechnique de Grenoble: Ph.D. thesis 1993.

  23. Gordon D, Udupa J. Fast Surface Tracking in 3-D Binary Images, Computer Vision, Graphics, and Image Processing 1989; 45: 196-214.

  24. Algorri MR, Schmitt F. Surface Reconstruction from Unstructured 3D Data, Computer Graphics Forum 1996; 15(1): 47-60.




2020     |     www.medigraphic.com