(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

Уральский федеральный университет имени первого Президента России Б.Н. Ельцина,
620062, Россия, г. Екатеринбург, ул. Мира, д. 19;
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