Dopasowanie chmur punktów do powierzchni dla potrzeb przetwarzania i analizy obrazów medycznych oraz systemów wizyjnych

• Autorzy: Skalski A. , Socha M.

Identyfikatory

DOI

10.12915/pe.2014.05.38

Warianty tytułu

EN

Point clouds matching for medical image processing, analysis and vision systems

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono metodę dopasowania chmur punktów do powierzchni na przykładzie zagadnienia konstrukcji danych uczących w algorytmie ASM w zastosowaniu do segmentacji danych tomograficznych dla potrzeb planowania leczenia radioterapeutycznego. Zaproponowany algorytm składa się z 3 etapów: generacji chmur punktów dla danych uczących, sztywnego dopasowania (rotacji, przesunięcia) z wykorzystaniem ICP oraz lokalnej korekty wyników. Cała metodologia została przetestowana, a skuteczność oceniona na podstawie odległości punktów charakterystycznych w danych po dopasowaniu.

EN

This paper addresses a problem of automatic point clouds matching in context of training data construction in Active Shape Model algorithm. An algorithm was applied to CT data segmentation for radiotherapy planning. Proposed methodology consists of 3 steps: point clouds generation, rigid matching (rotation, translation) based on ICP and local corrections of points location. Algorithm was tested and validated using distance between points in data after matching.

Słowa kluczowe

PL

dopasowanie chmur punktów; dopasowanie obrazów; tomografia komputerowa; ICP; ASM

EN

point clouds matching; image registration; computed tomography; ICP; ASM

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2014
• Tom: R. 90, nr 5
• Strony: 160--163
• Opis fizyczny: Bibliogr. 19 poz., rys., wykr.

Twórcy

autor

Skalski A.

• Akademia Górniczo-Hutnicza w Krakowie, Katedra Metrologii i Elektroniki, al. Mickiewicza 30, 30-059 Kraków

autor

Socha M.

• Akademia Górniczo-Hutnicza w Krakowie, Katedra Metrologii i Elektroniki, al. Mickiewicza 30, 30-059 Kraków

Bibliografia

• [1] Diez Y., Martí J., Salvi J., Hierarchical Normal Space Sampling to speed up point cloud coarse matching. Pattern Recognition Letters, 33 (2012), 2127-2133
• [2] Fantoni S., Castellani U., Fusiello A.: Automatic multi-view surface matching. Eurographics (2012), 1-4
• [3] Winkelbach S., Molkenstruck S., Wahl FM., Low-cost laser range scanner and fast surface registration approach. Pattern Recognition. Springer Berlin Heidelberg, (2006), 718-728
• [4] Skalski A., Kos A., Zieliński T, Using ASM in CT data segmentaion for prostate radiotherapy. Computer Vision and Graphics. Springer Berlin Heidelberg, LNCS 7594, (2012), 610- 617.
• [5] Frangi A.F., Rueckert D., Schnabel J.A., Niessen W.J., Automatic construction of multiple-object three-dimensional statistical shape models: application to cardiac modeling. Medical Imaging, IEEE Transactions on, 21(9), (2002),1151- 1166
• [6] Horwich V.A., Parker C., Kataja V., Prostate cancer: ESMO clinical recommendations for diagnosis, treatment and followup, Annals of Oncology 20 (2009) iv76–iv78, DOI= http://annonc.oxfordjournals.org/content/20/suppl_4/iv76.full.pdf +html
• [7] Skalski A., Lagwa J., Zielinski T., Kedzierawski P., Kuszewski T., Automatic prostate segmentation in MR images based on 3D active contours with shape constraints, Signal Processing: Algorithms, Architectures, Arrangements, and Applications (SPA), 26-28 Sept. (2013), 246-249
• [8] Skalski A., Zieliński T., Kukołowicz P., Kędzierawski P., Computer tomography-based raditherapy planning on the example of prostate cancer: application of level-set segmentation method guided by atlas-type knowledge, ISABEL: 4th Int. Symp. on Applied Sciences in Biomedical and Communication Technologies, Barcelona, 26–29 October (2011), DOI:10.1145/2093698.2093840.
• [9] Cootes T.F., Cooper D., Taylor C.J., Graham J., Active Shape Models Their Training and Application, Computer Vision and Image Understanding 61(1), (1995), 38-59
• [10] Cootes T.F., Edwards G.J., Taylor C.J., Active Appearance Models, Pattern Analysis and Machine Intelligence, IEEE Transactions on, 23(6), (2001), 681-685
• [11] Balci S.K., Golland P., Wells W.M.: Non-rigid Groupwise Registration using B-Spline Deformation Model. The Insight Journal. (2007) DOI: http://hdl.handle.net/1926/568
• [12] Rueckert D., Sonoda, L.I., Hayes, C., et al.: Nonrigid Registration Using Free-Form Deformations: Application to Breast MR Images. Medical Imaging ,IEEE Transactions on, 18(8), (1999), 712-721
• [13] Besl P.J., McKay N.D., A method for registration of 3-D shapes, Pattern Analysis and Machine Intelligence, IEEE Transactions on , 14(2), (1992), 239-256
• [14] Kendall D.G. A Survey of the Statistical Theory of Shape. Statistical Science, 4(2), (1989), 87–99
• [15] Toldo, R., Beinat A., Crosilla F., Global registration of multiple point clouds embedding the Generalized Procrustes Analysis into an ICP framework. 3DPVT 2010 Conference. (2010)
• [16] Friedman, J.H., Bentely, J., Finkel, R. A. An Algorithm for Finding Best Matches in Logarithmic Expected Time, ACM Transactions on Mathematical Software 3, (1977), 209
• [17] Lorensen W.E., Cline H.E. Marching Cubes: A high resolution 3D surface construction algorithm. Computer Graphics, 21(4) (1987)
• [18] Shen, J-K, Matuszewski B.J., Shark L-K., Skalski A., Zielinski T., Moore C.J., Deformable Image Registration-A Critical Evaluation: Demons, B-Spline FFD and Spring Mass System. BioMedical Visualization, 2008. IEEE MEDIVIS'08. Fifth International Conference, (2008) 77-82.
• [19] Manu. Nonrigid ICP. http://www.mathworks.com/matlabcentral/ fileexchange/41396-nonrigidicp