(49-5) 18 * << * >> * Русский * English * Содержание * Все выпуски

Классификация поверхностей в 3D-модели желудочков сердца методами машинного обучения
В.Д. Дордюк 1, Р.О. Рокеах 1,2, Т.В. Чумарная 1,2, О.Э. Соловьева 1,2

1 Уральский федеральный университет имени первого Президента России Б.Н. Ельцина,
620062, Россия, г. Екатеринбург, ул. Мира, д. 19;
2 Институт иммунологии и физиологии Уральского отделения Российской академии наук,
620078, Россия, г. Екатеринбург, ул. Первомайская, д. 106

  PDF, 1533 kB

DOI: 10.18287/2412-6179-CO-1628

Страницы: 853-861.

Аннотация:
В работе развивается подход для классификации поверхностей желудочков сердца на полигональной поверхностной сетке в условиях небольших наборов данных. Рассматриваемая задача сводится к задаче многоклассовой классификации точки на поверхности сетки. Каждая вершина полигональной сетки кодируется ее окрестностью с помощью функции расстояния со знаком и передается на вход модели машинного обучения.
     В ходе исследования проведено сравнение моделей машинного обучения (нейронные сети с архитектурами FCNN, U-Net, ResNet и классификаторы, содержащиеся в пакете scikit-learn). Предложена метрика для оценки качества классификации с точки зрения построения бивентрикулярной координатной системы. Предложен детерминированный графовый алгоритм для исправления потенциальных ошибок классификации. Наиболее эффективными для решения задачи классификации оказались FCNN, U-Net и ResNet-50. С точки зрения практической применимости выделены модели RF и SVC-SGD, не требующие значительных вычислительных мощностей и графических ускорителей, но предоставляющие удовлетворительную точность классификации и скорость работы

Ключевые слова:
компьютерное зрение, машинное обучение, нейронные сети, поверхностные сетки, цифровые модели сердца, геометрические модели сердца.

Благодарности
Исследование выполнено при финансовой поддержке Министерства науки и высшего образования Российской Федерации в рамках Программы развития Уральского федерального университета имени первого Президента России Б.Н. Ельцина в соответствии с программой стратегического академического лидерства «Приоритет-2030».

Цитирование:
Дордюк, В.Д. Классификация поверхностей в 3D-модели желудочков сердца методами машинного обучения / В.Д. Дордюк, Р.О. Рокеах, Т.В. Чумарная, О.Э. Соловьева // Компьютерная оптика. – 2025. – Т. 49, № 5. – С. 853-861. – DOI: 10.18287/2412-6179-CO-1628.

Citation:
Dordyuk VD, Rokeakh RO, Chumarnaya TV, Solovyova OE.Surface classification on a 3D cardiac ventricular model using machine learning. Computer Optics 2025; 49(5): 853-869. DOI: 10.18287/2412-6179-CO-1628.

References:
  1. Cerqueira MD, Weissman NJ, Dilsizian V, et al. Standardized myocardial segmentation and nomenclature for tomographic imaging of the heart. Circulation 2002; 105(4): 539-542. DOI: 10.1161/hc0402.102975.
  2. Bayer J, Prassl AJ, Pashaei A, et al. Universal ventricular coordinates: A generic framework for describing position within the heart and transferring data. Med Image Anal 2018; 45: 83-93. DOI: 10.1016/j.media.2018.01.005.
  3. Roney CH, Pashaei A, Meo M, et al. Universal atrial coordinates applied to visualisation, registration and construction of patient specific meshes. Med Image Anal 2019; 55: 65-75. DOI: 10.1016/j.media.2019.04.004.
  4. Schuler S, Pilia N, Potyagaylo D, Loewe A. Cobiveco: Consistent biventricular coordinates for precise and intuitive description of position in the heart – with matlab implementation. Med Image Anal 2021; 74: 102247. DOI: 10.1016/j.media.2021.102247.
  5. Pankewitz LR, Hustad KG, Govil S, et al. A universal biventricular coordinate system incorporating valve annuli: Validation in congenital heart disease. Med Image Anal 2024; 93: 103091. DOI: 10.1016/j.media.2024.103091.
  6. Qi CR, Su H, Mo K, Guibas LJ. Pointnet: Deep learning on point sets for 3D classification and segmentation. arXiv Preprint. 2017. Source: <https://arxiv.org/abs/1612.00593>. DOI: 10.48550/arXiv.1612.00593.
  7. Qian G, Li Y, Peng H, et al. Pointnext: Revisiting PointNet++ with improved training and scaling strategies. arXiv Preprint. 2022. Source: <https://arxiv.org/abs/2206.04670>. DOI: 10.48550/arXiv.2206.04670.
  8. Luo C, Cheng N, Ma S, et al. Mini-PointNetPlus: A local feature descriptor in deep learning model for 3d environment perception. arXiv Preprint. 2023. Source: <https://arxiv.org/abs/2307.13300>. DOI: 10.48550/arXiv.2307.13300.
  9. Hanocka R, Hertz A, Fish N, Giryes R, Fleishman S, Cohen-Or D. Meshcnn: A network with an edge. ACM Trans Graph 2019; 38(4): 90. DOI: 10.1145/3306346.3322959.
  10. Ludwig I, Tyson D, Campen M. Halfedgecnn for native and flexible deep learning on triangle meshes. ComputGraph Forum 2023; 42(5): e14898. DOI: 10.1111/cgf.14898.
  11. Wu Z, Song S, Khosla A, et al. 3DShapeNets: A deep representation for volumetric shapes. arXiv Preprint. 2015. Source: <https://arxiv.org/abs/1406.5670>. DOI: 10.48550/arXiv.1406.5670.
  12. Wang X, Liu J, Mei T, Luo J. CoSeg: Cognitively inspired unsupervised generic event segmentation. arXiv Preprint. 2021. Source: <https://arxiv.org/abs/2109.15170>. DOI: 10.48550/arXiv.2109.15170.
  13. Dordiuk V, Dzhigil M, Ushenin K. Surface mesh segmentation based on geometry features. 2023 IEEE Ural-Siberian Conf on Biomedical Engineering, Radioelectronics and Information Technology (USBEREIT) 2023: 270-273. DOI: 10.1109/USBEREIT58508.2023.10158888.
  14. Hansen B, Lowes M, Ørkild T, et al. Sparsemeshcnn with self-attention for segmentation of large meshes. Proceedings of the Northern Lights Deep Learning Workshop 2022; 3: 1-9. DOI: 10.7557/18.6281.
  15. Dokuchaev A, Chumarnaya T, Bazhutina A, et al. Combination of personalized computational modeling and machine learning for optimization of left ventricular pacing site in cardiac resynchronization therapy. Front Physiol 2023; 14: 1162520. DOI: 10.3389/fphys.2023.1162520.
  16. Marian42/Mesh_to_sdf. 2020. Source: <https://github.com/marian42/mesh_to_sdf>.
  17. Pedregosa F, Varoquaux G, Gramfort A, et al. Scikit-learn: Machine learning in Python. J Mach Learn Res 2011; 12: 2825-2830.
  18. He K, Zhang X, Ren S, Sun J. Deep residual learning for image recognition. arXiv Preprint. 2015. Source: <https://arxiv.org/abs/1512.03385>. DOI: 10.48550/arXiv.1512.03385.
  19. Ronneberger O, Fischer P, Brox T. U-Net: Convolutional networks for biomedical image segmentation. arXiv Preprint. 2015. Source: <https://arxiv.org/abs/1505.04597>. DOI: 10.48550/arXiv.1505.04597.

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: journal@computeroptics.ru; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20