بهبود ساخت مدل شكل آماري بافت¬هاي غيرصلب با كمك الگوريتم Coherent Point Drift

Improvement of Statistical Shape Models for Non-rigid Tissues Using Coherent Point Drift Algorithm

با توسعه¬ي فنّاوری¬های پیش¬رفته در زمینه¬ي ایمپلنت¬های ستون فقرات، طراحی و ساخت كیج¬های گردنی برای اوّلین بار در ایران مورد توجه قرار گرفته¬است. این پروژه¬ي تحقیقاتی صنعتی برمبنای مطالعات دقیق بیومكانیكی و براساس مدل¬های عملكردیمدل¬های شكل آماری، از اطلاعات آماری جهت تفسیر و بررسی شكل استفاده می¬كنند. اطلاعات آماری شامل میانگین و واریانس نقاط متناظر شكل¬های مجموعه آموزش است. یافتن نقاط متناظر دربین نقاط اعضای مجموعه¬ي آموزش، یكی¬از چالش¬های مهم در ساخت مدل شكل آماری است. درین مقاله، از روش CPD جهت یافتن تناظر بین نقاط استفاده شد. درین روش، با تركیب تناظر فازی، الگوریتم سرد شدن معین و انطباق غیرصلب دو شكل، تناظر بین نقاط به دست آمد. پس¬از یافتن نقاط متناظر، مدل شكل آماری با یك تبدیل صلب ایجاد شد. ارزیابی روش پیشنهادی با استفاده¬از میزان فشردگی، قابلیّت تعمیم و اختصاصی بودن انجام شد. مدل ساخته شده به كمك روش پیشنهادی با مدل¬های ساخته شده به روش¬های TPS-RPM، ICP ، MDL مقایسه شد. نتایج نشان می¬دهد كه مدل پیشنهادی در معیار اختصاصی بودن با مقدار 06/0±21/0 مانند روش MDL عمل می¬كند. در مورد معیارهای فشردگی و قابلیت تعمیم، نتایج به دست آمده با روش MDL مشابهت دارد. زمان متوسط اجرای الگوریتم در روش پیشنهادی 68 ثانیه است، در صورتی¬كه برای الگوریتم TPS-RPM 390 ثانیه و برای الگوریتم MDL 3600 ثانیه است كه برتری روش پیشنهادی را از نظر سرعت نشان مي¬دهد. هم¬چنين در روش پیشنهادی، نسبت به روش¬های ICP و TPS-RPM عملكرد بهتری به دست آمد.

Statistical Shape Models are used to interpret shapes. They include mean and variance of corresponding points of training shapes. One of the most important challenges in building statistical shape models is to establish correct correspondences among landmarks in a training set. In this paper, the non-rigid CPD (Coherent Point Drift) method is used to find correct correspondences among points. This method uses both Deterministic Annealing and a non-rigid scheme to register two shapes simultaneously. Then, the statistical shape model is built using a rigid transformation. The proposed method is evaluated using Compactness, Generalization ability and Specificity measures. The built model is compared to models created using the ICP (Iterative Closest Point), TPS-RPM (Thin Plate Spline – Robust Point Matching) and MDL (Minimum Descreption Length) methods by these metrics. The results show that the proposed method performs like the MDL regarding Specificity measure (0.21±0.06). The Compactness and Generalization ability measures of the proposed method are very similar to those for the MDL method. The run-time of our proposed method is about 68 seconds which is faster than non-rigid TPS-RPM and MDL approaches (390 and 3600 seconds respectively). Our results are superior to the ICP and TPS-RPM algorithms.