REGULAMIN Styp nauk

Program Operacyjny Kapitał
Ludzki
Poddziałanie 4.1.1: Wzmocnienie i rozwój potencjału dydaktycznego
uczelni
ROZWÓJ POTENCJAŁU DYDAKTYCZNO-NAUKOWEGO MŁODEJ
KADRY AKADEMICKIEJ POLITECHNIKI WROCŁAWSKIEJ
SPRAWOZDANIE ZA OKRES OD 01.10.2012 DO 31.03.2013
UMOWA STYPENDIALNA Nr MK/SN/419/VII/2012/U
NA STYPENDIUM NAUKOWE
1. Stypendysta Projektu:
Imię i nazwisko Ewelina Świątek-Najwer
Wydział (W-10) Mechaniczny
Instytut (I-16) Konstrukcji i Eksploatacji Maszyn
Zakład (Z-…) Inżynierii Biomedycznej i Mechaniki Eksperymentalnej
2. Promotor rozprawy doktorskiej (Opiekun naukowy):
Opiekun naukowy - Prof. dr hab. inż. Celina Pezowicz
3. Tytuł celu badawczego planowanych badań naukowych:
Identyfikacja struktur tkankowych na obrazach ultrasonograficznych
4. Sprawozdanie dotyczy całości wykonanych badań naukowych w okresie sześciu miesięcy.
PROJEKT WSPÓŁFINANSOWANY PRZEZ UNIĘ EUROPEJSKĄ W RAMACH EUROPEJSKIEGO FUNDUSZU SPOŁECZNEGO
Strona 2 z 20
SPRAWOZDANIE
5. Omówienie całości wykonanych badań i osiągniętych rezultatów oraz ich zgodności z
zaplanowanymi (wraz z odnośnikami do punktów 6 i 7):
…………………………………………………………………………………………………
Głównym celem wykonanych w okresie ostatnich sześciu miesięcy badań było:
- opracowanie metody rozpoznawania przestrzennej geometrii struktur kostnych na obrazach
zapisanych za pomocą nawigowanej głowicy ultrasonograficznej
oraz
- walidacja opracowanej metody na podstawie analizy wyników z tomografii komputerowej.
Podjęte prace badawcze stanowią rozwinięcie opracowanego dotychczas narzędzia do
pomiaru przestrzennej geometrii struktur tkankowych z wykorzystaniem obrazów
ultrasonograficznych
rejestrowanych
przez
nawigowaną
głowicę
ultradźwiękową.
Opracowany system nawigowanej głowicy ultrasonograficznej tworzy ultrasonograf
EchoBlaster 128 firmy Telemed z liniową głowicą o wybranej częstotliwości 5MHz
i szerokości 80mm oraz system nawigacji optycznej Polaris firmy NDI. Nawigacja optyczna
umożliwia kontrolowanie położenia i orientacji głowicy ultrasonograficznej podczas
rejestrowania skanów.
Zadanie 1. Opracowanie metod identyfikacji struktur tkankowych za pomocą
nawigowanej głowicy ultradźwiękowej
Zadanie 2. Testowanie opracowanych algorytmów identyfikacji struktur tkankowych
Zadania 1 i 2 polegały na opracowaniu metod identyfikacji struktur tkankowych za pomocą
nawigowanej głowicy ultradźwiękowej oraz wykonaniu testów algorytmów identyfikacji
i triangulacji.
Echo pochodzące od struktur kostnych charakteryzuje się następującymi cechami:
1. Wysoka echogeniczność związana z dużą różnicą impedancji akustycznych kości
i tkanek miękkich
2. Pod echem występuje cień akustyczny ze względu na wysoki współczynnik absorpcji
ultradźwięków
3. Ciągły kontur
4. Kontur kości złożony z poziomych ech (przy prawidłowym ustawieniu głowicy
uzyskuje się lustrzane odbicie od powierzchni kości)
W związku z wysoką echogenicznością występującą na granicy ośrodków – tkanki
kostnej
i
tkanek
miękkich
algorytm
wykrywający
kontur
kości
na
obrazie
Strona 3 z 20
ultrasonograficznym powinien wykorzystywać operatory pozwalające wykryć I i II pochodną.
Po zastosowaniu obu operatorów wykrycie konturu wymaga jeszcze zastosowania
progowania.
Problemem pozostaje fakt, że silną echogeniczność można obserwować nie tylko dla
granicy faz pomiędzy tkanką miękką i tkanką kostną. Z tego powodu algorytmy identyfikacji
wymagają określania obszaru zainteresowania, w którym występuje kontur tkanki kostnej.
Na podstawie powyższych rozważań opracowano metodę identyfikacji struktur
kostnych na obrazach ultrasonograficznych. Schemat algorytmu jest przedstawiony na rys.1.
operator
gradientu
operator
Laplace'a
wyszukiwanie
konturu od
dołu lub od
góry w ROI
progowanie
wygładzanie,
decymacja
Rys. 1 Algorytm identyfikacji struktury kostnej na obrazie USG
Pierwszym etapem analizy obrazu jest przekształcenie za pomocą operatora gradientu
z wykorzystaniem macierzy konwolucji postaci:
1
4
7
4
1
4
16
26
16
4
7
26
41
26
7
4
16
26
16
4
1
4
7
4
1
Wynik przekształcenia poddawany jest dalszej analizie z wykorzystaniem operatora Laplace'a
0
1
0
1
-4
1
0
1
0
Obydwa przekształcenia służą wykryciu zmian jasności w obrazie. Operator gradientu
stanowi wyznaczenie pierwszej pochodnej funkcji jasności dla macierzy obrazu. Operator
Laplace’a z kolei pozwala wyznaczyć drugą pochodną funkcji jasności pikseli obrazu.
Kolejnym krokiem algorytmu jest progowanie z zadanym przez użytkownika progiem
i wyszukiwanie konturu tkanki kostnej od dołu lub od góry tzw. Region of Interest
zdefiniowanego przez użytkownika.
Strona 4 z 20
Ostatnim etapem segmentacji jest opcjonalne wygładzenie konturu i jego decymacja
(zmniejszenie liczby punktów konturu). Program umożliwia również edycję uzyskanego
konturu w celu wyeliminowania niepożądanych efektów procedury segmentacji.
Opracowany algorytm segmentacji przetestowano dla zbioru danych zarejestrowanych
dla fantomu zdeformowanej kości udowej typu sawbone firmy Synthes. Fantom umieszczono
w zbiorniku wodnym. Stanowisko wyposażone było w mechanizm przesuwny celem
zarejestrowania skanów w sposób możliwie równomierny (rys.2). Skany rejestrowano wzdłuż
dwóch bocznych powierzchni kości, aby zapewnić zobrazowanie całego fantomu.
Dane zarejestrowano za pomocą uprzednio skalibrowanej nawigowanej głowicy
ultrasonograficznej względem układu odniesienia związanego z ramką referencyjną
zamontowaną na fantomie kości. Zastosowanie ramki referencyjnej umożliwia uwzględnienie
ruchu badanego obiektu oraz zmianę położenia systemu nawigacyjnego.
Rys. 2. Stanowisko pomiarowe z mechanizmem przesuwnym
Zarejestrowano 864 skany dla fantomu w położeniach i orientacjach widocznych na
rysunku 3.
Strona 5 z 20
Rys.3 Widok położenia i orientacji zarejestrowanych skanów USG
Dla otrzymanych skanów wykonano testy metod identyfikacji struktur kostnych za
pomocą wybranych znanych z literatury algorytmów, które są zaimplementowane
w bibliotekach Visualization Toolkit i Insight Segmentation and Registration Toolkit.
Dla obrazów zarejestrowanych dla fantomu kości udowej i dla obrazu struktur tkankowych
kończyny dolnej probanta przetestowano m.in. następujące algorytmy:
1. Kryterium Otsu - pozwalające wyznaczyć próg na podstawie rozkładu jasności obrazu
Rys. 4 Efekt działania kryterium Otsu
dla obrazu fantomu kości udowej
Strona 6 z 20
Rys. 5 Efekt działania kryterium Otsu
dla obrazu struktur tkankowych kończyny dolnej
2. Canny Edge Detection (CED) - do wykrywania krawędzi w obrazie
Rys. 6 Efekt działania algorytmu Canny Edge Detection
dla obrazu fantomu kości udowej
Algorytm Canny Edge dobrze sprawdza się w rozpoznawaniu kształtu fantomów
kostnych, niestety jednak nie działa dobrze w przypadku obrazów ultrasonograficznych
struktur tkankowych. Powodem jest występowanie wielu krawędzi na obrazie. Nawet po
dostosowaniu parametrów dolnego i górnego progu oraz wariancji dla danego obrazu, efekt
segmentacji nie jest zadawalający. Wykrywane są krawędzie pochodzące od innych obiektów
na obrazie.
Strona 7 z 20
Po CED (wariancja = 0.1, próg = 63 z kryt.
Oryginalny obraz
Otsu)
Po CED (wariancja = 0.5, próg = 63)
Po CED (wariancja = 0.5, próg = 40)
Rys. 7 Efekt działania algorytmu Canny Edge Detection dla obrazu struktur
tkankowych kończyny dolnej
3. Watershed segmentation (segmentacja wododziałowa)
Podczas testów algorytmu segmentacji wododziałowej dobierano wartość parametru
konduktancji. Ze wzrostem tego parametru otrzymuje się mniejszą liczbę rozpoznawanych
obiektów, ale przy tym wzrost zniekształcenia rozpoznawanego konturu kości. W związku
z tym uzyskanie kompletnego i optymalnego konturu kości jako jednego obiektu jest
praktycznie niemożliwe.
W przypadku segmentacji dla obrazów ultrasonograficznych kończyny dolnej, czas
potrzebny na wykonanie nawet jednej iteracji algorytmu jest bardzo długi.
Strona 8 z 20
Oryginalny obraz
Po segmentacji (konduktancja = 4)
Po segmentacji (konduktancja = 8)
Po segmentacji (konduktancja = 16)
Rys. 8 Efekt działania algorytmu Watershed Segmentation dla obrazu fantomu kości
udowej dla wybranych wartości parametru konduktancji
4. Test algorytmu przedstawionego na schemacie na rys. 1
Przeprowadzono również testy algorytmu opisanego wcześniej i przedstawionego na
schemacie na rys.1. W programie dobrano obszar zainteresowania dla poszczególnych
skanów oraz ustawiono wartość progu i kierunek poszukiwania echa w oknie. W ten sposób
wykonano segmentację wszystkich zarejestrowanych skanów. Uzyskane kontury poddawano
edycji korygując niepożądane efekty.
Strona 9 z 20
Rys.9. Okno segmentacji konturu kostnego
W wyniku segmentacji otrzymano chmurę punktów przedstawioną na rysunku 10.
Rys. 10. Chmura punktów otrzymana po segmentacji konturów kostnych.
W celu renderingu powierzchni na podstawie zarejestrowanej chmury punktów
zastosowano połączenie punktów w siatkę według schematu wyznaczonego przez algorytm
triangulacji Delaunay'a 2D dla zrzutowanych na zdefiniowaną przez użytkownika
płaszczyznę punktów powierzchni kości. Metoda triangulacji Delaunay'a 2D jest
zaimplementowana w bibliotekach Visualization Toolkit. Model przestrzenny uzyskiwano
krok po kroku fragmentami dobierając położenie płaszczyzny rzutowania dla wybranych
Strona 10 z 20
rejonów chmury punktów. Taki proces triangulacji jest bardzo żmudny i czasochłonny.
Pozwala jednak uzyskać stosunkowo dobre rezultaty.
Rys. 11. Wynik triangulacji z wykorzystaniem algorytmu Delaunay 2D
Przetestowano również inne algorytmy triangulacji dla zarejestrowanej chmury punktów.
Sprawdzono działanie następujących algorytmów:
- Delaunay 3D (zaimplementowany w bibliotekach Visualization Toolkit),
- SurfaceReconstructionFilter (zaimplementowany w bibliotekach Visualization Toolkit)
- "Fast triangulation of unordered point", tzw. greedy projection. (zaimplementowany
w bibliotekach Point Clouds Library)
1. Delaunay 3D
Algorytm umożliwia utworzenie czworościennej siatki z niezorganizowanej
(nieuporządkowanej) chmury punktów. Algorytm pozwala otrzymać dla przestrzennego
zbioru punktów najmniejszy zbiór wypukły zawierający ten zbiór. Wynik triangulacji
przypomina powierzchnię folii naciągniętej wokół zbioru punktów, możliwie najlepiej
dopasowaną do kształtu ograniczonego przez punkty.
Dobierając wartość współczynnika  otrzymuje się zróżnicowane dopasowanie siatki
do zbioru punktów.
Na rysunku 12 przedstawiono wyniki triangulacji dla przykładowego zbioru punktów
kości udowej. Wartości podane w ramkach oznaczają wybraną wartość parametru .
Strona 11 z 20
oryginał
=0
 = 0.2
 = 0.3
 = 0.07
 = 0.09
 = 0.1
 = 0.05
 = 0.095
Rys. 12 Wynik triangulacji za pomocą algorytmu Delaunay 3D (convex hull) dla
różnych wartości współczynnika 
Strona 12 z 20
2. Algorytm Hoppe'go - Surface Reconstruction Filter
http://research.microsoft.com/en-us/um/people/hoppe/recon.pdf
Algorytm umożliwia rekonstrukcję powierzchni na podstawie nieuporządkowanego
zbioru punktów. Algorytm, opiera się na zasadzie określenia zbioru zerowego szacowanych
funkcji odległości. Algorytm automatycznie wyznacza topologiczny rodzaj powierzchni,
w tym występowanie krzywych granicznych. Wynik działania algorytmu - zapis siatki jest
przesunięty i w zmienionej skali w porównaniu do wejściowego zbioru punktów. Otrzymaną
siatkę należy więc ponownie "przetransformować" do pozycji wyjściowej.
Niestety testy algorytmu wykazały, że przy braku równomiernego rozmieszczenia
punktów występują niepożądane efekty zniekształcenia uzyskiwanej powierzchni. Przykład
uzyskanego wyniku przedstawiono na rysunku 13. Po środku powierzchni można zauważyć
fragment powierzchni trzonu fantomu kości udowej, niemniej jednak zarówno trzon jak
i nasady są bardzo zniekształcone efektami ubocznymi procesu rekonstrukcji.
Rys. 13 Wynik triangulacji za pomocą algorytmu Hoppe'go
3. "Fast triangulation of unordered point", tzw. greedy projection
http://www.pointclouds.org/documentation/tutorials/greedy_projection.php
Algorytm "greed projection" działa dla niezorganizowanej grupy punktów, a nawet
w przypadku wielu połączonych elementów. Najlepiej sprawdza się dla lokalnie gładkich
powierzchni i gdy występują gładkie przejścia pomiędzy obszarami o różnej gęstości
punktów. Triangulacja jest wykonywane lokalnie, poprzez rzutowanie lokalnego sąsiedztwa
punktu wzdłuż normalnej w punkcie i łączeniu niepołączonych punktów.
Algorytm wymaga ustawienia wartości następujących parametrów:
Strona 13 z 20
- maksymalna liczba najbliższych sąsiadów -określenie wielkości sąsiedztwa, to znaczy ilu
sąsiadów algorytm wyszukuje, dopóki ostatni określa maksymalną akceptowalną odległość od
punktu, w odniesieniu do odległości od najbliższego punktu (w celu dopasowania zmian
gęstości). Typowe wartości wynoszą od 50-100 i 2.5 do 3
- promień - maksymalna długość krawędzi dla każdego trójkąta, wybierany w sposób
umożliwiający powstanie największych trójkątów siatki
- minimalny i maksymalny kąt - minimalny i maksymalny kąt w każdym trójkącie, typowo
10 i 120 stopni
-maksymalny kąt powierzchni - parametr związany z obsługą przypadków występowania
ostrych krawędzi lub narożników oraz gdzie dwie strony powierzchni przebiegają blisko
siebie. Aby to osiągnąć, punkty nie są połączone do aktualnego punktu, jeśli ich normalne
różnią się bardziej niż określony kąt (większość metod estymacji normalnej do powierzchni
tworzy gładkie przejścia pomiędzy kątami normalnych, nawet przy ostrych krawędziach). Kąt
ten jest obliczany jako kąt pomiędzy liniami normalnych (niezgodnie z kierunkiem
normalnej) jeśli flaga nie jest ustawiona, jako, że nie wszystkie metody obliczania normalnej
mogą zagwarantować odpowiednio zorientowane normalne, Typowo kąt wynosi 45 stopni.
Testy algorytmu triangulacji dały wynik zaprezentowany na rys. 14. Rezultat uzyskano dla
parametrów: promień 250, mnożnik 2.5, maksymalna liczba sąsiadów 200, maksymalny kąt
powierzchni 45 stopni, minimalny i maksymalny kąt trójkąta- odpowiednio 10 i 120 stopni.
Rys. 14. Wynik triangulacji za pomocą algorytmu
"Fast triangulation of unordered point", tzw. greedy projection.
Strona 14 z 20
Podjęto również próbę zastosowania algorytmu triangulacji greedy projection dla
chmury punktów uzyskanej w wyniku segmentacji z wykorzystaniem kryterium Otsu bez
definiowania obszaru zainteresowania. Celem testu była ocena na ile niepożądane efekty
segmentacji wpływają na efekt identyfikacji kształtu przestrzennego kości. Ze względu na
dużą liczbę punktów na poszczególnych skanach zastosowano decymację konturu = 10 (to
znaczy brany jest pod uwagę co 10 punkt), analizując tylko co 3 lub co 2 skan. Jak
zaprezentowano na rys. 15 brak edycji konturu z ograniczeniem do obszaru zainteresowania
daje bardzo złe wyniki triangulacji siatki. Niestety dla pełnego zbioru punktów, mimo dużej
mocy obliczeniowej komputera, nie udało się uzyskać efektu triangulacji.
Efekty triangulacji dla nieedytowanych danych wejściowych są niezadawalające
(rys.15).
co 2 skan, decymacja 10, liczba punktów co 3 skan, decymacja = 10, liczba
powierzchni: 6978
punktów powierzchni 4771
Rys. 15 Wynik triangulacji za pomocą greedy projection dla punktów konturów po
decymacji bez uwzględniania obszaru zainteresowania
Metoda rekonstrukcji przestrzennej "greedy projection" zapewnia bardzo dobry wynik,
a przy tym jest najwygodniejsza, nie wymaga bowiem ingerencji użytkownika. Niemniej
jednak wymaga ona zapewnienia idealnego zbioru danych wejściowych, to jest odpowiedniej
chmury punktów powierzchni badanego obiektu.
Strona 15 z 20
Zadanie 3. Identyfikacja struktur tkankowych na podstawie obrazów z tomografii
komputerowej
W celu analizy porównawczej uzyskanych modeli fantomów kostnych wykorzystano
tomografię komputerową fantomu kości. Analizę obrazów z tomografii komputerowej
zapisanych w formacie DICOM wykonano za pomocą oprogramowania InVesalius . Każdy
obraz poddano segmentacji za pomocą progowania i otrzymano przestrzenny model. Model
zapisano w formacie stereolitograficznym (STL) do dalszej analizy porównawczej.
Rys. 16. Proces segmentacji na obrazach z tomorafii komputerowej fantomu kości
Rys. 17. Wynik rekonstrukcji przestrzennej kształtu kości
z obrazów z tomografii komputerowej
Strona 16 z 20
Zadanie 4. Analiza porównawcza uzyskanych modeli przestrzennych za pomocą CT i 3D
ultrasonografii
Aby porównać powierzchnie otrzymane z obu metod obrazowania (USG i CT) na
początku należało doprowadzić do ich nałożenia we wspólnym układzie współrzędnych. Jak
widać
na
ilustracjach
model
zarejestrowany
za
pomocą
nawigowanej
głowicy
ultrasonograficznej stanowi lustrzane odbicie otrzymanego na podstawie tomografii
komputerowej. Należało więc wykonać lustrzane odbicie oraz przesunąć i zrotować jeden
model względem drugiego, aby zapewnić możliwość analizy porównawczej obu modeli.
Rys. 18 Widok modeli otrzymanych z tomografii komputerowej i USG przed nałożeniem
Rys. 19. Nałożenie modeli uzyskanych z tomografii komputerowej i nawigowanej
głowicy ultrasonograficznej z wykorzystaniem triangulacji Delaunay 2D
Strona 17 z 20
Rys. 20 Nałożenie modeli uzyskanych z tomografii komputerowej i nawigowanej głowicy
ultrasonograficznej z wykorzystaniem triangulacji "greedy projection"
Do porównania uzyskanych powierzchni fantomów kostnych wybrano metodę analizy
podobieństwa powierzchni w postaci metryki Hausdorffa. Metryka Hausdorffa dla dwóch
zbiorów A i B definiowana jest w sposób następujący:
H(A, B) = max (δ (A, B), δ (B, A)),
gdzie:
d(x,y) stanowi odległość punktu x należącego do zbioru A od elementu y należącego do
zbioru B.
Metryka Hausdorffa pozwala scharakteryzować za pomocą wartości skalarnej podobieństwo
dwóch modeli objętościowych. Jeżeli modele są identyczne wartość metryki Hausdorffa
wynosi 0.
Strona 18 z 20
Tabela 1 Wyniki analizy porównawczej modeli otrzymanych na podstawie tomografii komputerowej i
ultrasonografii, w zależności od zastosowanej metody triangulacji podczas identyfikacji struktury kości z
obrazów ultrasonograficznych
Metoda triangulacji
δ(A,B)
δ(B,A)
metryka
Hausdorffa
Metoda triangulacji 11,42 mm
27,56 mm
27,56 mm
21,98 mm
21.98 mm
Delaunay 2D
Metoda triangulacji 11,40 mm
"greedy projection"
W wyniku analizy porównawczej modeli otrzymanych za pomocą obu metod
obrazowania w zależności od metody triangulacji otrzymano:
większą wartość metryki Hausdorffa dla metody triangulacji Delaunay 2D
i mniejszą dla metody triangulacji "greedy projection" (Tab.1).
Większa wartość metryki oznacza, że model uzyskany na podstawie ultrasonografii bardziej
różni się od wzorcowego modelu otrzymanego na podstawie tomografii komputerowej.
Podsumowanie
W ramach zadań badawczych zaproponowano i przetestowano metody identyfikacji
struktur kostnych na obrazach ultrasonograficznych fantomów kości i kończyn dolnych
pacjentów. Istotne znaczenie miało przetestowanie algorytmów dla dużego zbioru danych
fantomu kości udowej. Przetestowano zarówno algorytmy identyfikacji konturu jak
i algorytmy triangulacji.
Podjęto również próbę oceny ilościowej podobieństwa modeli otrzymanych na
podstawie
tomografii
komputerowej
i
ultrasonografii.
Otrzymana
wartość
miary
podobieństwa modeli uzyskanych za pomocą ultrasonografii i tomografii komputerowej
dowodzi, że model otrzymany na podstawie ultrasonografii jest w znacznym stopniu
zniekształcony. Na wartość błędu wpływał również stopień dopasowania obu modeli w
jednym układzie współrzędnych, zadanie to wykonano precyzyjnie niemniej jednak możliwy
jest wpływ tego czynnika na miarę podobieństwa modeli. Dodatkowym czynnikiem
wpływającym na dokładność odwzorowania powierzchni kości był brak możliwości
zeskanowania fragmentu kości, na obszarze którego zamocowano ramkę referencyjną. Ramka
Strona 19 z 20
referencyjna jest konieczna ze względu na możliwość poruszenia się badanego obiektu jak i
systemu nawigacyjnego podczas rejestracji danych.
Duże znaczenie w aspekcie uzyskiwanej dokładności pomiaru ultrasonograficznego
ma sposób ustawienia głowicy względem rejestrowanych struktur. Głowica powinna być
umieszczana zawsze prostopadle do badanej powierzchni. Nacisk głowicy nie miał znaczenia,
ze względu na wykonywanie pomiaru w basenie wodnym. Jednak sposób ustawienia głowicy
mógł być w przypadku części skanów nieoptymalny. Z tym wiąże się brak gładkości
powierzchni odwzorowanej kości.
Algorytmy identyfikacji struktur tkankowych często są bardzo czasochłonne. Stopień
skomplikowania aparatu matematycznego oraz występowanie niepożądanych obiektów na
obrazie decydują o długim czasie wykonywanych obliczeń. Tymczasem w zastosowaniu
narzędzia w praktyce klinicznej konieczne jest opracowanie sprawnej, w pełni
zautomatyzowanej metody rozpoznawania kształtu struktur tkankowych.
Analiza obrazów skan po skanie ze względu na zmienność rozkładu jasności nastręcza
dużo trudności. Pewnym rozwiązaniem jest wykorzystanie tzw. deformable models, niemniej
jednak również ta technika wprowadza niepożądane zniekształcenia uzyskiwanych modeli. W
dalszym ciągu brakuje więc optymalnej metody rekonstrukcji przestrzennej dla obrazów
ultrasonograficznych z wolnej ręki.
Uzyskane w ramach niniejszych badań wyniki pozwoliły ocenić możliwości
dostępnych algorytmów, nie dały jednak dotychczas idealnego rozwiązania problemu. Wyniki
identyfikacji w dużej mierze zależą bowiem od uzyskanego zbioru danych. Zarejestrowanie
takiego zbioru dla dużych obiektów jest bardzo trudna. W przypadku niewielkich obiektów
i dość równomiernego rozkładu punktów rekonstrukcja przebiegnie bardzo sprawnie.
Pomimo precyzyjnego zaplanowania metody rejestracji danych za pomocą
mechanizmu przesuwnego i zarejestrowaniu dużej liczby skanów (864), do niektórych
fragmentów kości zabrakło dostępu, co utrudniło uzyskanie optymalnego przebieg pomiaru.
Przeważającą zaletą tomografii komputerowej jest możliwość skanowania obiektów
z dużą rozdzielczością i w sposób równomierny. W celu uzyskania takiej jakości modeli za
pomocą
fal
ultradźwiękowych,
konieczne
byłoby
zbudowanie
formy
tomografu
ultradźwiękowego z przewodzącym medium.
6. Osiągnięte rezultaty (projekty, programy, raporty, opracowane materiały – przygotowane
lub wysłane, zgłoszenia patentowe, patenty, publikacje, prezentacje konferencyjne,
wdrożenia, nagrody, wyróżnienia itp.):
Strona 20 z 20
- oprogramowanie do przestrzennej rekonstrukcji za pomocą ultrasonografii i kontroli
dokładności w porównaniu z modelami w formacie STL pochodzącymi z rentgenowskiej
tomografii komputerowej;
- w przygotowaniu publikacja do czasopisma Acta of Bioengineering and Biomechanics pt.
"3D bone shape modelling basing on dataset recorded by ultrasound free-hand navigated
probe".
7. Staże, konferencje, sympozja, seminaria, szkolenia, spotkania, nawiązane kontakty,
uzgodnienia, itp.:
- kontynuacja wspołpracy z Priv. Doz. Peter Kepplerem z Universitaet Klinikum in Ulm oraz
niemiecką firmą Aesculap BBraun, współpracy w zakresie rozwijania systemu nawigowanej
głowicy ultrasonograficznej w zastosowaniu do pomiaru geometrii struktur kostnych,
planowania i wspomagania zabiegu korekcji deformacji kończyn, w szczególności tzw. singlecut osteotomy
- ukończenie stażu w gabinecie ortopedycznym Prof. Szymona Dragana w zakresie pomiaru
geometrii struktur kręgosłupa z wykorzystaniem nawigowanej głowicy ultrasonograficznej wykonanie pomiarów na grupie probantów
(Do Sprawozdania Końcowego należy dołączyć pierwsze strony omówionych lub wykazanych materiałów, pism lub
dokumentów)
…………………………
Data i podpis Stypendysty
8. Opinia Promotora (Opiekuna naukowego) nt. wykonanych badań i osiągniętych rezultatów
oraz ich zgodności z zaplanowanymi i przydatności w przygotowywanej rozprawie
doktorskiej:
……………………………………………………….…………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
..........................................
data i podpis