Цифра 1 объемная фото: Фарпост — доска объявлений

Стилизованная цифра 1

Цифры в Радужном цвете

Цифра 9 тик ток

Красивые цифры

Цифра 1 без фона

Неоновая цифра 1

Цифры в полигональном стиле

Цифры Минимализм

Цифра 1 мультяшная

Цифра 1 голубая без фона

Цифры в стиле тик ток

Дизайн цифр

Цифра 11 Радужная

Цифра 1 для девочки

Цифры акварель

Цифра 1 Маша и медведь

Цифра 11

Красивые цветочные цифры

Цифра 1 кистью

Единичка на годик

Смешная цифра 2

Цифра 1 прозрачная

Шар цифра фольга 86 см Сияющий космос

Цифра 2 акварель

Красивая цифра 1

Единичка с короной

Цифра из гофрированной бумаги

Аэромозайка цифра

Фотозона на годик девочке

Цифра единичка на годик

Объемная цифра 1

Цифра 1 каменная

Цифра на день рождения

Цифра 1 розовая

Фотозона с объемными цифрами

Цифры из цветов

Торт цифра один

Единица на годик

Объемные цифры

Единичка с короной

Объемная цифра 1 на день рождения

Цифра 11

Единица на день рождения

Буква z в цветах

Фотосессия ребенка с цифрой

Цифры акварель

Красивые цифры акварелью

Цифры с глазками

Цифра 1 на прозрачном фоне

Цифра 1 голубая

Цифра 1 розовая

Необычные цифры

Цифры оранжевые

Цифры Art

Надпись краской на стене

Цифры акварель

Цифра из гофрированной бумаги

Красивая буква i

Цифры в детском стиле

Цифра 1 вода

Единичка с короной трафарет

Прикольная цифра 1

Креативная цифра 1

Оставить комментарий

Жалоба!

Еще арты и фото:

Арты 17 6 апреля 2023

Цифры на черном фоне

Стилизованная цифра 1

Цифры в Радужном цвете

Цифра 9 тик ток

Красивые цифры

Цифра 1 без фона

Неоновая цифра 1

Цифры в полигональном стиле

Цифры Минимализм

Цифра 1 мультяшная

Цифра 1 голубая без фона

Цифры в стиле тик ток

Дизайн цифр

Цифра 11 Радужная

Цифра 1 для девочки

Цифры акварель

Цифра 1 Маша и медведь

Цифра 11

Красивые цветочные цифры

Цифра 1 кистью

Единичка на годик

Смешная цифра 2

Цифра 1 прозрачная

Шар цифра фольга 86 см Сияющий космос

Цифра 2 акварель

Красивая цифра 1

Единичка с короной

Цифра из гофрированной бумаги

Аэромозайка цифра

Фотозона на годик девочке

Цифра единичка на годик

Объемная цифра 1

Цифра 1 каменная

Цифра на день рождения

Цифра 1 розовая

Фотозона с объемными цифрами

Цифры из цветов

Торт цифра один

Единица на годик

Объемные цифры

Единичка с короной

Объемная цифра 1 на день рождения

Цифра 11

Единица на день рождения

Буква z в цветах

Фотосессия ребенка с цифрой

Цифры акварель

Красивые цифры акварелью

Цифры с глазками

Цифра 1 на прозрачном фоне

Цифра 1 голубая

Цифра 1 розовая

Необычные цифры

Цифры оранжевые

Цифры Art

Надпись краской на стене

Цифры акварель

Цифра из гофрированной бумаги

Красивая буква i

Цифры в детском стиле

Цифра 1 вода

Единичка с короной трафарет

Прикольная цифра 1

Креативная цифра 1

Оставить комментарий

Жалоба!

Еще арты и фото:

абстракция автомобили аниме арт девушки дети еда и напитки животные знаменитости игры красота места мотоциклы мужчины общество природа постапокалипсис праздники растения разное собаки текстуры техника фантастика фэнтези фильмы фоны

Гибридная сеть распространения для интерактивной объемной сегментации изображений | MICCAI 2022

Информация о бумаге Отзывы Мета-обзор Отзыв автора Метаобзоры после опровержений Наверх

Луюэ Ши, Сюанье Чжан, Юньби Лю, Сяогуан Хань

Интерактивная сегментация имеет большое значение в клинической практике для исправления и уточнения автоматизированной сегментации за счет дополнительных подсказок пользователя, например, каракулей и кликов. В настоящее время интерактивные методы сегментации 2D-медицинских изображений хорошо изучены, тогда как работы с 3D-объемными медицинскими данными ведутся редко. Учитывая трехмерное объемное изображение, взаимодействие с пользователем может выполняться только на нескольких срезах, поэтому ключевой вопрос заключается в том, как распространить информацию по всему объему для пространственно согласованной сегментации. В этой статье мы предлагаем новую гибридную сеть распространения для интерактивной сегментации трехмерных медицинских изображений. Предлагаемый нами метод состоит из двух ключевых схем, включая сеть распространения слайсов (обозначаемую как SPN) для передачи пользовательских подсказок в соседние слайсы для направления сегментации по слайсам и сеть распространения объема (обозначаемую как VPN) для распространения пользовательских подсказок по всему объему в глобальном масштабе и обеспечения пространственных согласованных функций для повышения сегментации слайсов. В частности, что касается SPN, мы применяем сеть с расширенной памятью, который использует информацию о сегментированных срезах (срезах памяти) для распространения информации о взаимодействии. Для использования информации о взаимодействии, распространяемой VPN, разработан модуль памяти с расширенными возможностями, в котором информация о сегментации тома из скрытого пространства VPN вводится в модуль памяти SPN. Таким образом, интерактивная сегментация может использовать как преимущества распространения объема, так и распространения среза, тем самым улучшая результаты сегментации объема. Мы проводим эксперименты с двумя широко используемыми 3D-наборами медицинских данных, и результаты экспериментов показывают, что наш метод превосходит современные методы. Наш код доступен по адресу https://github.com/luyueshi/Hybrid-Propagation.

DOI: https://link.springer.com/chapter/10.1007/978-3-031-16440-8_64

SharedIt: https://rdcu.be/cVRwR

https://github.com/luyueshi/Hybrid-Propagation

http://medicaldecathlon.com/

https://kits19.grand-challenge.org/

Обзор №1

• Пожалуйста, опишите вклад статьи

  Это хорошо написанная и структурированная статья, в которой представлен гибридный (две сети) подход к интерактивной полуавтоматической сегментации трехмерных медицинских изображений.

• Перечислите основные достоинства бумаги; вы должны написать о новой формуле, оригинальном способе использования данных, демонстрации клинической осуществимости, новом применении, особенно сильной оценке или о чем-то еще, что является сильным аспектом этой работы. Пожалуйста, предоставьте подробности, например, если метод является новым, объясните, какой аспект является новым и почему это интересно.

  Подход использует сеть распространения слайсов для распространения информации об использовании каракулей на одном слайсе на соседние с использованием модулей памяти. Сеть распространения объема используется для выполнения объемной сегментации и создания функций для модулей памяти. Это интересный подход, который, насколько мне известно, является новым и широко применимым. Подход тестируется на сегментации нескольких органов и сравнивается с несколькими методами. Количественные результаты впечатляют. Метод, по-видимому, хорошо обобщается для различных приложений.

• Перечислите основные недостатки бумаги. Пожалуйста, предоставьте подробности, например, если вы считаете, что метод не является новым, объясните, почему, и предоставьте ссылку на предыдущую работу.

  Проверочное исследование предназначено для автоматического моделирования каракулей взаимодействия с пользователем. Неясно, будет ли этот метод работать с человеком-писателем.

• Пожалуйста, оцените ясность и организацию этого документа

  Отлично

• Пожалуйста, прокомментируйте воспроизводимость бумаги. Обратите внимание, что авторы заполнили контрольный список воспроизводимости при подаче. Имейте в виду, что авторы не обязаны соответствовать всем критериям в контрольном списке. Например, предоставление кода и данных является плюсом, но не требованием для принятия .

  Методы детализированы и воспроизводимы

• Пожалуйста, предоставьте подробные и конструктивные комментарии авторам. Пожалуйста, также обратитесь к нашему руководству для рецензентов о том, что делает обзор хорошим: https://conferences.miccai.org/2022/en/REVIEWER-GUIDELINES.html .

  Добавление небольшого пользовательского исследования, показывающего более высокую точность при меньшем времени взаимодействия/кликах с помощью этого метода по сравнению с другими, повысит уровень этого документа от хорошего до отличного.

  Другим способом расширения проверки может быть включение в анализ других модальностей изображения.

• Оцените бумагу по шкале от 1 до 8, где 8 — наивысшая оценка (8–5: принять; 4–1: отклонить). Распространение оценки помогает создать распределение для принятия решений

  7

• Обоснуйте свою рекомендацию. Какие основные факторы повлияли на ваш общий балл за эту работу?

  Это хороший документ, представляющий интерес для сообщества MICCAI, но имеющий небольшой недостаток.

• Количество бумаг в стопке

  5

• Какое место занимает эта статья в вашей стопке рецензий?

  1

• Уверенность рецензента

  Уверен, но не совсем уверен

• [Пост-опровержение] Прочитав опровержение автора, выскажите свое общее мнение о статье, если оно было изменено

  Нет ответа

• [Пост-опровержение] Обоснуйте свое решение

  Нет ответа

Обзор №2

• Пожалуйста, опишите вклад статьи

  В статье предлагается метод интерактивной сегментации трехмерных медицинских данных. В методе используются два модуля: 1) сеть распространения слайсов (SPN) для передачи взаимодействий пользователей с соседними слайсами и 2) сеть распространения объемов для передачи пользовательских подсказок по всему объему. Основной мотив использования SPN заключается в том, чтобы избежать запуска 3D-модели на всем томе, что потребовало бы большего использования памяти. Предлагаемый метод улучшает существующие интерактивные методы сегментации.

• Перечислите основные достоинства бумаги; вы должны написать о новой формуле, оригинальном способе использования данных, демонстрации клинической осуществимости, новом применении, особенно сильной оценке или о чем-то еще, что является сильным аспектом этой работы. Пожалуйста, предоставьте подробности, например, если метод является новым, объясните, какой аспект является новым и почему это интересно.

  • Интерактивная сегментация медицинских изображений — важная, но малоизученная проблема.
  • Предлагаемый метод повышает производительность по сравнению с существующими интерактивными методами сегментации нескольких наборов данных.
  • Статья хорошо написана и относительно проста для восприятия.

• Перечислите основные недостатки бумаги. Пожалуйста, предоставьте подробности, например, если вы считаете, что метод не является новым, объясните, почему, и предоставьте ссылку на предыдущую работу.

  • Неясно, сколько взаимодействий используется для получения результатов в таблице 1. Используется ли один и тот же метод для создания взаимодействия с пользователем для всех методов?

• Пожалуйста, оцените ясность и организацию этого документа

  Хорошо

• Пожалуйста, прокомментируйте воспроизводимость бумаги. Обратите внимание, что авторы заполнили контрольный список воспроизводимости при подаче. Имейте в виду, что авторы не обязаны соответствовать всем критериям в контрольном списке — например, предоставление кода и данных является плюсом, но не требованием для принятия

  Вероятно, будет сложно воспроизвести метод, так как он включает в себя несколько модулей, детали реализации которых не совсем ясны, например.

  • Непонятно, что означает «Потеря семантической сегментации»?
  • Неясно, какие веса модели относятся к «предварительно обученным весам при сегментации видеообъектов, которые используются для инициализации»
  • Отсутствуют детали генерации каракулей.

• Пожалуйста, предоставьте подробные и конструктивные комментарии авторам. Пожалуйста, также обратитесь к нашему руководству для рецензентов о том, что делает обзор хорошим: https://conferences.miccai.org/2022/en/REVIEWER-GUIDELINES.html .

  На рис. 1 для некоторых меток отсутствует пробел.

  Язык нуждается в доработке:

  • «уточнить результат сегментации объема за раз»
  • «в наш метод включены обе сети для распространения среза и объема»
  • «Эти две сети сотрудничают друг с другом для сегментации».

  На рис. 3 было бы неплохо включить производительность для одного или двух базовых методов.

• Оцените бумагу по шкале от 1 до 8, где 8 — наивысшая оценка (8–5: принять; 4–1: отклонить). Распространение оценки помогает создать распределение для принятия решений

  5

• Обоснуйте свою рекомендацию. Какие основные факторы повлияли на ваш общий балл за эту работу?

  Проблема несколько недостаточно изучена, и предлагаемый метод оценивается на 4 наборах данных, и он превосходит базовые методы по всем 4 из них.

• Количество бумаг в стопке

  4

• Какое место занимает эта статья в вашей стопке рецензий?

  1

• Уверенность рецензента

  Несколько уверенно

• [Пост-опровержение] После прочтения опровержения автора изложите свое общее мнение о статье, если оно было изменено

  Нет ответа

• [Пост-опровержение] Обоснуйте свое решение

  Нет ответа

Обзор №3

• Пожалуйста, опишите вклад статьи

  В этом документе представлен метод интерактивной сегментации трехмерных медицинских сканов. Конвейер опирается на две сети, итеративно работающие с входным объемом, пользовательскими каракулями и предыдущей сегментацией: одна в 3D, работающая над урожаем объема, и одна в 2D, которая распространяет сегментацию от одного среза к другому. Первый основан на 3D Unet, а второй основан на архитектуре Deeplab с модулем памяти, который принимает в качестве входных данных как 2D-вход, так и соответствующий фрагмент карты 3D-объектов первой сети. Метод оценивается по четырем задачам сегментации из общедоступных баз данных КТ: почек, опухолей, легких и толстой кишки.

• Перечислите основные достоинства бумаги; вы должны написать о новой формуле, оригинальном способе использования данных, демонстрации клинической осуществимости, новом применении, особенно сильной оценке или о чем-то еще, что является сильным аспектом этой работы. Пожалуйста, предоставьте подробности, например, если метод является новым, объясните, какой аспект является новым и почему это интересно.

  • В этой статье рассматривается актуальная (пока не особо изученная) проблема, а именно интерактивная сегментация. Это особенно важно в настоящее время, чтобы помочь врачу более эффективно аннотировать изображения.
  • Метод сравнивается на нескольких наборах данных и с несколькими базовыми подходами.

• Перечислите основные недостатки бумаги. Пожалуйста, предоставьте подробности, например, если вы считаете, что метод не является новым, объясните, почему, и предоставьте ссылку на предыдущую работу.

  • Больше всего меня беспокоит то, что я не уверен, смогу ли я увидеть такой сложный подход, который можно легко применить в клинической практике. Это интерактивный метод, но он по-прежнему (1) требует обучения сетей и, следовательно, специфичен для анатомических структур, для которых он был обучен, (2) требует некоторой вычислительной мощности на стороне пользователя для запуска этих сетей. Я считаю, что для того, чтобы использовать интерактивный метод на практике, он должен быть быстрым и компактным. Здесь нет упоминания о вычислительном времени каждого прогноза или общем времени, которое требуется реальному пользователю (не смоделированному каракулю), чтобы удовлетворительным образом сегментировать интересующий орган, или об исследовании обобщения на новые структуры.
  • Сложность метода затрудняет его воспроизведение; например, он использует как 2D-, так и 3D-сеть, обучение состоит из 4 разных этапов, на которых обучаются различные части сети и т. д.
  • Метод можно было бы объяснить лучше. Я не понимаю, почему одна часть в 3D, а другая в 2D. Рисунок 1 в целом немного сбивает с толку: порядок различных операций не ясен.

• Пожалуйста, оцените ясность и организацию этого документа

  Удовлетворительно

• Пожалуйста, прокомментируйте воспроизводимость бумаги. Обратите внимание, что авторы заполнили контрольный список воспроизводимости при подаче. Имейте в виду, что авторы не обязаны соответствовать всем критериям в контрольном списке. Например, предоставление кода и данных является плюсом, но не требованием для принятия .

  Код обучения/оценки, а также предварительно обученные модели и данные указаны как «доступные», но ссылка не предоставлена.

• Пожалуйста, предоставьте подробные и конструктивные комментарии авторам. Пожалуйста, также обратитесь к нашему руководству для рецензентов о том, что делает обзор хорошим: https://conferences.miccai.org/2022/en/REVIEWER-GUIDELINES.html .

  Обзор

  • Я не уверен, что понимаю, зачем нам нужна и 3D, и 2D сеть.
  • Как сеть узнает, когда остановить распространение (в момент «конца органа»)?
  • Как впервые определяется 3D-обрезка? Как сеть узнает экстент в направлении вне среза?
  • Обучается ли объемная сеть с фиксированным разрешением в пикселях? (или в мм?) или вы тренируете его с различным размером ввода?
  • Рис. 1. Показанные срезы перевернуты/вниз (таблица КТ находится поверх изображений), это не очень важно, но выглядит странно.
  • Рис. 1. Что означает желтая стрелка над/под модулями памяти?

  Номера экспериментов не очень подробные.

  • Сообщения о среднем значении недостаточно: нам нужно больше деталей (по крайней мере, стандартное отклонение, квартили или, что еще лучше, полные диаграммы или диаграммы для скрипки)
  • Статистические тесты не проводились
  • Коэффициенты игры в кости — это только одна часть картины, другие дополнительные метрические расстояния Хаусдорфа
  • Сколько взаимодействий потребовалось для получения результатов из таблицы 1?
  • Случаи сбоя/области улучшения не обсуждаются (также в заключении не упоминается дальнейшая работа)

  Разное

  • «Для трехмерного объемного изображения взаимодействие с пользователем может выполняться только на одном из всех срезов», Я не согласен с этим утверждением, несколько коммерческих программ и программ с открытым исходным кодом (Slicer, ITK-SNAP) предлагают 3D-кисти.

  • Я ценю сравнение с несколькими другими базовыми методами, но мне кажется, что в контексте интерактивной сегментации, текущий стандарт не обязательно подходы на основе глубокого обучения. Было бы еще лучше сравнить с другими стандартными подходами, такими как водораздел, грабкат [https://docs.opencv.org/3.4/d8/d83/tutorial_py_grabcut.html], случайный ходок [http://vision.cse.psu.edu/people/chenpingY/paper/grady2006random.pdf] и т. д.

  Рисунок 2

  Есть ряд опечаток:

  • «Этот процесс остановится, когда будет достигнут стоп-срез»,
  • «Обратите внимание, что VPN не работает в первой итерации»
  • «включены обе сети для распространения среза и тома»
  • «Эти две сети»
  • «чтобы обрезать и сгенерировать ввод патча громкости для нашей VPN»

• Оцените бумагу по шкале от 1 до 8, где 8 — наивысшая оценка (8–5: принять; 4–1: отклонить). Распространение оценки помогает создать распределение для принятия решений

  4

• Обоснуйте свою рекомендацию. Какие основные факторы повлияли на ваш общий балл за эту работу?

  У этой статьи есть достоинства, но меня немного беспокоит сложность/воспроизводимость метода, а также его применимость. Поскольку у меня также был ряд замечаний по части ясности и экспериментов в статье, я склоняюсь к отклонению.

• Количество листов в стопке

  4

• Какое место занимает эта статья в вашей стопке рецензий?

  3

• Уверенность рецензента

  Уверен, но не совсем уверен

• [Пост-опровержение] После прочтения опровержения автора изложите свое общее мнение о статье, если оно было изменено

  4

• [Пост-опровержение] Обоснуйте свое решение

  На некоторые мои вопросы авторы ответили, иногда удовлетворительно, иногда слишком лаконично (но это, вероятно, из-за ограниченного места). Q2) Например, время аннотации, безусловно, зависит от анатомии, поэтому трудно оценить, является ли 4,5 минуты подходящим временем или нет. Q4) Я понимаю, что требования не являются экстравагантными, но все же RTX2080 не является чем-то, что есть на большинстве компьютеров в клинике, и является более строгим, чем то, что требуется для алгоритмов интерактивной сегментации, не основанных на DL. Q5) Меня тоже не очень убедил ответ, особенно почему 3D-подходы не адаптированы.

  Однако мои основные критические замечания остаются: отсутствие сравнения со стандартными подходами, не относящимися к DL, необходимость обучения одной модели для каждой анатомии, отсутствие деталей в экспериментальной части (статистические тесты, метрическое распределение), сложность конвейера. Поэтому я сохраню свою рекомендацию.

• Пожалуйста, дайте свою оценку данной работе с учетом всех отзывов. Обобщите основные сильные и слабые стороны документа и обоснуйте свою рекомендацию. Если вы отклоняетесь от рекомендаций рецензентов, подробно объясните причины. В случае приглашения к опровержению уточните, какие моменты важно затронуть в опровержении.

  В этой работе представлена ​​гибридная сеть для интерактивной сегментации, которая позволяет взаимодействовать с фреймворком, используя несколько срезов. Существующие методы допускают взаимодействие/уточнение только в одном срезе, поэтому в статье рассматривается актуальная, но упускаемая из виду проблема. Бумага хорошо написана и легко следовать.

  Фреймворк представлен как общий фреймворк. Однако экспериментальный раздел не содержит достаточно большого количества экспериментов, позволяющих подтвердить общий характер фреймворка. Авторам предлагается предоставить более подробную информацию об обобщаемости их структуры. Поскольку одним из ключевых аспектов фреймворка является интерактивность, авторы должны предоставить более подробную информацию об этом критерии в экспериментальном разделе, как это было подчеркнуто двумя рецензентами.

• Каков рейтинг этой бумаги в вашей стопке? Используйте число от 1 (лучшая бумага в стопке) до n (худшая бумага в стопке из n листов). Если эта бумага входит в число нижних 30% вашего стека, не стесняйтесь использовать NR (без ранжирования).

  5

Благодарим AC и рецензентов за конструктивные комментарии. Мы рады многочисленным положительным отзывам о том, что наша работа рассматривается как решение важной, но малоизученной проблемы (R2, R3), предложение интересного и нового подхода (R1), достижение улучшенной/впечатляющей производительности (R1, R2), использование нескольких наборов данных (R1, R2, R3), широко применимая (R1), требующая меньшего использования памяти (R2) и хорошо написанная (R1, R2). Далее мы рассмотрим основные опасения рецензентов, изложенные AC. Мы опубликуем наш код и модели после принятия. Q1: Обобщаемость (AC) (1) Перекрестный набор данных: мы оцениваем наш метод по четырем задачам сегментации из общедоступных множественных наборов данных КТ: почки, опухоль, легкое и толстая кишка в экспериментальном разделе и предоставляем более наглядные результаты в приложении. материал. Как показано в таблице 1, экспериментальные результаты показывают, что наш метод превосходит другие методы с такими же смоделированными каракулями и 6 итерациями взаимодействия на нескольких наборах данных. (2) Магистральная сеть: мы заменили магистральную сеть SPN и VPN на UNet и VNet. Значения DSC наших методов с новыми опорами и опорами в статье составляют 87,0 и 87,3 в наборе данных двоеточия соответственно при 6-м взаимодействии. Сопоставимая производительность предполагает, что предлагаемая нами структура обобщается для различных магистральных сетей. (3) Модальность: DeepIGeoS, также как интерактивный метод сегментации на основе глубокого обучения, подтвердил свою эффективность на данных МРТ. Ожидается, что наш метод также может хорошо работать в другой модальности, но из-за ограничения по времени мы планируем предоставить результаты для новых модальностей вместе с кодом позже. Q2: Пользовательское исследование интерактивности (R1, R3, AC) 1. Настройка эксперимента: а) Испытуемый: 5 рентгенологов б)Данные: KiTS19-Опухоль, 5 КТ на человека. c) Фрагменты, подлежащие аннотации/Всего фрагментов: 27,4/50 г) Инструменты: a.Назовите меня, б.Премьера (традиционный метод 3D) c. Базовая модель (метод, основанный на 3D-обучении) d.Ours (3D, метод обучения) e) Инструментальное обучение для каждого испытуемого: 20 минут f) Взаимодействие прекращается, когда достигаются удовлетворительные для пользователя результаты. 2. Результаты эксперимента Для каждого инструмента мы сообщаем среднее время аннотации и количество взаимодействующих срезов: a.25,1 мин, 27,4 ломтика b.16,7 мин, 21,8 ломтика c.7,3 мин, 7,3 ломтика д.4,5мин, 4,7 кусочка 3. Человеческое взаимодействие против имитации каракулей Dice результатов ручной аннотации, полученных в экспериментах, равен 9.1.36. При использовании сгенерированных каракулей Dice этих данных при взаимодействии с 4 и 5 слайдами составляет 91,19, 92,07, что доказывает возможность создания каракулей. Q3: Генерация каракулей (R1, R2) Мы создаем смоделированные каракули в соответствии с работой Caelles et al (вызов Дэвиса 2018 года). Сравнивая прогноз с GT, мы можем найти области, в которых прогноз оказался неверным. Сгенерированные каракули определяются как упрощенный скелет таких областей, которые генерируются простыми бинарными операциями. Q4: Практичность (R3) (1) Вычислительная мощность: мы делаем эту работу в сотрудничестве с больницей, и наша модель уже проходит клинические испытания. В испытании, когда наша модель развернута на машине с графическим процессором с RTX2080, время вывода на одно взаимодействие составляет около 3,5 с, а средний спрос на память составляет менее 5 ГБ. Наш метод имеет потенциал для клинического использования с точки зрения необходимого устройства и времени вывода.
(2) Специфичность данных: требование обучения модели конкретным данным действительно является общим ограничением для всех методов, основанных на обучении. В пробной версии мы развертываем нашу модель на сервере в больнице, и модель можно обучать и обновлять по мере взаимодействия с пользователем. Q5: Необходимость гибридного дизайна (R3) (1) Только для 3D: требуется, чтобы пользователи предоставляли дополнительные ограничивающие 3D-рамки (отнимающие много времени) для обрезки фрагментов с интересующей целью для облегчения вычислений. (2) Только 2D: нельзя использовать 3D-информацию входного объема. (3) Наша гибридная сеть может использовать SPN на основе 2D для автоматического создания ограничивающей рамки для 3D-сети и использовать информацию 3D, полученную 3D VPN, для помощи в окончательном прогнозе.

Мета-обзор № 1 (первичный)

Мета-обзор № 2

Мета-обзор № 3

наверх

Рисунок 1 из реконструкции объемных объектов с использованием обобщенной раскраски вокселей

• ID корпуса: 16580821

 @inproceedings{Azevedo2008VolumetricOR,
  title={Объемная реконструкция объекта с использованием обобщенной раскраски вокселей},
  автор = {Тереза ​​К.С. Азеведо и Жо {\~a}о Мануэль Р.С. Таварес и М {\ 'а} Рио Аугусто Пирес Ваз},
  booktitle={Специальный трек IWCIA для приложений},
  год = {2008}
} 

paginas.fe.up.pt

Объемная реконструкция текстур в реальном времени с использованием виртуальных и реальных видеокамер

S. Gobron, Clement Marx, Junghyun Ahn, D. Thalmann

Информатика

CGI

• 2010 90 056

Процесс и анализ изображений в биомеханике

J. Tavares
• 2008

Введение в процессы и анализ изображений в биомеханике: Тарифы, методологии и приложения.

Улучшенное окрашивание вокселов с помощью объемной оптимизации

Г. Слабо, Т. Мальцбендер, В. Б. Калбертсон, Р. Шафер

Математика

• 2001

ФОТОРЕАЛИСТИЧНАЯ РЕКОНСТРУКЦИЯ ОБЪЕКТА С ИСПОЛЬЗОВАНИЕМ ВОКСЕЛЬНОЙ РАСКРАСКИ И НАСТРОЙКИ ОРИЕНТАЦИИ ИЗОБРАЖЕНИЯ

Ю. Кузу, О. Синрам

Информатика

• 2002

Roxels: объемная трехмерная реконструкция с учетом ответственности

J. Bonet, Paul A. Viola

Математика

Proceedings of Seventh IEEE International…

• 1999

реконструкции вокселизированного представления трехмерного пространства из серии изображений. Итеративный алгоритм используется для нахождения модели сцены, которая в совокупности объясняет все…0002 Информатика

Семинар по алгоритмам зрения

Марширующие кубы: алгоритм построения трехмерной поверхности с высоким разрешением

В. Лоренсен, Х. Клайн

Информатика

SIGGRAPH

• 1987

Мы представляем новый алгоритм, называемый марширующими кубами, который создает треугольные модели поверхностей постоянной плотности из трехмерных медицинских данных. Использование подхода «разделяй и властвуй» для создания межслоевых…

Марширующие кубы: алгоритм построения трехмерной поверхности с высоким разрешением

В. Лоренсен, Х. Клайн

Информатика треугольные модели поверхностей постоянной плотности из трехмерных медицинских данных. Использование подхода «разделяй и властвуй» для создания промежуточных срезов…

Обзор методов реконструкции объемных сцен по фотографиям

Г. Слабо, В. Б. Калбертсон, Т. Мальцбендер, Р. Шафер

Математика

VG

• 2001
9 0518 Эта статья представляет собой обзор методов реконструкции объемных сцен на основе геометрических пересечений, согласованности цветов и попарного сопоставления.