Neue Methode zur Verarbeitung von 3D-Bildern vorgestellt
Computersimulationsmethode kann Ingenieure und Ärzte mit besseren Informationen ausstatten
Die neue Methode könnte sich als entscheidend für die Zertifizierung der Glaubwürdigkeit von Hochleistungs-Computersimulationen erweisen, die zur Bestimmung der Wirksamkeit verschiedener Materialien für Waffenprogramme und andere Bemühungen verwendet werden, sagte Scott A. Roberts, Sandias leitender Ermittler des Projekts. Sandia kann den neuen 3D-Imaging-Workflow auch zum Testen und Optimieren von Batterien anwenden, die für große Energiespeicher und in Fahrzeugen verwendet werden. Die Forscher nannten den neuen Workflow EQUIPS – Efficient Quantification of Uncertainty in Image-based Physics Simulation.
-
Das abgebildete Bild zeigt ein Material, das in zwei Klassen (blau und lila) unterteilt ist. Die schwarzen Linien zeigen eine mögliche Grenzfläche zwischen den beiden Materialklassen. Der gelbe Bereich stellt die Segmentierungsunsicherheit dar, was bedeutet, dass die schwarzen Linien überall innerhalb dieses Bereichs gezogen werden können und dennoch gültig sind. (Quelle: Sandia Nat. Lab.)
EQUIPS kann maschinelles Lernen verwenden, um die Unsicherheit bei der Darstellung eines Bildes für 3D-Computersimulationen zu quantifizieren. Durch die Bereitstellung einer Reihe von Unsicherheiten ermöglicht der Workflow den Entscheidungsträgern, die besten und schlechtesten Ergebnisse zu berücksichtigen, sagte Roberts. Denken Sie an einen Arzt, der einen CT-Scan untersucht, um einen Krebsbehandlungsplan zu erstellen. Dieser Scan kann in ein 3D-Bild gerendert werden, das dann in einer Computersimulation verwendet werden kann, um eine Strahlendosis zu erzeugen, die einen Tumor effizient behandelt, ohne das umgebende Gewebe unnötig zu schädigen. Normalerweise würde die Simulation ein Ergebnis liefern, weil das 3D-Bild einmal gerendert wurde, sagte Carianne Martinez, Informatikerin bei Sandia.
Aber das Zeichnen von Objektgrenzen in einem Scan kann schwierig sein und es gibt mehr als eine vernünftige Möglichkeit, dies zu tun, sagte sie. „CT-Scans sind keine perfekten Bilder. Es kann schwierig sein, in einigen dieser Bilder Grenzen zu erkennen.“ Menschen und Maschinen werden aus diesen verschwommenen Bildern unterschiedliche, aber vernünftige Interpretationen der Größe und Form des Tumors ziehen, sagte Krygier. Unter Verwendung des EQUIPS-Workflows, der maschinelles Lernen zur Automatisierung des Zeichenprozesses verwenden kann, wird das 3D-Bild in viele praktikable Variationen gerendert, die Größe und Lage eines potenziellen Tumors zeigen. Diese unterschiedlichen Renderings werden eine Reihe unterschiedlicher Simulationsergebnisse erzeugen, sagte Martinez. Statt einer Antwort muss der Arzt eine Reihe von Prognosen berücksichtigen, die sich auf Risikobewertungen und Behandlungsentscheidungen auswirken können, sei es eine Chemotherapie oder eine Operation.
„Wenn Sie mit realen Daten arbeiten, gibt es keine Einzellösung“, sagte Roberts. „Wenn ich bei einer Antwort wirklich zuversichtlich sein möchte, muss ich verstehen, dass der Wert irgendwo zwischen zwei Punkten liegen kann, und ich werde Entscheidungen treffen, die darauf basieren, dass ich weiß, dass er irgendwo in diesem Bereich liegt und nicht nur denke, dass er an einem Punkt liegt. ” Der erste Schritt der bildbasierten Simulation ist die Bildsegmentierung oder vereinfacht gesagt die Entscheidung, welches Pixel – Voxel in einem 3D-Bild – jedem Objekt zuzuordnen ist und damit die Grenze zwischen zwei Objekten zu ziehen. Von dort aus können Wissenschaftler damit beginnen, Modelle für die Computersimulation zu erstellen. Pixel und Voxel vermischen sich jedoch mit allmählichen Gradientenänderungen, sodass nicht immer klar ist, wo die Grenzlinie zu ziehen ist – die grauen Bereiche in einem Schwarzweiß-CT-Scan oder Röntgen, sagte Krygier.
Der EQUIPS-Workflow verbessert die Glaubwürdigkeit der endgültigen Simulationen, indem er die zuvor nicht erkannte Unsicherheit für den Entscheidungsträger sichtbar macht, sagte Krygier. EQUIPS kann zwei Arten von maschinellen Lerntechniken – Monte Carlo Dropout Networks und Bayesian Convolutional Neural Networks – verwenden, um eine Bildsegmentierung durchzuführen, wobei beide Ansätze einen Satz von Bildsegmentierungsproben erzeugen. Diese Abtastwerte werden kombiniert, um die Wahrscheinlichkeit abzubilden, dass sich ein bestimmtes Pixel oder Voxel in dem segmentierten Material befindet. Um die Auswirkungen der Segmentierungsunsicherheit zu untersuchen, erstellt EQUIPS eine Wahrscheinlichkeitskarte, um Segmentierungen zu erhalten, die dann verwendet werden, um mehrere Simulationen durchzuführen und Unsicherheitsverteilungen zu berechnen.
Um die vielfältigen Anwendungen zu veranschaulichen, die vom EQUIPS-Workflow profitieren können, demonstrierten die Forscher mehrere Anwendungen für die neue Methode: CT-Scans von Graphitelektroden in Lithium-Ionen-Batterien, die am häufigsten in Elektrofahrzeugen, Computern, medizinischen Geräten und Flugzeugen zu finden sind; eine Abtastung eines gewebten Verbundstoffs, der auf Wärmeschutz an atmosphärischen Wiedereintrittsfahrzeugen, wie beispielsweise einer Rakete oder einer Rakete, getestet wird; und Scans der menschlichen Aorta und Wirbelsäule. (Quelle: Sandia Lab)
Link: Engineering Sciences Center, Sandia National Laboratories, Albuquerque, USA
