/ Объемная цифра 1 * Казань Хобби, спорт и отдых ALL-aTop №215723
На сайте легко найти .
Не размещайте фотографии с изображением названий которые ставили на сайты типа(авито, юла, олх ) Объемная цифра 1 Казань
барахолка Продажа на ол а топ
Доска лучший способ снять, купить, Праздники, развлекательные мероприятия в Казани (цена минимальная), продать оптом на барахолке купить
Объемная цифра 1 из гофрированной бумаги, каркас из картона, размеры 65*42*13 Казань Праздники, развлекательные мероприятия * Купить в России недорого без посредников продать
Каталог товаров цены
Не используйте ключи других досок ()
Избегайте копирования со сторонних ресурсов ()
Проверяйте орфографию()
Пользователь единолично несет ответственность за содержание публикаций
.
Указывайте больше данных это приведет к увеличению просмотров, дата меняется на текущую если нажать на синюю стрелу(поднимайти публикации каждый день) пишите стоимость услуг(),тел, адрес где находиться(город, район), условия доставки, есть ли обмен и возврат, на каких условиях, возможна оптовая поставка(крупным оптом) или нет, тип, технические характеристики комплектации и цены, базар сдам(продам) Казань барахолка клиенты хотят выбрать сравнение, тесты, инструкции, отзывы(не забудьте добавить если есть)
Сделайте свой заголовок броским, запоминающимся и не длинным, короткие заголовки из одного двух слова в топ зайти сложно, поставьте фразы из трех пяти слов, в них должно быть главное(ключевая фраза)
Не забывайте ставить ссылки на контакты, социальные сети и мессенджеры, такие как facebook, vk, viber, odnoklassniki, skype, email, whatsapp, mail.ru, telegram
Предложение увидят тысячи посетителей в разных странах по всему миру.
Украина, Австралия, Италия, Россия, Азербайджан, Беларусь, США, Австрия, Босния и Герцеговина, Албания, Армения, Бахрейн, Швейцария, Алжир, Эстония, Франция, Грузия, Гвинея, Панама, Андорра, Об Арабские Эмираты, Афганистан, Сербия, Ангола, Аргентина, Барбадос, Бангладеш, Бельгия, Буркина-Фасо, Болгария, Бенин, Бразилия, Багамские Острова, Ботсвана, Белиз, Канада, Заир, Конго, Кот дИвуар, Чили, Камерун, Китай, Колумбия, Коста-Рика, Куба, Кипр, Чешская Республика, Германия, Дания, Египет, Испания, Эфиопия, Черногория, Финляндия, Габон, Великобритания , Гана, Экваториальная Гвинея, Греция, Гонконг, Гондурас, Хорватия, Гаити, Венгрия, Индонезия, Ирландия, Израиль, Индия, Ирак, Иран, Ямайка, Иордания, Япония, Кения, Кыргызстан, Сент-Китс и Невис, Северная Корея, Южная Корея, Кувейт, Казахстан, Ливан, Лихтенштейн, Шри-Ланка, Либерия, Литва, Люксембург, Латвия, Ливия, Марокко, Монако, Молдова, Мадагаскар, Македония, Мали, Мавритания
Лариса Долина обрезала волосы под мальчика и перекрасилась в каштановый цвет
Российская эстрадная певица Лариса Долина кардинально изменила свой образ перед концертным туром. Известная ранее пепельная блондинка показалась перед фанатами с челкой и темно-каштановым цветом волос.
Фотографию в новом амплуа 66-летняя исполнительница выложила на свою страницу в Instagram. Любительница длинных волос отрезала свои локоны, представ перед аудиторией с прической «под мальчика» (чтобы посмотреть фото, доскролльте до конца страницы).
Вокалистка позировала в бежевом макси-платье с разрезом на ноге и глубоким декольте. На ноги артистка обула высокие ботфорды со стразами.
Визажисты Долиной сделали ей яркий макияж, подчеркнув скулы знаменитости. Также у певицы были ярко нарисованы губы и подведены глаза.
Видео дняРоссийская артистка позировала на блестящем фоне, спрятав руки в карманах. На шее у нее висело колье, инкрустированное драгоценными камнями. Шею звезды оттеняли массивные черно-белые серьги.
Напомним, что ранее Долина неоднократно экспериментировала с волосами, наращивая длину и подрезая их до плеч. Артистка также любила делать объемные кудри и прическу «каре».
Однако эксперименты с цветом для певицы в новинку, поэтому подписчики забросали Ларису одобрительными отзывами. «Шикарно, вам очень подходит», «Богиня», «Невероятно красавица», – написали комментаторы.
Кратко о звезде:
Лариса Долина – советская и российская эстрадная и джазовая певица, актриса, народная артистка РФ. Трехкратная обладательница национальной русской музыкальной премии «Овация». Член партии «Единая Россия».
Ранее OBOZREVATEL писал, что Лариса Долина показала фигуру в клетчатом бикини. Откровенной фотографией артистка поделилась в своем профиле.
Что подарить девочке на Новый год 2022: идеи необычных подарков
Новый год для детей — это особенный праздник. Время наряжать елку и, конечно же, получать долгожданные сюрпризы. Поиски идеального подарка — ключевая предновогодняя задача для взрослых. Вкусы современных детей отличаются от наших, и это надо учитывать при выборе презента.
Чтобы понять, что подарить девочке на Новый год 2022, необходимо понимать вкусы ребенка. «Комсомолка» предлагает 25 идей, которые понравятся детям разных возрастов.
Топ-25 подарков девочке на Новый год
При выборе новогоднего подарка для девочки необходимо учитывать возраст и характер ребенка.
3-5 лет
Малыши в этом возрасте еще не такие требовательные к подаркам, как дети постарше, поэтому обрадовать их не составит труда. Лайфхак: если хотите точно знать чего точно хочет девочка — попросите ее написать заветное желание и пообещайте передать письмо прямо в руки Дедушке Морозу.
1. Нелопающиеся мыльные пузыри
Фото: pixabay.comНаблюдать за полетом мыльных пузырей, переливающихся всеми цветами радуги, теперь можно бесконечно долго. Они выдерживают соприкосновение с одеждой и кожей. Благодаря эластичной структуре пузыри лопаются не сразу, в отличие от аналогов на мыльной основе. Если обычный пузырь держит форму в среднем 10 секунд, то нелопающийся вариант — аж до 20 минут. Чем больше времени пузырь провел в воздухе, тем более прочным он стал. От такого волшебного подарка малышка точно будет в восторге.
2. Вигвам
Фото: @ron-lach, pexels.comМалыши любят строить домики и шалаши из подручных предметов — перевернутых стульев, простыней, одеял. Спрятаться там и играть в одиночестве или с друзьями — что может быть лучше! Чтобы спасти квартиру от спонтанных перестановок мебели, подарите малышке вигвам. Палатка состоит из крепкой каркасной основы, обтянутой тканью. Внутрь можно положить мягкую подушку и любимые игрушки ребенка. Это комфортный и безопасный способ для малышки уединиться в своем мирке тогда, когда ей этого захочется.
3. Трехколесный велосипед
Фото: pixabay.comДевочка уже выросла из коляски, но еще плохо держит равновесие? Подарите ей трехколесный велосипед. Его отличие от классической модели в том, что у него нет цепи и тормоза. Катаясь самостоятельно, ребенок учится контролировать свое тело, развивает мышцы. Если малышка устанет сама крутить педали, то родитель сможет контролировать скорость передвижения при помощи специальной ручки. А если выбрать модель со встроенной музыкальной панелью, то прогулки на воздухе станут еще более увлекательными.
4. Набор для боди-арта
Фото: pixabay.comПрактически все маленькие дети любят рисовать. Свои творческие идеи они выражают везде: на бумаге, на стенах и даже на теле. Можно смело утверждать, что малыш наверняка разрисует себя, если на некоторое время оставить его наедине с художественными принадлежностями. Обычные краски не отличаются безопасным составом, поэтому купите девочке аквагрим. Он яркий и сочный, легко смываются водой. С таким набором крошка сможет самостоятельно создать фантастический образ любимого персонажа.
5. Румбокс
Фото: pixabay.comМечта всех девчонок — роскошный домик для игрушек. Румбокс представляет собой кукольный дом, в котором отсутствует крыша и одна из стен. Почему именно так? Дело в том, что такая конструкция предоставляет юной принцессе полноценный доступ к пространству, давая возможность самостоятельно продумывать интерьер. Не забудьте вместе с румбоксом подарить девочке «жильцов» ее нового кукольного дома.
6-8 лет
Девочка 6-8 лет или готовится, или уже пошла в школу, поэтому подарок должен быть полезным и «взрослым» — ведь именно такими себя ощущают младшие школьники. В этом возрасте у ребенка есть свои интересы и хобби, поэтому учитывайте и это.
6. Детские смарт-часы
Фото: pixabay.comТакие часы, прежде всего, рассчитаны на безопасность. Модель имеет функцию SOS — когда ребенок звонит родителям по нажатию одной лишь кнопки. Аксессуар предусматривает поддержание технологии LBS, которая способствует отслеживанию местонахождения ребенка по расположению базовых станций сотовой связи. Производители не забывают и о практической части часов: ребенок сможет узнать время, звонить и отправлять текстовые сообщения.
7. Световой планшет для рисования
Фото: shutterstock.comИдеальное устройство для маленьких художниц. Компактный световой девайс в виде плоской пластиковой пластины может послужить как обучающим инструментом для практики в рисовании, так и для изучения правописания, изучения цифр и букв. Он способен накапливать и отражать свет в течение нескольких часов. Световой планшет предназначен для использования в темное время суток.
8. Деревянные пазлы с картинками из любимых мультиков
Фото: pixabay.comДети обожают мультики и вещи с изображением любимых мультипликационных героев. Отличной альтернативой очередной игрушке в виде персонажа станут пазлы из дерева. Они развивают внимание, мелкую моторику, тренируют память, при этом являются экологичными и совершенно безопасными. Пазлы станут увлекательным хобби и способом совместного времяпровождения с семьей.
9. Декоративная детская косметика
Фото: shutterstock.comМногие юные модницы неровно дышат к косметике. Чтобы малышка не таскала помаду из маминой косметички, подарите ей свой набор. Он содержит только безопасные для нежной детской кожи средства. Все изделия по своей форме и максимально приближены к взрослой косметике. Основной принцип такого презента в том, чтобы подарить приятные эмоции ребенку, дать ему почувствовать себя взрослее без вреда для здоровья.
10. Набор для создания украшений
Фото: pixabay.comПрелесть такого подарка в том, что с помощью него маленькая рукодельница сможет развивать свои творческие способности. Набор позволяет создавать уникальные украшения: бусы, колье, броши, браслеты и другую бижутерию. Своими руками девочка сможет сделать аксессуар не только для себя, но и для подружки или мамы.
9-11 лет
Современные 10-летние девочки уже перестают играть в куклы, переключаясь на более серьезные занятия. Обязательно обратите внимание на то, чем увлекается девочка и какие хобби выделяет. А если ребенок не определился с интересами, то ваш подарок может подтолкнуть его к новому увлечению.
11. Детская экшн-камера
Фото: pixabay.comВидеотехника разработана специально для маленьких экстремалок. Камера способна фиксировать все, что происходит вокруг ребенка. Отснятые фото и видео можно отредактировать благодаря встроенным средствам обработки или перенести на компьютер. Преимущество детской камеры перед взрослой — яркий дизайн, остальные функции почти не отличаются. Это отличный новогодний подарок для активной девочки.
12. Детский парфюм
Фото: pixabay.comС малых лет девочки подражают взрослым, надевая их одежду и даже пользуясь их духами. Понимая это, производители косметических средств разработали специальный детский парфюм, гарантирующий безопасность для ребенка. В составе духов присутствуют только безопасные компоненты, которые не отражаются на здоровье. Именно поэтому детский парфюм имеет легкий аромат и небольшую стойкость, полностью выветриваясь спустя несколько часов.
13. Портативная колонка
Фото: pixabay.comДетское музыкальное устройство по функционалу практически ничем не отличаются от взрослого, за исключением некоторых важных деталей. В ходе производства портативной колонки используются качественные и экологичные детали. Готовое устройство проходит более строгую проверку качества международного стандарта. Внешний вид колонки отличается яркими дизайнами, есть варианты в виде мультипликационных персонажей. Если девочка любит музыку, то такой подарок она оценит по достоинству.
14. Убегающий будильник
Фото: pixabay.comОригинальный подарок для тех, кто с трудом встает по утрам. Проснуться под забавный будильник — значит получить заряд бодрости и позитива на весь день. Приятным бонусом является яркий дизайн и приятные мелодии. При срабатывании будильника часы буквально убегают со своего места. Чтобы выключить «вредный» девайс, придется встать с кровати и поймать его.
15. Набор профессиональных маркеров
Фото: pixabay.comС помощью такого подарка маленькая художница сможет создать настоящий шедевр. Набор инструмента для профессионального рисования отличается от набора обычных маркеров богатой цветовой палитрой, лёгкой смешиваемостью оттенков между собой, качественным корпусом и формой (большинство маркеров с одной стороны имеют узкое перо, а с другой широкое). Если девочка увлекается рисованием, то обязательно присмотритесь к такому варианту новогоднего подарка.
16. Детский снегоход
Фото: pixabay.comВстроенная система безопасности — то, что главным образом отличает снегоход для ребенка. Их предельная мощность варьируется от 3-х до 7-ми лошадиных сил. Зимний транспорт для детей имеет ограниченную скорость передвижения, гарантируя безопасное использование. Большинство моделей рассчитаны на возраст от 9 лет. Если финансы позволяют сделать девочке такой подарок, то почему бы и нет. Подходит для регионов, где снежные зимы — обыденность, а не новогоднее чудо.
12-14 лет
В переломный подростковый период найти новогодний подарок девочке непросто. Берите на вооружение современные и модные товары.
17. Тапочки-единороги
Фото: @shvets-production, pexels.comХодить без тапочек зимой холодно и неуютно. Подарите девочке тапочки с милыми мордочками единорогов, и она точно не захочет их снимать. Прикольная домашняя обувь мягкая и очень удобная. Волшебная цветовая палитра способна вызвать восторг: есть разноцветные и однотонные варианты.
18. Набор светящихся в темноте прядей для волос
Фото: @ mccutcheon, pexels.comПомните моду на светящиеся в темноте ногти? Теперь на их смену пришли неоновые пряди волос. Подростки склонны к переменчивости в имидже, поэтому чтобы девочка не портила волосы, подарите ей такой аксессуар. Радужные волосы реагируют на ультрафиолетовые лучи, накапливая свет. Можно приобрести как однотонные, так и цветные варианты, или пряди в современной технике балаяж.
19. 3D-ручка с LCD-дисплеем
Фото: pixabay.comЭто актуальный вариант новогоднего подарка для творческой девочки. Такая вещица появилась в продаже не так давно и уже завоевала сердца многих людей. Инструмент позволяет создавать объемные рисунки и фигуры, что развивает фантазию. Устройство работает от аккумулятора или от сети, оснащено небольшим дисплеем.
20. Набор юного блогера
Фото: @kampus, pexels.comЕсли девочка активно ведет социальные сети или имеет свой блог, то подарите ей набор юного блогера. Он включает в себя кольцевую лампу, штатив, микрофон и наушники, линзы для смартфона. Такой презент развивает фантазию и творческое мышление. Девочка почувствует себя настоящей звездой.
15+ лет
Этот возраст — пора новых интересов и увлечений. Задача взрослых — поощрить интересы взрослеющей девочки.
21. Набор для маникюра
Фото: pixabay.comНе у всех и не всегда есть возможность регулярно посещать маникюрные салоны, поэтому иметь дома качественный набор инструментов — это правильно и удобно. Инструменты должны быть функциональными и качественными, чтобы не навредить ногтям. Хороший набор включает в себя лампу, базу/топ, цветной гель лак, пилочку, баф, ножницы, пилочку и обезжириватель.
22. Акваферма
Фото: pixabay.comСовместить огород и аквариум теперь стало возможным. Акваферма представляет собой небольшой сосуд, в верхней части которого можно вырастить зелень в небольших горшочках, а в нижней — наслаждаться видом пестрых рыбок. Устройство работает от электричества, потребляя мало энергии. Так же оно способно очищаться самостоятельно, поэтому подростку не придется постоянно беспокоиться о чистоте. Девочка, любящая домашний уют, точно оценит подобный новогодний подарок.
23. Смешная подушка
Фото: pixabay.comБюджетный подарок, в который можно вложить много смысла. Смешная подушка в виде кота, голубя, персонажа любимого фильма или мультфильма наверняка порадует девочку-подростка и займет достойное место в интерьере ее комнаты. Выбирайте вариант подушки-антистресс — такую точно не захочется выпускать из рук.
24. Чехол-аккумулятор для телефона
Фото: @goumbik, pixels.comПодростки не расстаются с телефонами — это известный факт. Чтобы девочка всегда оставалась на связи, подарите ей чехол-аккумулятор. Устройство соединяется со смартфоном с помощью специального адаптера, который вставляется в разъем для зарядки в смартфоне. Чтобы зарядить телефон, необходимо надеть чехол и подключить зарядное устройство в разъем, который обычно находится в нижней части чехла. Работа такого аккумулятора рассчитана примерно на 500 полноценных зарядок. Заранее узнайте точную модель смартфона девочки, чтобы угадать с формой и размером чехла.
25. Картина по номерам
Фото: pixabay.comНовый вид творчества, который полюбился многим — это создание картины по номерам. Вся фишка в том, что такой вид рисования позволяет создавать яркие художественные полотна даже людям без навыка. Завершенное творение выглядит настолько профессионально, что никто не сможет догадаться, что она была выполнена новичком. Для этого достаточно просто закрашивать в определенной последовательности пронумерованные участки такими же пронумерованными в определенной последовательности красками. Немного усидчивости — и шедевр готов.
Как выбрать подарок для девочки на Новый год
Помимо уже описанных советов ориентироваться на возраст и интересы ребенка, ориентируйтесь также на следующие моменты:
- обсудите вариант подарка с родителями — так вы сможете наверняка узнать что хочет ребенок, а также позволит не подарить случайно то, что у него уже есть;
- не забывайте о классических зимних подарках: мягкая пижама, теплые носочки, плед, набор маршмеллоу для какао — варианты типично новогодних подарков не устаревают и наверняка придутся кстати;
- что бы вы ни выбрали, не забудьте упаковать подарок в красивую бумагу или яркую коробочку с бантом,
- дополните презент любимыми сладостями — ребенок любого возраста точно скажет вам «спасибо».
Украинцы и глобальный мир. Вакцинация как источник косвенных данных — World News
Вакцинация от Covid-19 идет по всему миру.
Фото: Depositphotos.com/
В начале статьи автору хотелось бы сделать две оговорки.
1. Да простит меня уважаемый читатель, я буду говорить об Украине реальной и об окружающем ее реальном мире. Автор много лет проработал в качественных аналитических структурах (прежде чем поменять профиль и направление жизни). И при этом, в принципе, с большим интересом относится к мифам, как источнику инсайтов 🙂 и др. ценных наблюдений. Но отечественные мифы о самих себе иногда слишком дорого нам же самим обходятся. Со скромной тз автора.
2. То, что автор напишет, может заведомо не понравиться многим читателям. Большинство людей в Украине не вакцинированы от коронавируса и могут по ошибке воспринять позицию автора как сугубо провакцинаторскую или как критическую по отношению к их личным решениям. Но это не так. Позиция автора аналитическая, дистанцированная от полемики вокруг пользы или вреда вакцинации.
Вакцинация интересна тем, что дает объемные массивы данных. Большие, чем даже хорошие традиционные международные соцопросы. И, при этом, довольно прозрачные данные — причем не только для заинтересованного аналитика, но и для заинтересованного широкого читателя.
По поводу вакцинации, с моей точки зрения, каждый вправе сам принимать решение. Никто не знает про вакцинацию всего. Ни всех за, ни всех против. И эта неопределенность, «незнание всего» — типичная черта окружающего человека мира с древних времен по сей день.
При этом, человечеству, власть предержащим, элитам, населению вообще, всегда приходилось реагировать на вызовы. Вопреки упомянутому выше «незнанию всего». В основном, реагировать — более-менее прагматично используя то, что было известно на конкретный момент и представлялось наилучшим решением на этот момент.
Ну вот и мы попробуем воспользоваться данными, которые у нас есть на настоящий момент 🙂 Самое время рассказать о рабочей гипотезе.
Рабочая гипотеза автора сводится к тому, что если население ощущает себя частью развитого глобального мира, оно будет тяготеть отвечать на значимые вызовы так, как отвечает развитый глобальный мир.
Понятно, что есть нюансы. Например, сугубо с количественной точки зрения, охватить вакцинацией население Бахрейна проще, чем США или Индии. Но это не говорит о том, что тенденции в целом не заметны. И некоторые небольшие страны, в т.ч. на постсоветском пространстве, демонстрируют многократно более низкие темпы вакцинации.
Понятно, также, что развитые страны начали вакцинироваться раньше, потому что не спешили делиться вакцинами. Тем не менее, мы видим, что многие из развивающихся стран уже успели их догнать (даже перегнать, если посмотреть более полный список стран здесь: https://ourworldindata.org/covid-vaccinations).
Это позволяет, к примеру, предположить, что главной причиной низкого процента вакцинации в Украине (цифры будут ниже) на сегодня является уже не отсутствие вакцин или возможности вакцинироваться, а отношение населения к вакцинации.
Доля вакцинированных на 30 октября 2021 г. в некоторых странах.
Источник: https://ourworldindata.org/covid-vaccinations
Повторюсь, мы не оцениваем, «правильное» это отношение или нет. Только то, в одном оно тренде с развитым глобальным миром или нет.
Популярные статьи сейчас
COVID-сертификат в приложении Дія можно получить с обычным паспортом
Еще 3 области под угрозой попадания в «красную» зону
Лорак поразила повседневным образом
Украинцам показали свежие цены на подсолнечное масло в первые дни ноября
Показать еще
К слову, к «отношению населения», в принципе, можно условно отнести также отношение чиновников к процессу и к организации процессов (от собственно вакцинации до информирования). Но автору не хотелось бы углубляться в данном случае в эту тему. Мы обратим внимание в этой связи только на совпадение реакции страны с глобальным трендом и на скорость такой ее реакции на глобальный вызов.
«Локомотивы прогресса» на Западе и на Востоке могут реагировать на глобальные вызовы, задействуя различные институты, но те и другие стремятся реагировать как можно быстрее. Это иллюстрирует сам характер конкуренции в современном быстром и жестко конкурирующем глобальном мире.
Теперь приглашаю уважаемого читателя посмотреть на вторую картинку. Очевидно, что тщательно культивируемые в Украине мифы о «великой и неустанной интеграции» слишком очевидно не совпадают с такими «снимками из космоса» 🙂 объективной реальности.
ПолПолностью вакцинированное население на 30 октября 2021 г. Глобальная картина.
Источник: https://ourworldindata.org/covid-vaccinations
Есть ли у этой картинки также некоторая не буквальная, частичная, но все же проступающая связь и с уровнем бедности (завязанным не только на козни всяческих «империалистов», «рептилоидов» и иже с ними, но и на ментальность, завязанный на нее уровень организации процессов и степень реальной, невымышленной открытости миру)? Пусть читатель предположит сам.
Теперь посмотрим на ситуацию по регионам Украины и заметим, какие регионы больше включаются в глобальные тренды (и, соответственно, сами более склонны включать, продвигать Украину в глобальный мир), а какие — меньше.
Вакцинация по регионам Украины
Источник: Фейсбук-пост Евгения Истребина.
Для людей, знакомых с социологией по Украине, а не ориентирующихся на мифы, на картинке нет особых открытий. Киев — самый открытый мощным трендам город в стране. Что распространено среди столиц. И это, в т.ч., влияет на прилегающую область и прилегающие области.
Дальше интереснее. Можно предположить, что…
Промышленный, научный, образовательный потенциал крупных городов — областных центров (например, Днепра и Харькова) представляется на сегодня более определяющим фактором интеграции, чем собственно география. Они имеют собственную «гравитацию», не зависящую от прямого влияния Киева, но сами на соседние регионы влияют менее заметно.
Львовская область от этих центров отстает, но опережает, например, Одесскую. Понятно, что Одесса и область — это «две большие разницы». Но излюбленные местные мифы и реальность — тоже «две большие разницы» 🙂
Осторожно предположу также, что промышленный, научный, образовательный потенциал, возможно, влияют на «ментальный отклик» 🙂 больше и чем логистика. Ни собственно близость моря и морские перевозки, ни близость границы и трансграничные перемещения, ни даже наиболее современный грузопоток аэропортов не интегрируют настолько, насколько интегрируют развитая техническая и гуманитарная мысль, и непосредственная включенность населения в масштабные проекты (передовые для определенного времени) 🙂 Шутка с долей шутки 🙂
Ниже для иллюстрации и пущего интереса 🙂 вдумчивого читателя данные по аэропортам. Естественно, допандемийные.
Пассажиропоток аэропортов Украины. 2019 г.
Источник: Центр транспортных стратегий со ссылкой на Госавиаслужбу.
Оговорюсь, уважаемый читатель, для меня, как для психолога, совершенно очевидно, что регион — это не конкретный человек 🙂 Даже если этот человек — выходец из тяготеющего к закрытости или открытости региона, сам он может тяготеть к другой ментальности. То же относится и к жителям стран. Что не принижает ценности косвенных данных, когда речь идет о миллионах или миллиардах жителей стран и регионов.
Теперь я бы пригласил уважаемого читателя посмотреть на пару рисунков, касающихся возрастных различий.
Причем, сразу оговорюсь, что ценность таких данных в будущем может падать из-за распространения мер вакцинации, которые ее критики относят к принудительным. Пока что в мире (трудно судить насчет Китая и ряда других закрытых стран) доминируют данные, связанные с более-менее «самодеятельной» 🙂 вакцинацией населения. Но графики (в т.ч. по Украине, см. ниже) долго демонстрировали вполне достаточную устойчивость, чтобы делать выводы.
Возьмем Францию, как довольно нейтральный пример крупной европейской страны.
Вакцинация по возрастам Франция.
Источник: https://ourworldindata.org/covid-vaccinations
В целом, все возрастные группы демонстрируют высокую заинтересованность в вакцинации (как минимум 1-й дозой). Причем, мы не видим низкого интереса к вакцинации даже у населения в возрасте 18-24 лет. Зато видим очень высокую заинтересованность у населения в возрасте 70-79 лет. Что объяснимо с тз высоких рисков для пожилого населения. После 80-ти интерес несколько ниже, но незначительно.
Вакцинация по возрастам Украина.
Источник: Фейсбук-пост Евгения Истребина.
Украинские данные демонстрируют выраженную реакцию на разрастание пандемии и меры принуждения. Но заметно, что еще в начале октября и возрастная группа 20-39, и население в возрасте более 70-ти лет, в основном, реагировали индифферентно.
Заметно также, что наиболее интегрировано в глобальный тренд население в возрасте 40 — 59 лет.
Осторожно предположу :), что здесь накладываются два фактора.
Первый — рождение и получение образования в СССР, который был включен в современную ему глобальную конкуренцию гораздо более тотально и масштабно, чем современная Украина. Хотя ее и проиграл. Это тот фактор, который уже не воздействует на родившихся и учившихся мыслить большой мир в Украине.
Но, как показывает реакция украинского населения 70+, одного этого фактора недостаточно.
Второй фактор — информационная открытость демократического украинского общества.
Вероятно в сумме они дают наибольшую склонность реагировать в рамках глобальных трендов, т.е. наибольшую склонность к фактической интегрированности в «большой развитый мир».
——————————————————————————————————-
Рекомендуем по теме обзор Юрия Романенко, где показано, как провал вакцинации ударит по рейтингу Владимира Зеленского.
Источник: Хвыля.
Объемные данные — обзор
В этом разделе
Первые четыре главы посвящены реконструкции томографических изображений, где объемные данные восстанавливаются из данных проекции, собранных измерительным прибором под разными углами вокруг сканируемого объекта (т. Е. Пациента ). К измерительным приборам, использующим томографическую реконструкцию, относятся рентгеновская КТ (компьютерная томография), где данные проекции представляют собой ослабленные рентгеновские лучи, прошедшие через объект, и ПЭТ (позитронно-эмиссионная томография), где данные проекции представляют собой события распада радиоактивных изотопов
Глава 40, написанная Даной Ша, Бенджамином Брауном, Бёнхеном Джангом, Перхадом Мистри, Родриго Домингесом, Дэвидом Кели и Ричардом Муром, описывает трехмерную реконструкцию ткани груди с использованием обычных рентгеновских изображений, полученных с ограниченного количества углов.В этой главе дается хорошее высокоуровневое описание техники итеративной реконструкции.
Глава 41, написанная Абдеррахимом Бенкуассми, Эриком Фонтейном, Сянь-Синем и С. Ли, продолжает обсуждение методов итеративной реконструкции для улучшения качества КТ-реконструкции с помощью специальных измерительных приборов КТ.
Глава 42, написанная Гиллем Пратксом, Джинг-Ю Цуй, Свеном Превралом и Крейгом С. Левином, добавляет новый поворот в историю итеративной реконструкции, вводя методы управления реконструкцией данных, сгенерированных из случайных событий, таких как позитрон. события распада, измеренные при визуализации ПЭТ.В этом случае лучи проекции распределяются случайным образом, а не регулярно.
В главе 43, написанной Вэй Сюй и Клаусом Мюллером, рассматривается, как оптимально выбрать настройки параметров для реконструкции. По сути, эти настройки параметров управляют алгоритмами, подобными тем, которые были представлены в первых трех главах.
Следующие две главы посвящены реконструкции изображений магнитного резонанса (МРТ), когда данные, собранные в частотном пространстве, преобразуются в пространственные данные.
Глава 44, написанная Юэ Чжо, Сяо-Лун Ву, Джастином П.Халдар, Тибо Марин, Вен-мей Хву, Чжи-Пей Лян и Брэдли П. Саттон описывают, как вычисления на графическом процессоре позволили им улучшить качество МР-реконструкций, исправляя искажения, вносимые процессом измерения, при сохранении скорости реконструкции. на клинически приемлемом уровне.
В главе 45, написанной Марком Мерфи и Мики Лустиг, обсуждаются методы повышения скорости сканирования и реконструкции при создании МР-изображений, что делает МРТ более полезными в педиатрической медицине, где беспокойство маленьких пациентов часто препятствует их использованию.
В следующих трех главах описывается использование вычислений на графическом процессоре для обработки изображений после того, как они были собраны и реконструированы.
Простое добавление вычислительных возможностей графического процессора к популярному набору инструментов Insight Tool Kit (ITK) является предметом главы 46, написанной Вон-Ки Чон, Ханспетером Пфистером и Массимилиано Фатика. Поскольку ITK используется во многих дисциплинах для сегментации, регистрации и массажа данных изображений, методы, представленные в этой главе, применимы далеко за пределами медицинской визуализации.
Глава 47, написанная Джеймсом Шеклфордом, Нагараджаном Кандасами и Грегори Шарпом, подробно описывает, как они ускорили алгоритм деформируемой регистрации на основе B-сплайнов с помощью вычислений на графическом процессоре.
Многие алгоритмы обработки медицинских изображений зависят от хорошо составленных атласов. В каком-то смысле атласы предоставляют обобщенные справочные изображения, с которыми сравниваются другие изображения. В главе 48, написанной Линь Ха, Йенсом Крюгером, Клаудио Сильвой и Сарангом Джоши, обсуждается, как вычисления на GPU можно использовать для создания таких атласов.
Глава 49, написанная Вон-Ки Чон, Ханспетером Пфистером, Йоханной Бейер и Маркусом Хадвигером. , сочетает в себе несколько методов, помогающих решить сложную проблему отслеживания и восстановления трехмерных нейронных цепей (аксонов) на изображениях ткани мозга, полученных с помощью электронного микроскопа.С точки зрения вычислений на графическом процессоре, это особенно интересная проблема, поскольку такие пути в некоторой степени случайны, что затрудняет их реконструкцию для распараллеливания для вычислений на графическом процессоре. Кроме того, наборы данных электронного микроскопа чрезвычайно велики, и ими сложно управлять с помощью графического процессора.
В отличие от других глав этого раздела, глава 50, написанная Андреу Бадалом и Альдо Бадано, не имеет дело с фактическими данными изображения, а описывает, как моделировать процесс получения изображения.Хотя такое моделирование в основном используется исследователями, пытающимися улучшить процесс получения изображений, они потенциально могут использоваться как часть обработки клинических изображений, например, в алгоритмах итеративной реконструкции, представленных в первых главах этого раздела.
обзор литературы по фундаментальной науке и медицинскому восприятию изображений
Реферат
Интерпретация объемных медицинских изображений представляет собой быстро растущую долю рабочей нагрузки в радиологии.Однако относительно мало известно о стратегиях, которые лучше всего определяют поведение при поиске аномалий в объемных изображениях. Хотя существует обширная литература по восприятию двумерных медицинских изображений, остается открытым вопрос, можно ли обобщить выводы, сделанные на основе этих изображений, на объемные изображения. Важно отметить, что объемные изображения имеют определенные характеристики (например, прокрутка по глубине, плавное отслеживание движений глаз, сигналы начала движения и т. Д.), Которые следует учитывать в будущих исследованиях.В этой рукописи мы рассмотрим литературу по восприятию медицинских изображений и обсудим соответствующие результаты фундаментальной науки, которые могут быть использованы для создания прогнозов об опыте интерпретации объемных изображений. Лучше понимая поиск по объемным изображениям, мы сможем определить общие источники ошибок, охарактеризовать оптимальные стратегии поиска по глубине или разработать новые методы обучения и оценки для врачей-радиологов.
Ключевые слова: Восприятие медицинских изображений, Радиология, Визуальный поиск, Экспертиза, Объемные медицинские изображения
Значимость
Объемные медицинские изображения, такие как сканирование компьютерной томографии (КТ), состоят из серии сложенных двухмерных (2D) изображения, позволяющие более точно представить трехмерную (3D) природу анатомических структур тела.В последние годы наблюдается устойчивый рост количества объемных медицинских изображений, интерпретируемых в диагностической радиологии. Хотя объемные изображения обычно ассоциируются с лучшей производительностью, пропущенные или неправильные диагнозы остаются преобладающими в радиологии. В этом обзоре мы обсудим результаты фундаментальных научных исследований визуального внимания и памяти, которые могут помочь в нашем понимании объемного поиска медицинских изображений. Кроме того, мы обсудим то, что уже известно о поиске объемных изображений, в обзоре литературы по восприятию медицинских изображений.Хотя в настоящее время имеются существенные пробелы в наших знаниях о том, как лучше всего искать объемные изображения, этот тип исследования может в конечном итоге выявить превосходные стратегии поиска для оценки объемных изображений, определить, когда вероятны ошибки, или привести к улучшенным методам обучения для новых радиологов. .
Введение
Объемная медицинская визуализация, такая как КТ, магнитно-резонансная томография (МРТ) или цифровой томосинтез груди (ДГТ), помогает сохранить трехмерную природу внутренних структур тела путем наложения нескольких изображений поперечного сечения.Этот метод визуализации часто приводит к получению огромного количества информации, которую рентгенолог может оценить (Andriole et al., 2011): одна рентгенограмма грудной клетки теперь часто дополняется компьютерной томографией грудной клетки со стопкой из 1000 изображений с высоким разрешением (рис.) . К сожалению, отклонения от нормы иногда очень малы по сравнению с общим размером изображения. Чтобы проиллюстрировать эту точку зрения, Рубин (2015) подсчитал, что узелки рака легких размером от 4 до 10 мм составляют 0,01% или меньше от общего объема при типичном КТ грудной клетки.Узелки рака легкого такого размера будут видны только на нескольких срезах, что делает их не обнаруживаемыми в течение подавляющего большинства общего времени поиска рентгенологом (Рубин, 2015). Как опытные радиологи эффективно разбирают всю эту информацию и обнаруживают потенциальные отклонения? Есть ли оптимальные стратегии для навигации по объемным изображениям? К сожалению, несмотря на десятилетия исследований восприятия медицинских изображений, относительно мало известно об опыте интерпретации объемных медицинских изображений.Однако, учитывая растущее количество объемных изображений в радиологии, ответы на эти вопросы, вероятно, будут в авангарде исследований восприятия медицинских изображений в ближайшие годы (McDonald et al., 2015).
Сравнение размеров двумерных медицинских изображений и объемных медицинских изображений. Размеры изображений являются приблизительными, и фактические размеры изображений могут значительно различаться в зависимости от случая. Для оценки размера узелков в легких используется монитор с разрешением 96 точек на дюйм. КТ, компьютерная томография
Целью данной рукописи является обзор литературы и выявление текущих пробелов в нашем понимании интерпретации объемных изображений с использованием фундаментальной научной основы.Во-первых, мы обсудим преимущества использования фундаментальных научных исследований внимания и памяти для создания обоснованных прогнозов о восприятии медицинских изображений. Далее мы обсудим девять областей исследований, которые, по нашему мнению, лучше всего отражают текущие приоритеты в данной области (таблица). В каждом из этих разделов мы обсудим соответствующие выводы из литературы по фундаментальной науке и медицинскому восприятию изображений и выделим перспективные области для будущих исследований. Этот обзор не следует рассматривать как исчерпывающий обзор литературы.Например, не будем подробно останавливаться на дебатах о переходе от аналоговой радиологии к цифровой. Хотя история создания объемных изображений — сама по себе интересная тема, она выходит за рамки данного обзора. Кроме того, мы не будем подробно обсуждать уникальные методологические проблемы, связанные с исследованиями объемной визуализации, и подходы, которые исследователи использовали для их решения. Вместо этого мы направляем читателя к существующим ресурсам, которые подробно освещают эту тему (Rubin, Drew, & Williams, 2018; Venjakob & Mello-Thoms, 2015).Скорее, эта рукопись представляет собой избранный обзор литературы по восприятию объемных изображений через призму фундаментальных исследований зрительного внимания и памяти. Хотя многие из этих тем, несомненно, относятся и к 2D-визуализации, основная цель этой рукописи — сосредоточить внимание на вопросах, наиболее актуальных для объемной визуализации, и послужить катализатором для будущих исследований в этой области.
Таблица 1
Важные области исследования объемного восприятия изображений
Что мы можем узнать о восприятии медицинских изображений из фундаментальных научных исследований?
В течение нескольких десятилетий исследователи пытались охарактеризовать, как опытные радиологи интерпретируют медицинские изображения.Одновременно с этим ученые-когнитивисты создают огромное количество литературы по визуальному поиску, используя строго контролируемые лабораторные задачи, такие как «найти горизонтальную линию среди вертикальных линий». На первый взгляд, эти искусственные задачи имеют мало общего со сложными радиологическими задачами, такими как определение признаков рака груди на маммограмме. Однако по своей сути обе эти задачи можно охарактеризовать как визуальный поиск и полагаться на одни и те же механизмы (Wolfe, Evans, Drew, Aizenman, & Josephs, 2016).В последние годы ученые-когнитивисты продемонстрировали замечательный потенциал применения результатов фундаментальной науки для решения реальных задач, таких как радиология (рис.). Например, наблюдатели в лаборатории часто не замечают человека, проходящего через баскетбольный матч в костюме гориллы, когда они выполняют второстепенную задачу (например, подсчет количества передач между игроками), явление, известное как «слепота невнимания» (Саймонс И Chabris, 1999). Точно так же 83% радиологов пропустили изображение гориллы размером со спичку, встроенное в срез компьютерной томографии грудной клетки, когда они искали признаки рака легких (Drew, Võ, & Wolfe, 2013).Это исследование может помочь объяснить, почему случайные находки, которые представляют собой неожиданные отклонения, которые не являются основным предметом поиска, иногда упускаются в радиологии (Wolfe, Soce, & Schill, 2017).
Хотя многие результаты лабораторных задач визуального поиска были воспроизведены в медицинской литературе по восприятию изображений (например, Evans, Georgian-Smith, et al., 2013; Drew et al., 2013), четкого аналога объемным изображениям не существует. в фундаментальной научной литературе. Тем не менее, понимание будущих направлений исследований по поиску объемных изображений может быть получено из результатов визуального поиска в 2D, а также из растущих исследований в области вождения, визуального поиска в реальном мире, замкнутого телевидения (CCTV) и виртуальной реальности.Ультразвуковое изображение, перепечатанное из Hansen et al. (2016). Ультрасонография почек: фотообзор. Diagnostics , 6 (1), 2., и используется здесь в соответствии с лицензией Creative Commons. Изображение патологии получено из коллекции Sarcomas Консорциума клинического протеомного анализа опухолей Национального института рака (CPTAC-SAR) за 2018 г. и использовано здесь в соответствии с лицензией Creative Commons License
Примеры трансляционных исследований из фундаментальной науки в радиологию, которые были подробно описаны в другом месте (Wolfe, 2016 ; Wolfe et al., 2016), подчеркивают перспективу использования наших знаний о человеческом познании для прогнозирования того, как радиологи ищут медицинские изображения и когда они будут наиболее подвержены ошибкам. Однако объемная визуализация создала новый набор проблем как для радиологов, так и для исследователей восприятия, стремящихся лучше их понять. Впервые объемная визуализация была введена в клиническую практику в 1970-х годах, но в последние годы произошло резкое увеличение размера и количества объемных изображений, интерпретируемых в читальном зале радиологии (Andriole et al., 2011; Макдональд и др., 2015). Например, количество поперечных изображений в одном учреждении увеличилось в десять раз с 1990 по 2010 год (McDonald et al., 2015). К сожалению, большинство исследований восприятия медицинских изображений основано на 2D-изображениях, таких как рентгенограммы грудной клетки. В области фундаментальной науки существует обширная литература по визуальному поиску в двумерных лабораторных задачах и постоянно растущая литература по поиску в трехмерном мире. Однако объемные изображения нельзя однозначно отнести ни к одной из этих категорий (рис.). Тем не менее, есть ряд выводов из этих двух источников литературы, которые могут дать представление об интерпретации объемных изображений, которые мы выделим в этом обзоре.
Хотя большую часть работы радиолога можно охарактеризовать как принятие решений, например, определение того, является ли подозрительное открытие злокачественным или доброкачественным, в этом обзоре основное внимание будет уделено тому, как обнаруживаются и идентифицируются потенциальные аномалии с помощью визуального поиска. Чтобы ограничить обсуждение визуального поиска, мы в первую очередь будем полагаться на модель управляемого поиска (Wolfe, Cave, & Franzel, 1989).Модель управляемого поиска утверждает, что ранняя информация направляет внимание снизу вверх или сверху вниз к определенным функциям сцены. Направление снизу вверх определяется свойствами самого стимула. Например, при отсутствии другой задачи ярко-красный мак в поле ромашек может привлечь внимание. Напротив, руководство сверху вниз определяется внутренним состоянием наблюдателя и историей выбора. Внимание, направленное сверху вниз, часто может подавлять влияние механизмов снизу вверх.Например, целевые репрезентации, хранящиеся в памяти, могут помочь отвлечь внимание от заметных отвлекающих факторов (например, красного мака) и к особенностям окружающей среды, которые соответствуют характеристикам цели. Вместе восходящие и нисходящие факторы создают карту приоритетов, которая направляет внимание на области сцены, которые с большей вероятностью могут содержать цель.
Какие свойства стимула направляют внимание в объемных медицинских изображениях?
Направляющие снизу вверх при визуальном поиске могут быть очень эффективными, когда наиболее заметные объекты в сцене соответствуют вашим целям (например,g., выявление большой опухоли головного мозга), но вредно, если ваша задача включает обнаружение незаметных целей (например, небольших узелков рака легкого). К сожалению, наиболее заметные области медицинских изображений не всегда являются наиболее информативными для рентгенолога. Один хорошо зарекомендовавший себя механизм ограничения влияния восходящей информации — это нисходящие знания о задаче. При прочих равных, эксперты должны иметь возможность лучше использовать нисходящую стратегию при поиске медицинских изображений, чем новички, благодаря своим обширным медицинским знаниям и прошлому опыту работы с аналогичными изображениями.По той же причине наибольшие различия между экспертами и новичками следует искать в задачах, для которых стратегия снизу вверх не приносит пользы. В целом эти прогнозы получили хорошую поддержку в радиологии, в дополнение к ряду других задач и профессий (Cooper, Gale, Darker, Toms, & Saada, 2009; Humphrey & Underwood, 2009; Koide, Kubo, Nishida, Shibata, И Икеда, 2015; Лэнсдейл, Андервуд и Дэвис, 2010). Например, движения глаз новичков точно предсказывались с помощью карты значимости при анализе компьютерной томографии головного мозга одного среза на предмет выявления нарушений мозгового кровообращения (Matsumoto et al., 2011, см. Также Nodine, Kundel, Lauver, & Toto, 1996). Точно так же эксперты рассматривали клинически значимые малозаметные области дольше, чем новички. Однако, если клинически значимые области были наиболее заметными, движения глаз экспертов и новичков не различались (Matsumoto et al., 2011).
Необходимы дальнейшие исследования, чтобы определить особенности, которые влияют на обнаруживаемость аномалий в объемных медицинских изображениях. На рентгенограммах грудной клетки исследователи использовали отслеживание глаз, чтобы различать свойства поражения, которые изначально привлекают внимание во время поиска (измеряемое временем до первого удара), и те, которые удерживают внимание после обнаружения отклонения (измеряемое временем пребывания) (Крупински , Berger, Dallas, & Roehrig, 2003).В контексте управляемого поиска «время до первого попадания» обеспечивает индекс свойств стимула, которые более эффективно направляют внимание к поражению во время визуального поиска, тогда как время задержки, вероятно, отражает процессы распознавания или принятия решений. Хотя был оценен ряд характеристик (например, отношение сигнал / шум, заметность, местоположение и кальцификация), ни одна из этих характеристик не повлияла на то, как быстро внимание будет направлено на соответствующее место на изображении. Однако как размер узелков, так и их заметность влияли на время пребывания на поражении и предсказывали общую скорость обнаружения узелков.Напротив, Кармоди, Нодин и Кундель (1981) обнаружили, что заметность узелков влияет как на поиск, так и на процессы принятия решений. Менее заметные узелки выявлялись реже в парадигме просмотра со вспышкой и были связаны с большим количеством сравнительных сканирований с нормальными структурами изображения во время свободного просмотра (определяемого как фиксация на аномалии с последующей саккадой и рефиксацией). В будущей работе было бы полезно оценить роль сравнительных сканирований для выявления различных типов поражений на объемных изображениях.Например, процесс принятия решения для идентификации узелка в легких может включать сравнение того, как внешний вид аномалии изменяется по глубине относительно нормальных структур на изображении (например, кровеносных сосудов).
Чтобы определить, какие особенности стимула улучшают обнаруживаемость при поиске объемных изображений, может быть полезно опираться на фундаментальную научную литературу. Согласно Wolfe and Horowitz (2004), есть четыре основных атрибута, которые были четко установлены на основе сходных данных в литературе: движение, цвет, ориентация и размер.Хотя все эти функции, несомненно, важны для обнаружения аномалий на медицинских изображениях, движение — это атрибут, который однозначно применим к объемным изображениям. В объемных изображениях может казаться, что структуры движутся вдоль 2D-плоскости, когда наблюдатель перемещается по глубине изображения, что, как считается, вызывает плавные движения глаз преследования, когда наблюдатель отслеживает эти структуры по глубине (Venjakob & Mello-Thoms, 2015 ). Кроме того, некоторые аномалии, такие как узелки рака легких, появляются и исчезают при прокрутке изображения по глубине из-за быстрых изменений диаметра структуры.Это явление может имитировать внезапные сигналы начала движения, которые, как известно, привлекают визуальное внимание (Abrams & Christ, 2003; Girelli & Luck, 1997; Jonides & Yantis, 1988; Theeuwes et al., 1999). Кроме того, движение может служить механизмом фильтрации при визуальном поиске и точно предсказывать, где будет распределяться внимание в динамических сценах (Kramer, Martin-Emerson, Larish, & Andersen, 1996; McLeod, Driver, Dienes, & Crisp, 1991; Mital et al. др., 2011). Кроме того, даже если движение не является определяющим признаком цели, наблюдатели узнают частые ассоциации между целями и их перемещениями и используют эту информацию для направления поиска (Scarince & Hout, 2018).
Хотя фундаментальная наука предполагает, что сигналы движения служат эффективной формой наведения на цель, только несколько исследований касались этой темы в области восприятия медицинских изображений. Например, исследователи обнаружили, что искусственное наведение сигналов движения в статические изображения увеличивает способность обнаружения как при маммографии, так и при рентгенографии грудной клетки (Andia et al., 2009). Кроме того, исследователи проверили предсказание о том, что поиск в окнах меньшего размера будет лучше, чем поиск в окнах большего размера на объемных изображениях, поскольку он повысит способность обнаруживать сигналы движения с помощью фовеального зрения (Venjakob, Marnitz, Phillips, & Mello-Thoms, 2016). .Хотя не было общих различий в точности между условиями, меньший размер изображения был связан с более быстрым обнаружением аномалий. Наконец, Накашима и др. (2016) проверили, менее вероятно, что узелки в легких будут обнаружены на ранних этапах исследования, когда релевантные для задачи сигналы начала движения (например, узелки в легких), вероятно, скрыты одновременными сигналами начала движения из не относящейся к задаче информации (например, кровеносные сосуды). . Они обнаружили значительный эффект от местоположения конкреций для новичков, но не для экспертов, что говорит о том, что экспертам не нужно так сильно полагаться на эти восходящие сигналы для обнаружения целей.Вероятно, это связано с тем, что у экспертов есть дополнительные механизмы, такие как четкое представление цели и улучшенная целостная обработка, которые также помогают в обнаружении отклонений.
Каковы общие источники ошибок при интерпретации объемных медицинских изображений?
Во время визуального поиска считается, что репрезентации цели в памяти направляют внимание сверху вниз к функциям в среде, которые соответствуют характеристикам цели (Olivers & Eimer, 2011; Olivers, Meijer, & Theeuwes, 2006; Soto, Heinke , Хамфрис и Бланко, 2005).В типичных лабораторных парадигмах наблюдатель ищет одну четко определенную цель, которая либо получает сигнал при каждом испытании, либо остается неизменной на протяжении всего эксперимента. Однако поиск целей в более реалистичных обстоятельствах, когда информация о цели ухудшена, может быть более сложной задачей. Эффективность поиска лучше, когда информация о цели точна (например, изображения), а поиск менее эффективно управляется неточными (например, словесными подсказками) или категориальными (например, кошки против Гарфилда) целевыми репликами (Hout & Goldinger, 2015; Вулф, Горовиц, Кеннер, Хайл и Васан, 2004 г.).Кроме того, когда на изображении присутствует несколько целей (например, Гарфилд и Нермал), вторая цель с меньшей вероятностью будет обнаружена после обнаружения первой (Berbaum et al., 1990; Cain & Mitroff, 2013). Это явление первоначально называлось «удовлетворение поиском», что предполагало, что ошибка была вызвана преждевременным прекращением поиска после обнаружения первой цели (Berbaum et al., 1990; Tuddenham, 1962). Однако последующие исследования поставили под сомнение это объяснение (Berbaum et al., 1991), и считается, что эти ошибки имеют несколько причин (Cain, Adamo, & Mitroff, 2013). В результате термин «последующие промахи при поиске» был предложен как теоретически нейтральная альтернатива (Cain & Mitroff, 2013). К сожалению, задача радиолога часто представляет собой наихудший сценарий для репрезентаций цели: выявление неопределенного числа плохо определенных аномалий.
Учитывая эти проблемы, особенно важно рассмотреть, как различные методы визуализации могут улучшить способность радиолога выявлять аномалии.Например, двухмерная медицинская визуализация заставляет наблюдателя рассматривать органы как перекрывающиеся структуры, что может скрыть результаты и обеспечить неточные пространственные отношения между анатомическими структурами. Напротив, хотя объемная визуализация не является действительно трехмерной, меньше необходимости мысленно переводить анатомические структуры из их 2D-представлений в трехмерный мир. Неперекрывающиеся структуры, а также наличие сигналов движения могут улучшить способность обнаруживать отклонения в объемных изображениях.Помимо скрининга рака груди, прямые сравнения между объемными изображениями и их двумерными аналогами редко (Andersson et al., 2008; Ciatto et al., 2013; Gennaro et al., 2010; Gur et al., 2009; Michell et al., al., 2012; Rafferty et al., 2013; Spangler et al., 2011). Однако исследования, в которых использовался этот подход, продемонстрировали, что объемные изображения связаны с повышенной точностью (Adamo et al., 2018; Aizenman et al., 2017; Alakhras et al., 2015; Blanchon et al., 2007; Mathie & Strickland, 1997; Зельцер и др., 1995). Важно отметить, что эти различия в точности обычно связаны как с увеличением частоты совпадений, так и с уменьшением количества ложных срабатываний. Однако объемная визуализация также связана со значительными затратами: значительным увеличением времени поиска и уменьшением общего охвата (Adamo et al., 2018; Aizenman et al., 2017; Lago et al., 2018).
Важно отметить, что, хотя объемная визуализация, по-видимому, превосходит другие методы визуализации, как вариабельность между наблюдателями, так и общая частота ошибок в радиологии предполагают, что есть существенные возможности для улучшения.Кроме того, недавние исследования показывают, что объемная визуализация не может быть универсальной выгодой (Lago et al., 2018). При сравнении трехмерного томосинтеза молочной железы (DBT) и односрезового DBT не было различий в производительности, когда читателей просили идентифицировать опухоли. Напротив, 2D-визуализация была связана с лучшим обнаружением микрокальцификаций. Исследователи предположили, что объемная визуализация приводит к меньшему охвату изображения и большей зависимости от парафовеальной обработки. Следовательно, объемная визуализация, вероятно, будет стоить дорого, когда аномалии не могут быть легко обнаружены на периферии.
Чтобы лучше понять источники ошибок при интерпретации объемных изображений, полезно выйти за рамки поведенческих данных. Например, если наблюдатель пропускает поражение, часто неясно, не смогли ли они его найти или локализовали, но решили, что о нем не следует сообщать. По этой причине отслеживание взгляда широко используется для определения того, почему отклонения от нормы не учитываются при выполнении различных радиологических задач, таких как скрининг рака легких (Manning, Ethell, & Donovan, 2004). В целом, как ложноположительные, так и ложноотрицательные решения связаны с более длительным временем ожидания, что указывает на то, что неправильные решения часто связаны с дополнительным вниманием (Kundel, Nodine, & Krupinski, 1989; Manning, Barker-Mill, Donovan, & Crawford, 2006 ).Слежение за глазами также использовалось для выявления трех различных типов ошибок: ошибки поиска возникают, когда поражение не имеет ямок, ошибки распознавания возникают, когда поражение фиксируется на короткое время (менее 1 с), но не регистрируется, и возникает ошибка принятия решения. когда поражение фиксируется в течение длительного периода времени (> 1 с), но не сообщается (рис. a, Kundel, Nodine, & Carmody, 1978).
a Иллюстрация того, как пропущенный узелок можно классифицировать как ошибку поиска, распознавания или принятия решения с использованием отслеживания взгляда.Желтые круги обозначают фиксации, а красный квадрат обозначает область интереса для аномалии. b Пример расчета покрытия изображения
При скрининге рака легких с помощью рентгенограмм грудной клетки наиболее распространенным типом ошибок являются ошибки принятия решений, за которыми следуют ошибки распознавания и поиска (Donovan & Litchfield, 2013; Kundel et al., 1978). Тем не менее, Дрю и др., 2013 наблюдали относительно небольшую долю ошибок принятия решений при скрининге рака легких с использованием компьютерной томографии грудной клетки.В 3D-колонографии пролетающего мимо ствола, виртуальной навигации через внутрипросветную реконструкцию толстой кишки, большинство ошибок было идентифицировано как ошибки распознавания, а ошибок поиска практически не было (Phillips et al., 2013). Кроме того, ошибки были равномерно распределены между ошибками поиска и распознавания при идентификации микрокальцификатов в DBT (Lago et al., 2018). Однако ошибки были в первую очередь ошибками распознавания для идентификации масс. Эти исследования являются хорошими примерами расширения текущих показателей отслеживания взгляда на объемные изображения, что позволяет проводить прямые сравнения между этими модальностями.Таким образом, исследователи обнаружили, что объемная визуализация может улучшить способность точно идентифицировать аномалию после того, как она была обнаружена в различных задачах, что может быть преимуществом неперекрывающихся структур (Drew et al., 2013; Lago et al. др., 2018; Phillips et al., 2013). Однако распределение ошибок может существенно различаться в зависимости от характера задачи или даже между стратегиями поиска в рамках одной и той же задачи (Drew et al., 2013; Lago et al., 2018). В будущих исследованиях также будет важно определить, как распределение ошибок меняется в процессе обучения интерпретации объемных медицинских изображений, что в конечном итоге может дать представление о типе помощи (например,g., компьютерное обнаружение), что было бы наиболее полезно для разных уровней опыта.
Хотя аналогичные подходы использовались для классификации ошибок в 2D и объемных изображениях (Drew et al., 2013; Lago et al., 2018; Phillips et al., 2013), в значительной степени неясно, соответствуют ли пороговые значения для этих категорий подходит для объемных изображений. Исследователям также важно рассмотреть целесообразность применения этих категорий к разным типам задач. Конечно, ненормальность, на которой не фиксируется фиксация, указывает на некоторый уровень ошибки поиска, но определение того, является ли фиксационное время пребывания в течение промежуточного времени (например,g., 500 мс) представляет собой ошибку распознавания или принятия решения, которая, вероятно, зависит как от поставленной задачи, так и от уровня знаний наблюдателя. Например, общее время пребывания узелков на рентгенограммах грудной клетки у экспертов было меньше, чем у слушателей, что отражалось в увеличении количества ошибок распознавания по сравнению с ошибками принятия решений (Donovan & Litchfield, 2013).
Альтернативный подход к классической классификации ошибок Кунделя был недавно предложен Cain et al. (2013). После записи движений глаз для тысяч испытаний они использовали подход на основе данных для рассматриваемой задачи (в их случае — задача визуального поиска с несколькими целями) для описания различных типов ошибок.Подходы, основанные на данных, позволяют регулировать порог между ошибками распознавания и принятия решения для заданного стимула на основе распределения времени ожидания или среднего наклона поиска. Используя этот подход, Cain et al. (2013) определили порог ~ 25% от значения, обычно используемого в качестве порога для восприятия медицинских изображений. Примечательно, что было мало доказательств, подтверждающих четкое качественное различие между ошибками распознавания и принятия решений. Скорее, данные можно было бы более адекватно описать с помощью моделей перцептивного принятия решений, таких как дрейфовая диффузия (Ratcliff & McKoon, 2008), которые постулируют, что доказательства медленно накапливаются во время фиксации на предмете, пока не будет достигнут порог принятия решения.С этой точки зрения ошибки распознавания и принятия решений возникают не в виде отдельных категорий, а в виде континуума. Кроме того, Cain et al. (2013) продемонстрировали, что ошибки поиска для второй цели можно разделить на новые категории. В некоторых испытаниях поиск прекращался, как только первая цель была идентифицирована, без попытки найти вторую цель (ошибка «стратегии»). В других испытаниях первая цель была повторно зафиксирована во время поиска (ошибка «истощения ресурсов»), что предполагает, что ресурсы рабочей памяти могли быть исчерпаны из-за сохранения информации о первой цели (Cain and Mitroff, 2013).Это исследование подчеркивает, что не существует универсального подхода к классификации ошибок между задачами, а также возможности классификации на основе данных для получения дополнительной информации об источниках ошибок при визуальном поиске. Хотя этот подход требует большого количества данных, которые может быть трудно собрать наблюдателям-радиологам, может быть информативным использование метода, управляемого данными, для создания таксономии ошибок при поиске объемных изображений. Например, аномалия может быть пропущена в объемном изображении, если аномалия видна во время поиска, но никогда не фиксируется, но ошибка пропуска может также возникнуть, если фрагмент изображения, содержащий аномалию, никогда не посещается.Хотя обе они будут считаться ошибками поиска в соответствии с системой классификации Кунделя, они, вероятно, представляют собой разные источники ошибок.
Каковы последствия повышенной когнитивной нагрузки и как их преодолеть?
В свете повышенной способности обнаруживать аномалии в объемных изображениях можно было ожидать, что объемные изображения будут связаны со сниженной когнитивной нагрузкой. Однако студенты-медики сообщают о больших умственных усилиях при просмотре объемных изображений, что может быть связано с увеличением размера, сложности и времени оценки, связанными с этими изображениями (Stuijfzand et al., 2016). Этот вывод, по-видимому, подтверждается размером зрачка, физиологической мерой когнитивной нагрузки (Porter, Troscianko, & Gilchrist, 2007; Unsworth & Robison, 2018), которая увеличивается со временем поиска в объемных изображениях (Stuijfzand et al., 2016). Аналогичным образом, недавняя работа с патологами груди, исследующими слайды цифровой патологии, показала, что диаметр зрачка чувствителен к воспринимаемой сложности случая: более сложные случаи обычно были связаны с большим диаметром зрачка (Brunyé et al., 2016). Результаты из самых разных источников позволяют предположить, что визуальный поиск ухудшается, когда рабочая память облагается налогом. Одновременная нагрузка на пространственную рабочую память снижает эффективность визуального поиска как в лабораторных, так и в прикладных задачах, таких как вождение автомобиля (Oh & Kim, 2004; Recarte & Nunes, 2003). Кроме того, известно, что характерные восходящие функции более эффективно привлекают внимание при когнитивной нагрузке (Matsukura, Brockmole, Boot, & Henderson, 2011). Обычно наблюдатели в естественных задачах стремятся минимизировать свою когнитивную нагрузку, часто сканируя свое окружение, особенно когда нагрузка на память высока и задача непредсказуема (Droll & Hayhoe, 2007).У новичков этот эффект кажется преувеличенным: более слабые шахматисты предпочитают ходы, которые уменьшают нагрузку на рабочую память, например, уменьшение количества фигур на доске (Leone, Slezak, Cecchi, & Sigman, 2014).
В радиологии увеличение когнитивной нагрузки и усталости может отрицательно сказаться на уходе за пациентом. Расхождения увеличиваются в последние часы долгого рабочего дня, и объемные изображения были определены как фактор риска для этих расхождений (Ruutiainen, Durand, Scanlon, & Itri, 2013).После просмотра изображений компьютерной томографии у наблюдателей снизилась точность, повысилось зрительное утомление и увеличилось зрительное напряжение (Krupinski et al., 2012). Точно так же протоколы «думай вслух» показывают, что радиологи чаще говорят об эффективных стратегиях поиска и навыках манипулирования изображениями в объемных изображениях, чем в 2D-изображениях (van der Gijp et al., 2015). Кроме того, одно исследование показывает, что пациенты в большей степени подвержены усталости, чем эксперты, при обнаружении аномалий при КТ брюшной полости (Bertram et al., 2016).В будущих исследованиях необходимо будет определить, какие стратегии поиска лучше всего компенсируют когнитивную нагрузку, связанную с объемными медицинскими изображениями.
Каковы лучшие стратегии глубинного поиска в различных задачах и модальностях?
Одно из особенно многообещающих направлений исследований — это изучение того, как изменение поведения прокрутки может быть связано с производительностью поиска. Дрю и др. (2013) обнаружили, что принятие стратегии быстрого «просверливания» по глубине при сохранении фиксации превосходит «сканирование» плоскостей x и y при медленном перемещении по глубине во время скрининга рака легких (рис.). Хотя это исследование не тестировало использование сигналов движения напрямую, возможно, что сверление позволяет наблюдателю более эффективно использовать преимущества временных сигналов движения, чтобы отличать кровеносные сосуды от узелков, которые, кажется, «появляются и исчезают из поля зрения» во время прокрутки. глубина. В поддержку этого предложения Wen et al. (2016) обнаружили, что сканеры и бурильщики используют разные восходящие сигналы в задачах скрининга рака легких. Похоже, что бурильщики лучше умеют использовать заметные сигналы движения, тогда как поисковое поведение сканеров в значительной степени определяется выраженностью 2D.Помимо общих различий в производительности, распределение ошибок между сканерами и бурильщиками различалось: бурильщики, как правило, имеют больше ошибок распознавания, чем сканеры, а сканеры, как правило, делают больше ошибок поиска, чем бурильщики. В настоящее время неясно, как эти поисковые стратегии возникают в процессе обучения. Дрю и др. (2013) обнаружили, что бурильщики, как правило, читают больше компьютерных томографов в неделю, чем сканеры. Тем не менее, не было различий в стратегии поиска, основанной на многолетнем опыте, а размер выборки был недостаточно велик, чтобы полностью разделить влияние стратегии поиска и опыта на общую производительность.
При поиске узлов в легких с помощью компьютерной томографии (КТ) грудной клетки появляются две стратегии: сканирование и сверление. Сканеры перемещают взгляд по двухмерной плоскости, медленно прокручивая глубину. В отличие от этого бурильщики держат глаза относительно неподвижно в одной области за раз, быстро прокручивая глубину. В настоящее время в значительной степени неизвестно, как эти стратегии применимы к другим модальностям или задачам. Рисунок перепечатан с разрешения Rubin et al. (2018).Восприятие объемных данных. В Справочник по медицинскому восприятию изображений и технологиям (Том 2). Кембридж, Соединенное Королевство: Издательство Кембриджского университета. Первоначальная фигура была воссоздана по рисункам Дрю, В, Олвала и др. (2013). Сканеры и бурильщики: характеристика экспертного визуального поиска по объемным изображениям. Journal of Vision , 13 (10), 3
В будущих исследованиях будет полезно изучить лучшие стратегии поиска в объемных изображениях для различных задач и модальностей.Стратегии поиска, наиболее эффективные для данной задачи (например, обнаружение очаговых аномалий, таких как узелки рака легких), могут не быть оптимальными для аномалий, определяемых различными восходящими свойствами (например, обнаружение диффузных аномалий, таких как пневмония). Есть несколько хороших примеров этих сравнений из исследований с использованием 2D медицинских изображений (например, Gegenfurtner & Seppänen, 2013; Krupinski, 2005; Krupinski et al., 2003; Mousa et al., 2014). Например, при просмотре рентгенограмм грудной клетки выявляются различные шаблоны поиска диффузных аномалий, очаговых аномалий и нормальных изображений (Kok, De Bruin, Robben, & van Merriënboer, 2012).Кроме того, у экспертов и новичков разные модели поведения в зависимости от типа аномалии. Диффузные нарушения обычно приводили к более коротким и рассредоточенным фиксациям, но этот эффект был более выражен у студентов. Напротив, очаговые аномалии характеризовались более длительной фиксацией в данном месте. Примечательно, что при прямом сравнении томосинтеза груди и КТ грудной клетки Aizenman et al. (2017) обнаружили, что томосинтез груди привел к более строгой стратегии сверления, чем КТ грудной клетки.Кроме того, ни один наблюдатель не принял стратегию сканирования. Точно так же, хотя и сканеры, и бурильщики могли быть идентифицированы при обследовании КТ брюшной полости и таза, не было никакого преимущества в точности, связанного с работой бурильщика (Kelahan et al., 2019-2019). Различие между сканером и бурильщиком также недавно было распространено на область цифровой патологии, где врачи панорамируют и увеличивают большие изображения, чтобы более внимательно рассмотреть подозрительные области (Mercan, Shapiro, Brunyé, Weaver, & Elmore, 2018). В этой области сканирование, по-видимому, является доминирующей стратегией, но не было никаких различий в производительности.В будущих исследованиях может оказаться полезным более систематически оценивать свойства стимула, влияющие на относительную долю этих стратегий в объемных изображениях.
Недавнее исследование подошло к вопросу об изменчивости шаблонов сканирования у разных наблюдателей с использованием нового инструмента под названием ScanMatch (Crowe, Gilchrist, & Kent, 2018). Метод ScanMatch сравнивает последовательности фиксации между наблюдателями, присваивая буквенное значение каждой области и генерируя последовательность строк для каждого участника.Затем эти строки сравниваются между наблюдателями, и получается оценка сходства. В этом исследовании наблюдатели просмотрели два прогона МРТ головного мозга с фиксированной скоростью. В целом эксперты использовали больше похожих схем сканирования, чем новички. Кроме того, большее сходство было связано с лучшей производительностью. Эти результаты можно объяснить несколькими способами. Во-первых, возможно, что эксперты руководствуются статистическими отклонениями, обнаруженными при первом предъявлении стимула, что подтверждается повышенными оценками сходства для истинно положительных результатов и более низкими оценками сходства для ложноотрицательных результатов.Однако такая же закономерность не была обнаружена для истинно отрицательных результатов, что побудило авторов предположить, что вместо этого эксперты могли бы использовать более систематические стратегии поиска при отсутствии статистических нарушений. В соответствии с этой точкой зрения, наблюдатели применяют стратегии эндогенного систематического поиска в визуальных дисплеях, в которых отсутствуют функции, которые обычно определяют поведение при поиске, такие как заметность и семантическая информация (Solman & Kingstone, 2015). Кроме того, стратегии систематического поиска были более тесно связаны с наиболее успешными игроками.В будущих исследованиях было бы интересно проверить эти прогнозы более непосредственно при поиске объемных изображений, особенно в том, что касается надежности поведения прокрутки по глубине с использованием более клинически обоснованных парадигм свободной прокрутки.
Как изучаются закономерности сцены в объемных изображениях?
В типичной лабораторной поисковой задаче наблюдателя могут попросить указать, присутствует или нет цель на дисплее, который состоит из случайно упорядоченных объектов на пустом фоне.Напротив, сцены реального мира богаты контекстом, а соседние объекты часто тесно связаны друг с другом. Зубная щетка возле раковины в ванной будет идентифицирована быстрее, чем зубная щетка, помещенная на пианино или плавающая в воздухе (Torralba, Oliva, Castelhano, & Henderson, 2006). Эта форма нисходящего руководства называется грамматикой сцены (Võ & Wolfe, 2015). Для знающего наблюдателя медицинские изображения также хорошо структурированы и контекстуальны. Например, камни в желчном пузыре всегда находятся в желчном пузыре, расположенном под печенью.Это сильно ограничивает области КТ брюшной полости, которые необходимо исследовать на наличие камней в желчном пузыре. Считается, что этот тип нисходящего знания изменяет области рентгенограмм грудной клетки, которые исследуются в ходе обучения, что приводит к качественно разным схемам поиска между экспертами и новичками (Kundel & La Follette, Jr., 1972; Manning, Ethell, Донован и Кроуфорд, 2006 г.). Важно отметить, что этот эффект, кажется, развивается органически без каких-либо явных инструкций о том, как искать на рентгенограммах грудной клетки, что предполагает, что он в значительной степени обусловлен нисходящими знаниями о том, где могут возникнуть аномалии, а не обучением конкретным стратегиям поиска.
Хотя наше знание мира позволяет нам сделать обоснованное предположение о том, где найти зубную щетку в доме незнакомца, мы, вероятно, быстрее найдем зубную щетку в собственной ванной комнате из-за неоднократного опыта. В лаборатории выигрыш от времени отклика от многократных воздействий на один и тот же поисковый массив называется контекстной подсказкой (Chun & Jiang, 1998). Хотя эти эффекты обычно наблюдаются в высокоискусственных задачах поиска, контекстная подсказка также встречается в динамических задачах, где цели и отвлекающие факторы постоянно перемещаются по определенной траектории, трехмерных дисплеях глубины, на открытом воздухе и в виртуальных квартирах (Chun & Jiang, 1999; Jiang, Won, Swallow, & Mussack, 2014; Kit et al., 2014; Ли, Айвар, Кит, Тонг и Хэйхо, 2016 г .; Занг, Ши, Мюллер и Кончи, 2017). Более того, хотя объектная информация является сильным контекстным сигналом (Koehler & Eckstein, 2017), контекстное руководство не обязательно зависит от объектов в сцене; эту информацию можно извлечь из статистических закономерностей в визуальных объектах низкого уровня (Torralba et al., 2006). Кроме того, контекстная подсказка толерантна к ряду изменений между воздействиями (Song & Jiang, 2005).
Учитывая большой размер объемных медицинских изображений (Andriole et al., 2011; McDonald et al., 2015), для радиологов, несомненно, важно использовать некоторые из вышеупомянутых механизмов, чтобы сузить область поиска до соответствующих областей пространства. Просто непрактично искать каждый пиксель большого компьютерного томографа (рис.), И вполне вероятно, что это руководство сверху вниз является одним из самых больших преимуществ опыта (обзоры см. В Gegenfurtner et al., 2011 и van der Gijp и др., 2016). Однако, в отличие от интерпретации двухмерных медицинских изображений, влияние нисходящих знаний на стратегию поиска наблюдателя в процессе обучения при чтении объемных изображений в значительной степени неизвестно, особенно в том, что касается прокрутки по глубине.Как правило, экспертные исследования подходят к этим вопросам путем анализа косвенных показателей, таких как охват изображения или время до первого попадания, на разных уровнях опыта (например, Donovan & Litchfield, 2013; Manning et al., 2006). Однако может быть трудно отделить влияние медицинских знаний от изученных статистических закономерностей, используя эти косвенные меры нисходящей обработки. Дополнительным подходом к этим косвенным измерениям может быть обучение начинающих наблюдателей искусственным объемным дисплеям и определение того, как поведение поиска меняется с опытом.
Каковы особенности экспертизы объемной интерпретации изображений?
Преимущество регулярностей в нашей среде заключается в том, что мы можем формировать подробные представления сцены, известные как схемы, для управления поведением визуального поиска. Например, контекстная подсказка, по-видимому, полагается на ресурсы пространственной рабочей памяти для выражения, но не получения выученных отображений (Annac et al., 2013; Manginelli, Langer, Klose, & Pollmann, 2013). Считается, что пространственная рабочая память быстро связывает текущую конфигурацию поиска со схемами, хранящимися в долговременной памяти, делая наблюдателя чувствительным к статистическим отклонениям в их среде.Фактически, знакомые сцены, представленные в течение доли секунды, можно точно разделить на категории (Potter, 1975), направить последующие движения глаз (Castelhano & Henderson, 2007) и повысить обнаруживаемость новых объектов в сцене (Brockmole & Henderson, 2005; Чен и Зелинский, 2006). Это явление упоминается в литературе как «суть», «целостная» или «глобальная» обработка, и его часто изучают с использованием парадигмы движущегося окна вспышки (Castelhano & Henderson, 2007). В этой парадигме наблюдателям показывается краткий предварительный просмотр сцены, за которым следует маска и последующий целевой сигнал.Задача поиска выполняется с использованием окна контингента взгляда, которое устраняет влияние онлайн-парафовеальной обработки и изолирует эффект предварительного просмотра сцены (то есть первоначального целостного впечатления) на поведение при поиске.
В радиологии положительные эффекты предварительного просмотра сцены кажутся более скромными, чем те, которые наблюдаются в литературе по визуальному поиску. Предварительный просмотр сцен перед задачей обнаружения рака легких был связан с небольшим сокращением времени поиска и меньшим количеством общих фиксаций (Litchfield & Donovan, 2016).Однако эти преимущества не соответствовали повышению точности и были слабо связаны с опытом. Кроме того, превью сцены оказывалось вредным, если патология варьировалась между испытаниями. Тем не менее, есть убедительные доказательства того, что радиологи могут быстро обнаруживать статистические аномалии на медицинских изображениях. Kundel и Nodine (1975) обнаружили, что 70% узелков в легких были обнаружены после того, как рентгенограммы грудной клетки просматривались только в течение 200 мс. Точно так же исследования показали, что маммографы могут классифицировать изображения как нормальные или ненормальные с большей вероятностью после просмотра их в течение всего 250 мс (Evans, Georgian-Smith, Tambouret, Birdwell, & Wolfe, 2013).Однако возможность локализовать эти поражения была случайной (хотя см. Carrigan, Wardle, & Rich, 2018). Кроме того, большинство (57%) случаев рака груди и большая часть (33%) рака легких фиксируются в первую секунду просмотра, а этого времени просто недостаточно для тщательного поиска (Donovan & Litchfield 2013; Kundel, Nodine, Conant, & Weinstein, 2007; Kundel, Nodine, Krupinski, & Mello-Thoms, 2008). Кроме того, отслеживание глаз демонстрирует, что опыт связан со значительными различиями в поведении поиска: эксперты демонстрируют больше схем кругового сканирования, более короткое время до первой фиксации, большую продолжительность фиксации, меньшее количество фиксаций, меньшее покрытие изображения и меньшую изменчивость взгляда ( Kundel & La Follette, Jr., 1972; Маклафлин, Бонд, Хьюз, МакКоннелл и Макфадден, 2017 г.). Примечательно, что шаблоны сканирования, подобные экспертам, могут предшествовать принятию экспертных решений (Kelly, Rainford, Darcy, Kavanagh, & Toomey, 2016).
Эти данные привели к созданию серии моделей восприятия медицинских изображений, в которых целостная обработка является важным компонентом экспертных знаний (Drew et al., 2013; Nodine & Kundel, 1987; Swennson, 1980). Свенсон предложил двухступенчатую модель. На первом этапе используется фильтр предварительного внимания, аналогичный теории интеграции признаков (FIT), который быстро выбирает определенные области изображения для обработки.На втором этапе дополнительно исследуются области, отмеченные на первом этапе. Точно так же Нодин и Кундель (1987) предложили модель глобального фокального поиска. Во время первоначального глобального впечатления изображение быстро сравнивается со схемой обычного изображения наблюдателя. На следующем этапе отклонения между изображением и мысленным представлением дополнительно оцениваются с использованием сфокусированного внимания. Наконец, Дрю и др. (2013) обрисовали в общих чертах модель, основанную на двух параллельных путях (см. Также Wolfe, Võ, Evans, & Greene, 2011).Неселективный путь извлекает глобальную информацию из изображения, используя большое поле зрения. Выборочный путь извлекает подробную визуальную информацию, которая поддерживает распознавание объектов с использованием более фокусного поиска. Хотя эти модели имеют нюансы, все они подчеркивают важность быстрого извлечения глобальной информации для управления поисковым поведением: способность, которая, как считается, увеличивается с опытом.
Хотя об опыте работы с 2D-изображениями известно много, исследований по объемным изображениям гораздо меньше.Из существующих исследований несколько рудиментарных результатов были воспроизведены в объемных изображениях (таблица). Например, эксперты более точны, быстрее ищут, быстрее обнаруживают аномалии и проявляют больше фиксации в интересующих областях (Bertram, Helle, Kaakinen, & Svedstrom, 2013; Cooper et al., 2009, 2010; Mallett et al., 2014). Однако многие результаты, основанные на 2D медицинских изображениях, не были воспроизведены с использованием объемных изображений (таблица). Например, Bertram et al. (2013) не обнаружили различий в средней продолжительности фиксации между экспертами и новичками, которая обычно используется в качестве показателя повышенной способности к обработке с опытом.Кроме того, исследователи не обнаружили групповых различий в амплитуде саккад, которая является ключевым показателем способности глобальной обработки. Аналогичным образом Mallett et al. (2014) не смогли найти каких-либо различий в движениях глаз между экспертами и новичками в пролётной эндолюминальной КТ-колонографии, кроме сокращения времени до первого преследования. Однако в обоих этих исследованиях использовались задачи (например, увеличение лимфатических узлов, висцеральные аномалии и полипы толстой кишки), которые далеки от задач, обычно используемых в исследованиях с 2D-изображениями.В настоящее время неясно, связаны ли эти различия с характером задачи или фундаментальными различиями в том, как опыт выражается в объемной визуализации. Фактически, существует очень мало прямых сравнений с отслеживанием взгляда между 2D и объемным поиском. В редком примере этого подхода Aizenman et al. (2017) обнаружили, что томосинтез груди был связан с более длительной фиксацией и меньшим охватом изображения, чем традиционная маммография. Однако амплитуда саккад была эквивалентной, что предполагает равную способность полагаться на парафовеальную обработку в обеих модальностях.
Таблица 2
Список общих результатов экспертизы на двумерных изображениях. Многие из этих основных результатов экспертизы либо не воспроизведены, либо еще не проверены на объемных изображениях (особенно с использованием парадигм свободной прокрутки с наложенными изображениями). литературе по восприятию, но почти совершенно неизвестно, как эти способности могут проявляться в объемных изображениях.Одна из возможностей состоит в том, что глобальные впечатления постоянно формируются на 2D-плоскости по мере того, как наблюдатель прокручивает глубину. Например, наблюдатель может быстрее фиксировать аномалии с того момента, как они впервые появляются на экране (например, Helbren et al., 2014, 2015). В этом случае аналоги мер отслеживания взгляда, связанные с глобальной обработкой при интерпретации 2D-изображений, должны быть перенесены на объемные изображения (таблица). Однако глобальное представление сцены также может быть сформировано путем быстрой прокрутки по глубине изображения до использования более фокусного шаблона поиска.Это предложение нашло поддержку в литературе. В реальных задачах, таких как приготовление сэндвича, наблюдатели проводят первоначальное сканирование сцены, что помогает им быстрее находить целевые объекты во время выполнения задачи (Hayhoe, Shrivastava, Mruczek, & Pelz, 2003). Более того, возможно, что способность глобальной обработки выражается по-разному в зависимости от стратегии поиска наблюдателя. Для сканеров глобальные оттиски могут быть созданы на 2D-плоскости с каждым переходом по глубине.Напротив, бурильщики могут создать глобальное впечатление, прокручивая глубину, а затем возвращаясь к слоям глубины, которые были статистически аномальными.
В дополнение к сканерам и бурильщикам были предложены другие показатели поведения прокрутки по глубине в связи с возможностью глобальной обработки (таблица): количество посещений на срез, количество колебаний (прокрутка назад и вперед менее чем на 25%). глубины), количество половинных прогонов (прокрутка назад и вперед до 25–50% глубины) и количество полных прогонов (прокрутка назад и вперед через> 50% глубины) (Venjakob, Marnitz, Mahler, Sechelmann, & Roetting, 2012).Считается, что радиологи, которые проводят более полные исследования, используют более глобальный процесс поиска, который должен расширяться с опытом наблюдателя. Однако это предложение еще не было проверено, и эти меры не получили широкого распространения за пределами этого первоначального исследовательского исследования с использованием изображений компьютерной томографии черепа.
Таблица 3
Общие показатели айтрекинга, их когнитивные корреляты и предлагаемые аналоги для объемных медицинских изображений. ROI, область интереса
В других сферах медицинской визуализации, которые можно рассматривать как аналог объемных изображений, таких как виртуальная микроскопия, существует четкая связь между опытом и возможностями глобальной обработки (Krupinski, Graham, & Weinstein, 2013; Krupinski et al. al., 2006). Хотя патологи с любым уровнем опыта, вероятно, выбирали информативные области для мест, которые они хотели бы увеличить, более опытные патологи тратили меньше времени на оценку областей, которые в конечном итоге не будут выбраны для увеличения. Эти данные, в дополнение к ряду важных поведенческих мер и мер отслеживания взгляда, позволяют предположить, что опытные патологи имеют повышенную способность быстро извлекать наиболее важную информацию из медицинских изображений. Другие исследования выявили сходство в стратегиях поиска между цифровой патологией и объемной визуализацией (Mercan et al., 2018), но в значительной степени неясно, как эти результаты связаны с опытом в той или иной области. Кроме того, между этими изображениями есть явные различия: выбор просмотра видимой части изображения с большим разрешением — это не то же самое, что прокрутка для отображения визуальной информации, встроенной по всей глубине изображения. Мы считаем, что есть ряд многообещающих областей для будущих исследований, связанных с тем, как поведение при поиске может отличаться от опыта в самых разных областях (например,г., патология, УЗИ).
При обсуждении изменений в стратегии поиска с экспертами следует учитывать важное предостережение: различия в шаблонах поиска между экспертами и новичками не обязательно означают, что обучение новичка использованию этих стратегий повысит производительность. Во многих случаях исследования показывают, что усиление целевого шаблона за счет большего воздействия на примеры нормальных и аномальных изображений было бы гораздо более выгодным для новичка, чем указание им, где искать (Chen et al., 2017; Донован и Литчфилд, 2013 г .; Кундель и Ла Фоллет, мл., 1972; Manning et al., 2004; Nodine et al., 1996, 1999). Хотя есть соблазн определить кратчайшие пути к опыту, большинство усилий по обучению новичков использованию новых стратегий или следованию путям сканирования экспертов имели скромный успех или ограниченную обобщаемость (Gegenfurtner, Lehtinen, Jarodska, & Saljo, 2017; Kok et al. , 2016; Litchfield, Ball, Donovan, Manning, & Crawford, 2010; Mello-Thoms, 2008; van Geel et al., 2017).При рассмотрении этого вопроса может быть полезно подумать, какие аспекты визуального поиска можно улучшить с помощью этих методов. Обучение новичков имитации поискового поведения экспертов могло бы улучшить общую стратегию поиска, но сомнительно, что эти методы существенно улучшили бы возможности глобальной обработки, которая считается отличительным признаком опыта. Скорее, возможности глобальной обработки приписываются большей способности быстро обнаруживать статистические отклонения в изображении с помощью сильных мысленных представлений, которые приобретаются благодаря обширному опыту.Примечательно, что опытные радиологи ищут разные области изображения в каждом случае, что, как считается, определяется глобальными свойствами каждого изображения (Manning, Ethell, & Crawford, 2003). Однако обученные рентгенологи, как правило, последовательно пропускают одни и те же области, что, вероятно, отражает стратегию, на которую больше влияют априорные вероятности обнаружения аномалии в данном месте (Manning et al., 2003). Эти результаты показывают, что, хотя и эксперты, и новички полагаются на свой предыдущий опыт при поиске, эксперты имеют более сильные ментальные представления, на которые можно полагаться, чем новички.В будущих исследованиях, направленных на поиск более эффективных методов обучения, следует рассмотреть, какие элементы знаний требуют опыта, а какие являются усвоенными стратегиями. Кроме того, может быть полезно сосредоточиться на поддержке радиологов на разных этапах развития, а не на поиске ярлыков между ними.
Помимо различий на уровне группы между экспертами и новичками, может быть не менее полезным изучить, как идиосинкразии в движениях глаз связаны со значительной вариабельностью в производительности, наблюдаемой среди экспертов.Хейс и Хендерсон (2017) обнаружили, что вариации в схемах сканирования объясняют большую часть различий в объеме рабочей памяти, скорости обработки и интеллекта людей. Более того, индивидуальные различия в шаблонах сканирования кажутся довольно стабильными для разных типов задач, даже если использование жесткого шаблона сканирования может быть неоптимальным (Andrews & Coppola, 1999; Henderson & Luke, 2014; Mehoudar, Arizpe, Baker, & Yovel). , 2014; Paeye & Madelain, 2014; Poynter, Barber, Inman, & Wiggins, 2013; Rayner, Li, Williams, Cave, & Well, 2007).Кроме того, шаблоны сканирования многое говорят о стратегии поиска человека, например о предпочтении скорости или точности (Hogeboom & van Leeuwen, 1997). Многие исследователи пытались определить, существуют ли общие когнитивные способности, связанные с опытом в радиологии, которые могут помочь предсказать, кто может стать лучшим радиологом, или объяснить, почему равный опыт не приводит к эквивалентной производительности. Эти подходы в значительной степени оказались безуспешными и рисуют убедительную картину специфичности предметной области с опытом (Beck, Martin, Smitherman, & Gaschen, 2013; Evans et al., 2011; Келли, Рейнфорд, Макинти и Кавана, 2017; Леонг и др., 2014; Майлс-Уорсли, Джонстон и Саймонс, 1988; Нодин и Крупински, 1998). Однако результативность первого испытания задачи визуального поиска предсказывает, какие люди будут хорошо работать с опытом, что предполагает наличие важных индивидуальных характеристик, которые не были учтены в предыдущих исследованиях (Ericson, Kravitz, & Mitroff, 2017). Исследования из литературы по фундаментальным наукам показывают, что различия в движениях глаз могут дать представление об этих вопросах, но это еще не было оценено в литературе.
Каковы последствия ограниченного объема памяти при поиске объемных изображений?
Управляемый поиск предполагает, что внимание будет направлено на подмножество элементов в вашей среде, которые с большей вероятностью станут вашей целью. Например, если вы ищете салат ромэн в продуктовом магазине, уход за зелеными продуктами сокращает общее количество предметов, которые необходимо оценить. Однако само собой разумеется, что визуальный поиск был бы наиболее эффективным, если бы когнитивная система отслеживала, какие зеленые элементы уже были оценены, чтобы направить внимание на новые места и минимизировать непреднамеренные движения глаз в ранее посещенные места.Такой механизм был бы особенно полезен для профессиональных визуальных поисковиков, таких как радиологи, которым необходимо эффективно определять, какие области больших объемных изображений они уже оценили, и когда пришло время перейти к другой задаче. Многие модели визуального поиска неявно предполагают, что ранее посещенные объекты никогда не будут переоценены (например, Treisman & Gelade, 1980). В соответствии с этим предположением, исследования показали, что наблюдатели ищут так, как будто у них есть неявная память о том, где они недавно смотрели: саккады с большей вероятностью будут двигаться в том же направлении, что и предыдущая саккада, чем в противоположном направлении (Klein & MacInnes, 1999), саккадическая латентность выше в ранее посещенных местах, чем в новых (Vaughan, 1984), а скорость рефиксации больше напоминает модель, которая предполагает память о предыдущих фиксациях, чем модель, которая этого не делает (Bays & Husain, 2012; Peterson, Kramer, Wang, Ирвин и Маккарли, 2001).
Обычно предлагаемый механизм для этого явления — ингибирование возврата (IOR), который является термином, используемым для описания времени задержки ответа на зонды в недавно посещаемых местах по сравнению с новыми местами (Posner & Cohen, 1984). Считается, что в реальных задачах поиска IOR служит помощником в поиске пищи (Klein & MacInnes, 1999). В поддержку этой гипотезы Klein and MacInnes (1999) обнаружили, что саккады к зонду в поисковой задаче Where’s Waldo задерживались в недавно (2–3 задних) фиксированных местах.Однако, несмотря на очевидную полезность механизма памяти в визуальном поиске, свидетельства в его пользу на удивление неоднозначны. Horowitz и Wolfe (1998) обнаружили, что на эффективность поиска не влияет перемещение объектов по сцене каждые 100 мс, что предполагает, что память обычно играет незначительную роль в визуальном поиске. Эта экстремальная модель поиска без памяти неоднократно подвергалась сомнению (например, Geyer, Von Mühlenen, & Müller, 2007; Kristjánsson, 2000; Peterson et al., 2001; Shore & Klein, 2000), но эти результаты действительно указывают на то, что визуальный поиск может задействовать меньше памяти для ранее посещенных мест, чем подсказывает наша интуиция.
Одно из предложений, которое пытается примирить эти противоречивые доказательства, состоит в том, что IOR служит препятствием для настойчивости в визуальном поиске, но слишком ограничен по объему (~ 4 элемента) и занимает слишком много времени, чтобы проявить (~ 200–300 мс), чтобы произвести поиск, который «образцы без замены» (Wolfe, 2003). Эти ограничения также ставят под сомнение идею о том, что IOR может играть существенную роль при прокрутке больших объемных медицинских изображений, требующих сотен фиксаций. Более того, IOR, по-видимому, сильно нарушается из-за прерываний, особенно когда массив поиска больше не отображается (Takeda & Yagi, 2000).Это говорит о том, что IOR может быть тесно связан с объектами сцены, а не с пространственным расположением. Если IOR эффективен только тогда, когда помеченные объекты видны, переход на новые уровни глубины может нарушить процесс и еще больше ограничить полезность механизма IOR при поиске объемных изображений.
Похоже, что неявная память для ранее просматриваемых мест довольно ограничена, но как насчет явной памяти? При поиске сложной сцены (например, Where’s Waldo ) наблюдатели могут отличать собственные движения глаз от случайно сгенерированных путей сканирования (Foulsham and Kingstone, 2013a, 2013b; Võ, Aizenman, & Wolfe, 2016).Однако наблюдатели близки к случайности отличить свои собственные фиксации от фиксации посторонних, особенно в статических изображениях (Foulsham and Kingstone, 2013a, 2013b; van Wermeskerken, Litchfield, & van Gog, 2018; Võ et al., 2016). Одно из объяснений этой модели результатов заключается в том, что наблюдатели полагаются на свое знание того, где было бы наиболее целесообразно смотреть на изображении для выполнения задачи, а не на сохранение представления своего пути сканирования в памяти (Foulsham & Kingstone, 2013a, 2013b ; Võ et al., 2016). В качестве дополнительной поддержки этой точки зрения наблюдатели могут лучше различать собственные движения глаз в данной сцене, когда второй наблюдатель искал другой элемент, и чрезмерно представляют вероятность того, что объекты, которые легко доступны в памяти, были зафиксированы во время визуального наблюдения. поиск (Кларк, Махон, Ирвин и Хант, 2017). Вместе эти результаты указывают на удивительно плохую явную память для ранее посещенных мест, которая в первую очередь обусловлена обоснованными предположениями о том, где кто-то должен был смотреть в сцене, а не памятью как таковой.
Какие последствия плохая неявная и явная память имеют для рентгенологов, просматривающих объемные изображения? Если вы забыли, где утром искали ключи, в худшем случае вы опоздали на работу на несколько минут, потому что проверяли одни и те же места более одного раза. Тем не менее, для радиолога было бы очень важно забыть, проверяли ли он всюду на наличие признаков травм после автомобильной аварии. Это может быть особенно актуально для объемных изображений: может быть труднее поддерживать представление о том, где вы уже выполняли поиск, когда изображения увеличиваются в размере.Кроме того, если вы потеряете место, потребуется больше времени, чтобы начать заново или повторить ваши шаги в большом компьютерном томографе, чем на рентгенограмме, что еще более важно в свете увеличения нагрузки радиологов из-за объемной визуализации (Andriole et al. др., 2011; Макдональд и др., 2015).
Литература по визуальному поиску предполагает, что знание того, где вы уже искали, в значительной степени основано на статистических закономерностях и контексте сцены (Chun & Jiang, 1998; Clarke et al., 2017; Torralba et al., 2006). Нет оснований подозревать, что опытные радиологи будут отличаться в этом заключении, но у этой стратегии есть явные ограничения. Например, после прерывания, где радиолог решит возобновить поиск? Одна из возможностей состоит в том, что радиологи забыли, где они уже искали, и по незнанию повторно посещают эти места, что можно было наблюдать, отслеживая количество повторных фиксаций и точность возобновления поиска после прерывания (Williams & Drew, 2017).Однако, исходя из одних только этих мер, неясно, пересматриваются ли районы из-за того, что они забыты, или они сознательно пересматривают эти районы, чтобы лучше вспомнить, что они намеревались делать дальше. Это ограничение подчеркивает необходимость более прямых измерений памяти в прикладных задачах визуального поиска. Если явный отзыв в значительной степени основан на знании того, в каких областях следует искать, а не на знании того, где вы на самом деле искали, эта стратегия может привести к неточному возобновлению поиска после прерывания.Одна из возможностей состоит в том, что соответствующие области будут приоритетными и более устойчивыми к последствиям перебоев. В качестве альтернативы, если вызов памяти в первую очередь основан на том, какие области следует искать, наиболее релевантные структуры могут быть вызваны, несмотря на то, что они никогда не просматривались. Один из способов разобраться в этих возможностях — комбинировать косвенные измерения (например, отслеживание взгляда) с более прямыми измерениями (например, периодические проверки), чтобы определить, какие области с большей вероятностью будут зарегистрированы как обысканные после прерывания.
В связи с плохой памятью радиологи часто ищут на удивление небольшую часть медицинских изображений, даже если охват отрицательно связан с частотой ошибок в экспертной группе (Drew et al., 2013; Rubin et al., 2015; Thomas & Лансдаун, 1963). Например, Дрю и др. (2013) обнаружили, что только 69% легкого было исследовано во время скрининга рака легких с использованием оценки полезного поля зрения 5 ° (UFOV). Бурильщики покрыли большую часть изображения, чем сканеры, что может быть еще одним фактором, объясняющим их лучшую производительность.Используя меньший UFOV (угол обзора 2,6 °), Rubin et al. (2015) обнаружили, что средний охват скринингом на рак легких составлял всего 26,7%. Согласно исследованиям с использованием 2D-изображений, более высокий охват был связан с пониженной чувствительностью. Фактически, по их оценкам, для тщательного поиска изображений на каждый случай потребовалось бы почти 12 минут, но среднее время поиска было ближе к 3 минутам. При прямом сравнении двухмерного и объемного поиска изображений охват маммографии был выше, чем томосинтеза груди, по широкому диапазону оценок UFOV (Aizenman et al., 2017). Фактически, общий охват был менее 30% в объемных изображениях с использованием самой высокой оценки UFOV (5 °). Аналогичный результат уменьшения объемного охвата изображения наблюдался в исследовании, сравнивающем DBT с односрезовым DBT (Lago et al., 2018).
Хотя очевидно, что охват в объемных изображениях низкий, невозможно получить точную оценку покрытия без точной оценки UFOV (рис.). При рентгенографии грудной клетки обычная оценка UFOV составляет 5 °, потому что подавляющее большинство узелков в легких можно обнаружить в пределах этого окна (Kundel, Nodine, Thickman, & Toto, 1987).Однако известно, что UFOV уменьшается с увеличением сложности изображения и сложности задачи (Drew, Boettcher & Wolfe, 2017; Young & Hulleman, 2013), и исследования показывают, что эта оценка может быть слишком щедрой для скрининга рака легких при КТ грудной клетки (Rubin et al., 2015). Также важно отметить, что UFOV существенно зависит от размера узелка, сложности изображения и читателя (Ebner et al., 2017). В будущих исследованиях может потребоваться эмпирическая проверка оценок UFOV для конкретной задачи или отчета о результатах для ряда оценок UFOV (например,г., Айзенман и др., 2017). Например, Rubin et al. (2015) рассчитали UFOV на основе расстояния узелков от центральной фиксации в момент распознавания и обнаружили, что 99,8% обнаруженных узелков находились на расстоянии 50 пикселей или меньше от центральной фиксации (окно 2,6 °). Примечательно, что 25% пропущенных узелков никогда не находились в пределах UFOV, что подчеркивает потенциальные последствия плохого покрытия изображения на больших объемных изображениях. Кроме того, важно понимать, как UFOV изменяется в зависимости от опыта, чтобы проверить модели опыта на объемных изображениях.Например, если эксперты могут более эффективно обнаруживать аномалии с помощью парафовеального зрения, они должны иметь более широкий UFOV, чем новички.
То, как определяется полезное поле зрения (UFOV) (в градусах угла обзора (dva)), напрямую влияет на результаты последующих анализов, таких как классификация ошибок и охват изображения. В этом гипотетическом примере наблюдатель трижды зафиксировал (представлен концентрическими кругами) изображение с видимым узлом в легком (расположенном в красном поле), но не смог сообщить об этом.При использовании меньшего UFOV пропущенная аномалия будет считаться ошибкой поиска. Однако это будет классифицировано как ошибка распознавания или принятия решения с использованием наибольшей оценки UFOV. Точно так же предполагаемый охват изображения значительно зависит от размера UFOV. Важно отметить, что размер UFOV зависит как от задачи, так и от наблюдателя (Drew, Boettcher & Wolfe, 2017; Young & Hulleman, 2013; Ebner et al., 2017)
В свете плохого охвата изображения, связанного с объемными изображениями , целостная обработка может играть меньшую роль по сравнению с общим покрытием изображения: очевидно, что не может быть никаких поведенческих преимуществ, если срезы изображения, которые содержат аномалию, никогда не будут видны.Например, если в изображении есть неожиданные отклонения от нормы, может потребоваться поведенческая экспертиза. Мы знаем, что контекстная подсказка пагубно сказывается на производительности, если цель находится не в ожидаемом месте (Makovski & Jiang, 2010). Точно так же в медицинских изображениях изначально неверные целостные решения редко возвращаются (Mello-Thoms, 2009), а история болезни существенно влияет на то, как интерпретируются изображения (Norman, Brooks, Coblentz, & Babcook, 1992). В объемных изображениях эти эффекты могут усугубляться возросшей потребностью в сокращении общей области поиска и возможностью прокрутки непосредственно к интересующим областям.Например, для радиолога наиболее логичным способом обследования пациента на наличие камней в желчном пузыре является сосредоточение внимания на тех слоях изображения, где присутствует желчный пузырь. Однако такой подход может привести к негативным последствиям, если есть неожиданные отклонения, такие как рак, которые видны на разных срезах изображения. Хотя пропущенные случайные результаты не обязательно являются ошибкой в контексте поставленной задачи, необнаруженный рак, тем не менее, может привести к отрицательным результатам для пациентов и / или заявлениям о врачебной халатности.Учитывая вероятность того, что неполное покрытие изображения может привести к негативным последствиям как для пациента, так и для радиолога, необходимы дальнейшие исследования по этой теме.
Учитывая ограниченность памяти при поиске, разумно задаться вопросом, как вообще внимание направляется на новые места в объемных изображениях. Отслеживание взгляда во время выполнения реальных задач предполагает, что люди постоянно анализируют окружающую среду для получения информации, а не полагаются на кратковременную память (Ballard, Hayhoe, & Pelz, 1995).Фактически, некоторые исследователи предположили, что появление мнемонических механизмов в визуальном поиске может быть в значительной степени обусловлено поисковыми стратегиями, а не памятью для ранее просматриваемых мест (Peterson, Beck, & Vomela, 2007). Наблюдатели часто принимают систематический шаблон во время упорядоченных задач визуального поиска и демонстрируют склонность к горизонтальному сканированию сцены (Dickinson & Zelinsky, 2007; Findlay & Brown, 2006; Gilchrist & Harvey, 2006). Кроме того, объем рабочей памяти (~ 4 элемента; Cowan, 2001) обычно считается ограничивающим фактором для количества предыдущих мест, которые могут храниться в памяти (McCarley, Wang, Kramer, Irwin, & Peterson, 2003).Однако некоторые исследования показали, что наблюдатели с меньшей вероятностью откорректируют целых 12 предыдущих фиксаций и с большой уверенностью сообщат, появилась ли цель в этих местах (Dickinson & Zelinsky, 2007; Peterson et al., 2007). Ограничения объема рабочей памяти можно преодолеть, поддерживая грубое представление общего пути поиска, а не запоминание с высоким разрешением местоположений дистракторов (Dickinson & Zelinsky, 2007; Godwin, Benson, & Drieghe, 2013; Peterson et al., 2007). Примечательно, что случайное развертывание внимания на явных стимулах происходит быстрее, чем произвольное развертывание внимания, что может объяснить, почему наблюдатели часто не участвуют в систематическом поисковом шаблоне (Wolfe, Alvarez, & Horowitz, 2000). Это исследование показывает, что зачастую лучше случайным образом отсортировать большие объемы визуальной информации, чем выполнять медленные систематические поиски в окружающей среде. Однако можно разумно утверждать, что систематическая стратегия должна играть более важную роль в радиологии из-за необходимости отдавать приоритет точности над скоростью в медицине.Тем не менее, Kundel et al. (1987) подсчитали, что стратегия систематического поиска с помощью рентгенограммы грудной клетки потребует 500 фиксаций и 3 минут поиска, что намного превышает то, что обычно наблюдается в этих задачах (например, 1 минута, 50 секунд опытными наблюдателями в Christensen et al., 1981). Таким образом, кажется, что радиологи часто применяют стратегии поиска, которые ставят во главу угла эффективность перед исчерпывающим поиском.
Тем не менее, огромный размер объемных изображений может потребовать некоторой степени систематического поиска по глубине изображения, чтобы противодействовать ограниченной системе памяти.В поддержку этого предложения Солман и Кингстон (2017) обнаружили, что разделение массива поиска способствует более систематической стратегии поиска и приводит к улучшениям в явном отзыве для предыдущих целевых местоположений. Точно так же опытные дерматологи выявили меньшее количество рефиксаций, которые были разделены во времени и с меньшей вероятностью могли проследить путь сканирования, чем новички (Vaidyanathan, Pelz, Alm, Shi, & Haake, 2014). Кроме того, в других областях радиологии есть убедительные доказательства того, что использование более структурированного подхода в целом может помочь компенсировать потребности в памяти и повысить производительность.Например, по сравнению с шаблонами диктовки произвольной формы, структурированные шаблоны улучшают качество диктовки (Marcal et al., 2015; Marcovici & Taylor, 2014; Schwartz, Panicek, Berk, & Hricak, 2011), поощряют соблюдение передовых практик (Kahn Jr. ., Heilbrun, & Applegate, 2013) и улучшить диагностическую точность (Bink et al., 2018; Lin, Powell, & Kagetsu, 2014; Rosskopf et al., 2015; Wildman-Tobriner et al., 2017). Аналогичным образом, использование контрольного списка с анатомическими структурами и часто пропущенными диагнозами улучшило диагностические показатели в группе студентов-медиков (Kok, Abed, & Robben, 2017, хотя см. Berbaum, Franken Jr., Caldwell, & Schwartz, 2006). Кроме того, радиологи, как правило, чаще смотрят на свои экраны диктовки после прерывания, предположительно для того, чтобы вспомнить, где они уже искали (Drew, Williams, Aldred, Heilbrun, & Minoshima, 2018). В совокупности эти данные свидетельствуют о том, что вмешательства, направленные на ограничение памяти, являются стоящими усилиями, но еще не известно, может ли принятие стратегии систематического поиска также помочь противодействовать этим ограничениям в объемном поиске.
Как радиологи решают прекратить поиск по большим объемным изображениям?
Еще одна проблема для нашей ограниченной памяти при визуальном поиске — определить, когда прекратить поиск и перейти к следующей задаче. В некоторых случаях ответ прост. Если вы ищете яблоки в новом продуктовом магазине, вы прекратите поиск, как только найдете их. Однако как узнать, когда прекратить поиск, если в магазине не продаются эти яблоки? В радиологии проблема становится еще более сложной; цели часто не указаны ни по внешнему виду, ни по количеству.Если рентгенолог обнаруживает опухоль, возможно, есть и другие опухоли, расположенные в другом месте. Самый консервативный подход — искать каждый релевантный пиксель изображения. Однако временные ограничения, вероятно, запрещают такую стратегию, особенно в свете увеличения размера и количества изображений, генерируемых методами объемной визуализации в последние годы (McDonald et al., 2015). Более того, даже если у радиолога есть неограниченное количество времени для проведения такого поиска, неспособность найти аномалию не означает, что аномалии нет.Фактически, многие аномалии в радиологии фиксируются, но никогда не регистрируются (Kundel et al., 1978). Итак, как радиолог решает, когда прекратить поиск, учитывая всю эту неопределенность?
Предложена модель прекращения поиска, аналогичная модели дрейфовой диффузии (Wolfe, 2012). Во время поиска собирается информация о том, как долго или сколько элементов вы искали, пока не будет достигнут порог завершения. Этот порог может быть изменен переменными в вашей среде, такими как вероятность присутствия цели или вознаграждение, связанное с обнаружением цели.Недавно было высказано предположение, что прекращение поиска может имитировать поведение при поиске пищи, наблюдаемое в дикой природе (Cain, Vul, Clark, & Mitroff, 2012; Wolfe, 2013). Когда животное добывает себе пищу, например, ягоды, потребление энергии увеличивается до максимума за счет перехода к следующему кусту, когда потребление падает ниже среднего потребления для этой среды, что известно как теория оптимального кормодобывания (Чарнов, 1976). Наблюдатели, похоже, следуют предсказаниям этой модели при поиске нескольких целей и собирают предметы по одной цели за раз при поиске нескольких разных типов целей (Cain et al., 2012; Вулф, 2013; Wolfe, Aizenman, Boettcher & Cain, 2016). Однако менее ясно, как меняется поведение при отказе от курения, когда цель состоит не в том, чтобы собрать большое количество очевидных целей, а в поиске редких, труднодоступных целей.
Хотя преждевременное прекращение поиска может привести к негативным последствиям для радиологии, факторы, определяющие, когда радиолог решает прекратить поиск, плохо изучены. Существующие модели интерпретации медицинских изображений сосредоточены на том, что можно было бы считать конечной задачей клинициста по постановке точного диагноза: на начальном восприятии (Drew et al., 2013; Нодин и Кундель, 1987; Свенссон, 1980). Важно отметить, что эти модели мало что делают для учета принятия решений, следующих за восприятием. Это контрастирует с рядом когнитивных моделей, таких как класс моделей дрейфа-диффузии, которые были специально разработаны для учета различий в том, сколько времени требуется наблюдателю для принятия решения (например, Ratcliff & McKoon, 2008). . Ни одна из текущих моделей восприятия медицинских изображений не учитывает, как врач в конечном итоге решает, когда прекратить обследование случая.Однако очевидно, что большинство истинно положительных результатов выявляются очень рано во время поиска (Berbaum et al., 1991; Christensen et al., 1981; Nodine, Mello-Thoms, Kundel, & Weinstein, 2002), и большая часть компьютерных томографов никогда не выполнялся поиск (например, Drew et al., 2013; Rubin et al., 2015). По мере продолжения поиска вероятность ложных срабатываний резко возрастает. Эта тема особенно важна в контексте объемных изображений, оценка которых обычно занимает гораздо больше времени, чем 2D-изображения.В этих обстоятельствах способность эффективно переходить от снимков здорового пациента может быть важным показателем опыта, который не учитывается существующими моделями. Например, на 2D-изображениях опытные радиологи, кажется, прекращают поиск, когда они все еще идентифицируют больше истинных положительных результатов, чем ложных, но новички продолжают, пока ложные положительные результаты не станут доминирующим ответом (Christensen et al., 1981; Nodine et al., 2002 ). Оценка динамики ошибок с помощью опыта в области объемных изображений — это совершенно неизведанная область и, вероятно, будет плодотворной областью для будущих исследований.Кроме того, в будущих исследованиях можно было бы попытаться применить метод моделирования диффузионного дрейфа, чтобы определить, как различные факторы, такие как общая рабочая нагрузка или опыт наблюдателя, влияют на порог выхода при поиске объемных изображений.
Как моторные и перцептивные процессы взаимодействуют при оценке объемных изображений?
В отличие от поиска по признакам, который является обычным в литературе по визуальному вниманию, поиск в реальном мире часто включает в себя навигацию через большие трехмерные пространства для объектов, которые могут быть скрыты другими объектами.При поиске целей в поле участники спонтанно выбирают путь систематического поиска (Riggs et al., 2017). Точно так же при поиске доказательств преступления диады участников проводят очень систематический поиск и часто дважды проверяют свою работу (Riggs et al., 2018). Однако другие обнаружили, что повторные посещения в реальном визуальном поиске редки, что объясняется дополнительными усилиями, необходимыми для повторения ваших шагов в локомотивных задачах (Gilchrist, North, & Hood, 2001; Smith et al., 2008). Вместе это исследование имеет глубокие последствия для поиска объемных изображений, который включает как моторные, так и перцепционные компоненты, когда наблюдатель прокручивает глубину. В последние годы растет интерес к тому, как моторные процессы влияют на визуальный поиск, когда целевые элементы должны быть обнаружены путем перемещения других элементов, что называется «поиском вручную». В некоторых случаях ручной поиск воспроизводит результаты из литературы по визуальному поиску (например, «эффект низкой распространенности», Solman, Hickey, & Smilek, 2014).В других случаях были выявлены новые источники ошибок. Например, Солман, Чейн и Смилек (2012) создали парадигму «распаковки», в которой наблюдатель может перемещать перекрывающиеся виртуальные элементы с помощью компьютерной мыши. Исследователи обнаружили, что целевые предметы часто подбирались и выбрасывались, не будучи распознанными, что предполагает, что восприятие и действие могут быть разделены при визуальном поиске. Другими словами, решение о действии («отменить выбранный элемент») может предшествовать решению для идентификации («выбранный элемент является моей целью»).Авторы предполагают, что натуралистический визуальный поиск задействует процесс перцептивного поиска, который контролирует, но не направляет моторный процесс «распаковки» (Solman, Wu, Cheyne, & Smilek, 2013).
В радиологии результаты могут означать, что двигательная система решает пройти через глубину до того, как аномалия может быть идентифицирована на текущем срезе. Хотя словесные инструкции по замедлению двигательных движений были неэффективными, принуждение участника к замедлению значительно уменьшало количество ошибок при распаковке (Solman et al., 2013). В настоящее время неизвестно, как скорость прокрутки объемного медицинского изображения по глубине связана с диагностической точностью и возникают ли эти ошибки «разделения» в радиологии. Представление компьютерных томографов с разной частотой кадров привело к неоднозначным результатам — от отсутствия разницы в точности (Bertram et al., 2013) до более низкой производительности на более высоких скоростях (Bertram et al., 2016). Скорость прокрутки также может дать представление об эффективности сигналов начала движения или развитии возможностей глобальной обработки в объемных изображениях.Если эксперты смогут извлекать релевантную информацию из изображений быстрее, чем новички, они могут быть менее уязвимы для потенциально негативных эффектов более быстрой прокрутки, таких как ошибки «развязки». При выполнении задачи по скринингу рака легких не было обнаружено различий в скорости между радиологами и наивными наблюдателями (Diaz, Schmidt, Verdun, & Bochud, 2015). В среднем узелки выявлялись со скоростью от 25 до 30 кадров в секунду (fps). Однако примечательно, что производительность в этой задаче была максимальной как для экспертов, так и для новичков, и не было никаких различий в производительности между группами.Следовательно, по-прежнему возможно, что различия в поведении прокрутки более важны, когда есть большая изменчивость в производительности. Бертрам и др. (2013) также не обнаружили никаких связанных с опытом различий в производительности, когда наблюдатели искали различные отклонения при КТ брюшной полости, представленных в виде видео с фиксированной скоростью со скоростью 7, 14 или 28 кадров в секунду. Напротив, Bertram et al. (2016) наблюдали лучшую производительность при 5 кадрах в секунду, чем при 3 кадрах в секунду, и эксперты смогли лучше адаптироваться к повышенной скорости презентации при КТ брюшной полости.Однако оба этих исследования опирались на видео с фиксированной скоростью, а не позволяли наблюдателям контролировать свою скорость, что ограничивает экологическую ценность. Очевидно, что пока нет полной картины того, как скорость прокрутки влияет на производительность поиска объемных изображений. В будущих исследованиях также может быть полезно проанализировать распределение ошибок в зависимости от естественной скорости прокрутки. Кроме того, важно учитывать свойства самой аномалии. Скорость прокрутки может быть важным предиктором обнаружения отклонений, когда отклонения вызывают сигналы начала движения или для небольших отклонений, которые видны на меньшем количестве слоев глубины.Напротив, менее вероятно, что скорость прокрутки предсказывает возможность обнаружения диффузных или крупных аномалий, которые видны на многих срезах.
Автоматическая объемная оценка стереоскопической дисковой фотографии
Opt Express. 2010 24 мая; 18 (11): 11347–11359.
, 1 , 1 , 2 , 1 , 1 , 1 , 2 , 3 , 4 , 5 , 3 , 4 и 1 , 4Хуан Сюй
1 Глазной центр UPMC, Исследовательский центр офтальмологии и визуальных наук, Институт глаза и уха, Отделение офтальмологии, Медицинская школа Университета Питтсбурга, Питтсбург, Пенсильвания, США
Хироши Исикава
1 Глазной центр UPMC, Исследовательский центр офтальмологии и визуальных наук, Институт глаза и уха, Отделение офтальмологии, Медицинская школа Университета Питтсбурга, Питтсбург, Пенсильвания, США
2 Департамент биоинженерии, Школа инженерии Свансона, Университет Питтсбурга, Питтсбург, Пенсильвания, США
Гади Воллштейн
1 Глазной центр UPMC, Центр исследований офтальмологии и визуальных наук, Институт глаза и уха, Отделение офтальмологии, Медицинская школа Университета Питтсбурга, Питтсбург, Пенсильвания, США
Ричард А. Билоник
1 Глазной центр UPMC, Исследовательский центр офтальмологии и визуальных наук, Институт глаза и уха, Отделение офтальмологии, Медицинская школа Университета Питтсбурга, Питтсбург, Пенсильвания, США
Ларри Кагеманн
1 Глазной центр UPMC, Исследовательский центр офтальмологии и визуальных наук, Институт глаза и уха, Отделение офтальмологии, Медицинская школа Университета Питтсбурга, Питтсбург, Пенсильвания, США
2 Департамент биоинженерии, Школа инженерии Свансона, Университет Питтсбурга, Питтсбург, Пенсильвания, США
Джейми Э. Крейг
3 Отделение офтальмологии, Университет Флиндерс, Медицинский центр Флиндерс, Аделаида, Австралия.
Дэвид Макки
4 Центр глазных исследований Австралии, Отдел офтальмологии, Университет Мельбурна, Королевская викторианская больница глаза и уха, Мельбурн, Австралия
5 Отделение офтальмологии, Королевская больница Хобарта, Хобарт, Университет Тасмании, Австралия.
Алекс В. Хьюитт
3 Кафедра офтальмологии, Университет Флиндерс, Медицинский центр Флиндерс, Аделаида, Австралия.
4 Центр глазных исследований Австралии, Отделение офтальмологии, Мельбурнский университет, Королевская викторианская больница глаза и уха, Мельбурн, Австралия
Джоэл С. Шуман
1 Глазной центр UPMC, Исследовательский центр офтальмологии и визуальных наук, Институт глаза и уха, Отделение офтальмологии, Медицинская школа Университета Питтсбурга, Питтсбург, Пенсильвания, США
4 Центр глазных исследований Австралии, Отделение офтальмологии, Мельбурнский университет, Королевская викторианская больница глаза и уха, Мельбурн, Австралия
1 Глазной центр UPMC, Исследовательский центр офтальмологии и визуальных наук, Институт глаза и уха, Отделение офтальмологии, Медицинская школа Университета Питтсбурга, Питтсбург, Пенсильвания, США
2 Департамент биоинженерии, Школа инженерии Свансона, Университет Питтсбурга, Питтсбург, Пенсильвания, США
3 Отделение офтальмологии, Университет Флиндерс, Медицинский центр Флиндерс, Аделаида, Австралия.
4 Центр глазных исследований Австралии, Отделение офтальмологии, Мельбурнский университет, Королевская викторианская больница глаза и уха, Мельбурн, Австралия
5 Отделение офтальмологии, Королевская больница Хобарта, Хобарт, Университет Тасмании, Австралия.
Поступила 7 июля 2009 г .; Пересмотрено 1 октября 2009 г .; Принято 11 октября 2009 г.
Это статья в открытом доступе, распространяемая в соответствии с условиями Creative Commons Attribution-Noncommercial-No Derivative Works 3.0 Непортированная лицензия, разрешающая скачивание и распространение при условии правильного цитирования оригинальной работы. Эта лицензия запрещает изменение или коммерческое использование статьи.
Эта статья цитируется в других статьях в PMC.Abstract
ЦЕЛЬ: разработать полностью автоматизированный алгоритм (AP) для выполнения объемного измерения диска зрительного нерва с использованием обычных стереоскопических фотографий головки зрительного нерва (ONH) и сравнить параметры, полученные с помощью алгоритма, с ручной фотограмметрией (MP), сканированием лазерный офтальмоскоп (SLO) и оптическая когерентная томография (OCT).Методы. Были проанализированы 122 стереоскопических фотографии диска зрительного нерва (61 человек). Площадь диска, площадь обода, площадь чашки, соотношение площадей чашки / диска, отношение вертикальной чашки / диска, объем обода и объем чашки были автоматически вычислены алгоритмом. Для оценки воспроизводимости измерений для четырех методов использовались модели скрытых переменных ошибок измерения. РЕЗУЛЬТАТЫ: AP имел лучшую воспроизводимость для площади диска и объема чашки и худшую воспроизводимость для отношения площади чашки / диска и отношения вертикальная чашка / диск, когда измерения сравнивались с методами MP, SLO и OCT.ЗАКЛЮЧЕНИЕ: AP предоставляет полезную технику для объективной количественной оценки трехмерных структур ONH.
Коды OCIS: (100.0100) Обработка изображений, (100.2960) Анализ изображений, (100.6890) Обработка трехмерных изображений
1. Введение
Глаукома — вторая по частоте причина слепоты в мире. Экскавация головки зрительного нерва (ДЗН) — типичный клинический признак глаукомы. Нарушение соединительной ткани на диске зрительного нерва и смещение кзади или истончение решетчатой пластинки также могут играть морфологическую роль в увеличении глазного бокала [1].Независимо от механизма, точная оценка диска зрительного нерва имеет первостепенное значение при рутинном клиническом обследовании пациентов с глазной гипертензией и глаукомой.
Устройства визуализации диска зрительного нерва играют важную клиническую роль, учитывая присущие им трудности в получении точных измерений ONH на щелевой лампе и значительную вариабельность между наблюдателями [2]. Стереоскопическая фотография диска использовалась для документирования структурных аномалий и продольных изменений глаукомных глаз на протяжении десятилетий.Это наиболее распространенный метод визуализации головки зрительного нерва (ДЗН), который используется для анализа и диагностики [4]. В предыдущей публикации мы описали новый метод, который позволил автоматизировать количественную оценку структур ONH с использованием стереофотографий [3,4]. Дальнейшее развитие этого метода позволило выполнить трехмерную (3D) реконструкцию ONH и количественную оценку структур, что позволило количественно измерить ONH из широко доступного и недорогого источника изображений. Преимущества этого метода: (1) объективные количественные измерения обычных стереофотографий, которые в остальном являются субъективными и качественными, (2) экономичная альтернатива более сложным устройствам визуализации глаза, таким как конфокальный сканирующий лазерный офтальмоскоп (CSLO) и оптический когерентная томография (ОКТ) и (3) мост между старыми устаревшими данными стереофотографий, которые обычно собираются для клинической оценки, и новыми технологиями (CSLO и OCT).
Цели этого исследования заключались в описании полностью автоматизированного метода объемных измерений ONH с использованием фотограмметрического алгоритма, чтобы оценить его производительность по сравнению с измерениями, полученными с помощью CSLO и OCT.
2. Методы
2.1 Участники исследования
Шестьдесят один последовательный субъект из глазного центра Медицинского центра Питтсбургского университета был ретроспективно включен в исследование. Субъекты имели право на участие в исследовании, если у них была ошибка рефракции в пределах 6 диоптрий от эмметропии и не было глазных патологий, кроме тех, которые приписывались глаукоме.Были визуализированы оба глаза каждого субъекта, и был представлен широкий спектр клинически определенных характеристик ONH, от здорового до развитой глаукомы. Исследование было одобрено институциональным наблюдательным советом (IRB) и соответствовало положениям Хельсинкской декларации и Закона о переносимости и подотчетности медицинского страхования. Письменное информированное согласие было получено от каждого субъекта.
Все пациенты прошли всестороннюю офтальмологическую оценку, измерение аксиальной длины с помощью мастера ИОЛ (Carl Zeiss Meditec, Дублин, Калифорния), надежный тест поля зрения (Humphrey Field Analyzer; Carl Zeiss Meditec, Дублин, Калифорния; с фиксацией менее 30% потери, ложноположительные и ложноотрицательные ответы), CSLO (Heidelberg Retina Tomograph (HRT) 3, Heidelberg Engineering, Гейдельберг, Германия) и OCT (Stratus OCT; Carl Zeiss Meditec, Дублин, Калифорния).Зрачки субъектов были расширены с помощью 1% тропикамида и 2,5% фенилэфрина (Alcon Laboratories, Форт-Уэрт, Техас), и были получены стереоскопические фотографии дисков (Nidek 3Dx; Nidek, Gamagori, Япония). Все тесты были получены в течение шести месяцев.
2.2 Автоматизированная фотограмметрия
Nidek 3Dx и цифровая камера Nikon D1x (Nikon, Токио, Япония) использовались для фотосъемки диска зрительного нерва. Разрешение изображения составляло 1312 × 2000 пикселей. Стереопары были обрезаны до 480 × 1020 пикселей для совмещения изображений и трехмерной реконструкции.Анализ изображений и 3D-моделирование ONH были выполнены с использованием программного обеспечения собственной разработки, как описано ранее [3,4]. Блок-схема процесса была проиллюстрирована на дать краткое представление о разработанном программном обеспечении. Был разработан ряд технических алгоритмов для автоматического создания объемных измерений ONH на основе обычных стереоскопических фотографий. Процесс включал: (1) 3D реконструкцию ONH, (2) коррекцию увеличения в 2D и 3D, (3) определение оптического диска и края чашки и (4) измерения объема оптического стакана.Усовершенствования к ранее описанному программному обеспечению добавили новые функции, в частности, на этапах (2), (3) и (4).
: Обзор последовательности операций
2.2.1 3D реконструкция ONH
В паре стереоизображений глубина обратно пропорциональна несоответствию между двумя совпадающими точками из левого и правого изображений ( ), где разность координат ( v L — v R ) соответствующих точек определяется как диспаратность [3,4,15].Множественные соответствующие точки были автоматически идентифицированы на левом и правом изображениях путем вычисления комбинации наивысших корреляций и минимальных различий функций в пределах заданного окна поиска. Несоответствия соответствующих точек были переведены в глубины. Масштабированная трехмерная модель ONH была затем сгенерирована из разреженных соответствующих точек и интерполяции ().
: Параллельная конфигурация стереоизображения
2.2.2 Коррекция увеличения 2D и 3D
Глазная среда внутри глаза оказывала оптический эффект на систему визуализации стереокамеры глазного дна, поэтому масштабированная 3D модель ONH была реконструирована из пары стереоизображения.Масштабированные оценки, основанные как на глазах, так и на камере, были рассчитаны для корректировки глубины 3D, а также увеличения 2D-изображения. ( Формула Литтмана [5] была применена для расчета фактического размера изображения в 2D с использованием осевой длины и технических характеристик камеры. Коррекция трехмерного увеличения выполнялась с использованием модифицированной формулы, ранее описанной Сюй и его коллегами [3]:
ΔZr = Zr − Zr0 = ΔZ2Zr0fe − fe2 − Zr02fe2 − ΔZfe + ΔZZr0
(1)
f e — фокусное расстояние упрощенной модели изображения глаза.Любая произвольная базовая плоскость может использоваться для вычисления относительной глубины. Плоскость, созданная из поля ONH, была установлена в качестве базовой плоскости. Z r 0 в данном исследовании. Z r 0 — положение плоскости отсчета относительно оптического центра упрощенной модели изображения глаза, Z r было местоположением ONH пикселя, Δ Z находилась на глубине ONH от плоскости отсчета. Z 0 на масштабированной виртуальной 3D-модели и Δ Z r была преобразованной истинной глубиной ONH.В предыдущей итерации программного обеспечения максимальная глубина была получена с помощью HRT для вычисления Z r 0 . В текущей версии программы осевая длина использовалась для расчета Z r 0 , чтобы сгенерировать фактическую глубину из масштабированной виртуальной 3D-модели диска.
Оптическая модель глаза и стереокамеры глазного дна (адаптировано из работы Дегучи [15]).
2.2.3 Обнаружение диска зрительного нерва и края чашки
Геометрический центр области с наивысшим значением интенсивности на изображении находился как центр диска.Край диска был создан с использованием метода деформируемой модели, при котором была обнаружена гладкая граница с высоким контрастом, окружающая центр диска (). Характеристики изображения, такие как значение интенсивности пикселей, градиент и гладкость контура, были извлечены и использованы при вычислении деформируемой модели [6]. Чашка была расположена на расстоянии 150 мкм кзади от края диска для глаз, где 0,2 мм ≤ глубина чашки ≤ 1,0 мм, или на 1/5 глубины от края диска до самой глубокой точки чашки для глаз с чашечкой <0.2 мм или> 1,0 мм ( ). Край чашки был извлечен с использованием метода деформируемой модели, аналогичного описанному для обнаружения края диска; однако использовалась другая функция энергии, которая объединяла данные, касающиеся глубины и местоположения чашки, градиента интенсивности, гладкости контура и формы. Предполагалось, что оптические чашки расположены в непосредственной близости от геометрического центра диска зрительного нерва, чтобы контролировать гибкость деформируемой модели и избежать образования края чашки неправильной формы.
: Геометрическая модель головки зрительного нерва (ДЗН) с профилем поперечного сечения и проецируемым изображением.(A) Поиск точек края чашки в алгоритме деформируемой модели. (B) Профиль поперечного сечения 3D-модели ONH с определениями различных параметров ONH, то есть площади диска, площади обода, площади чашки, объема обода и объема чашки. (C) Определения вертикального отношения C / D и отношения C / D площади.
2.2.4 Объемные измерения оптического стакана
Поправки на увеличение были применены к каждой фотографии стереодиска, как описано в шаге (2), для вычисления трехмерных и двумерных масштабов и создания трехмерной модели диска фактического размера.Семь параметров ONH, площадь диска, площадь обода, площадь чашки, отношение площадей чашки к диску (C / D) и отношение C / D по вертикали, были автоматически сгенерированы разработанным программным обеспечением (). Площадь диска и область чашки определялись как площадь внутри края диска и края чашки соответственно, в то время как площадь обода определялась как область внутри края диска, но за пределами края чашки. Отношение площадей C / D представляло собой площадь чашки, разделенную на площадь диска. Вертикальное отношение C / D определялось как вертикальный диаметр чашки через геометрический центр, деленный на вертикальный диаметр диска через центр диска ().Все площади и соотношения были измерены на двухмерной фотографии стереодиска. Трехмерная эталонная плоскость была создана из обнаруженного края чашки на трехмерной модели диска, как показано профилем поперечного сечения на рис. Размер вокселя был рассчитан на основе скорректированной 3D-модели диска. Объем чашки был измерен как сумма общего количества вокселей внутри диска и ниже эталонной плоскости, умноженного на размер вокселя, в то время как объем обода представлял собой вокселы в пределах границы диска между эталонной плоскостью и трехмерной поверхностью диска зрительного нерва ( ).
2.3 Оценка качества автоматически определяемого поля диска
Разработанное программное обеспечение обеспечило полностью автоматизированную оценку ONH. Качество обнаруженной кромки диска оценивалось независимым и автоматизированным методом с использованием анализа преобразования Фурье. Край диска был преобразован в полярные координаты с центром в геометрическом центре обнаруженного края диска, а затем преобразован в область Фурье. Автоматическая оценка качества использовалась путем анализа частоты вдоль границы в области Фурье.Предполагается, что диск зрительного нерва близок к овальной форме с плавной границей. Высокочастотные составляющие соответствуют шуму на границе. Следовательно, граница с негладкой и неправильной формой должна иметь больше высокочастотных компонентов и больше похожа на провал. Анализ был признан успешным, когда низкочастотная энергия превышала 87,5% (7/8) от общей энергии, а высокочастотная энергия составляла менее 5%. Низкая частота была определена как <7% частотных компонентов на нижнем конце, а высокая частота была определена как верхняя половина частотной составляющей.Эти пороги были установлены произвольно.
2.4 Ручная фотограмметрия
Три специалиста по глаукоме независимо друг от друга вручную определили край диска и край чашки на фотографиях стереодисков случайным образом и в масках. Окончательное расположение краев диска и чашки для анализа было определено мнением большинства наблюдателей с использованием метода, описанного Abramoff et al. [7] Параметры диска зрительного нерва были сгенерированы из ручной демаркации диска с использованием тех же процессов 3D-моделирования и методов коррекции увеличения в 2D и 3D, которые описаны выше для автоматической фотограмметрии.
2,5 HRT
HRT сканирование проводилось с использованием устройства HRT2. Затем файлы были переданы в программу HRT3 для обработки. Приемлемые изображения имели стандартное отклонение пикселя <50 мкм при равномерном освещении, приемлемой центровке и фокусировке. Край диска зрительного нерва был вручную очерчен на границе кольца Эльшнига, а параметры диска были получены с помощью программного обеспечения HRT3 (версия 1.5.10.0).
2,6 OCT
Быстрое сканирование ONH было выполнено с использованием Stratus OCT для каждого глаза.Приемлемые изображения имели мощность сигнала> 7. Край диска автоматически определялся по окончании пигментного эпителия сетчатки (ППЭ) в каждом из 6 радиально отобранных изображений поперечного сечения сетчатки. Программное обеспечение OCT сгенерировало запас диска путем интерполяции этих 12 обнаруженных точек. Ручная коррекция требовалась, если край диска не был правильно размещен в конце RPE. Затем параметры диска были рассчитаны с помощью программного обеспечения OCT (версия 4.0.7).
2.7 Статистический анализ
Семь параметров диска, включая площадь диска, площадь обода, площадь чашки, соотношение площади чашки / диска, соотношение вертикальной чашки / диска, объема обода и объема чашки, были получены с помощью автоматического фотограмметрического алгоритма (AP), ручной фотограмметрии (MP) для каждого отдельного наблюдателя и основное мнение трех наблюдателей, HRT и OCT.Модели ошибок измерения скрытых переменных (LVM) использовались для определения относительных смещений (относительная систематическая ошибка для каждого метода) и неточности (случайная ошибка) для каждого метода. LVM — это статистический метод, который извлекает общие свойства из разных параметров, которые стремятся измерить одну и ту же функцию. Модель требует, чтобы использовались данные обоих глаз одного и того же испытуемого. Оба глаза были исключены из этого анализа, если только один глаз был квалифицирован. Отдельный LVM был рассчитан для каждого из семи параметров, учитывающих корреляцию между глазами одного и того же объекта.Преобразование квадратного корня из измерений использовалось для уменьшения положительной асимметрии (отсутствия нормальности) там, где это необходимо. Чтобы оценить разницу в относительной систематической ошибке и неточности между методами, было вычислено соотношение оценок. Относительная систематическая ошибка показывает, является ли результат измерения одним методом стабильно выше (коэффициент смещения> 1) или ниже (коэффициент смещения <1) по сравнению с другим методом. Коэффициенты неточности были скорректированы путем принятия стандартного отклонения неточности над смещением. Более высокая погрешность SD соответствует большей случайной ошибке и более низкой воспроизводимости.Если коэффициент погрешности SD между методами A и B меньше 1, это означает, что метод A имеет лучшую воспроизводимость, чем метод B, и наоборот.
Были вычислены линейные калибровочные кривые (с использованием относительных смещений) и объединены с оценками неточности для оценки взаимосвязи между измерениями каждого метода. Автоматическая фотограмметрия использовалась в качестве эталонного наклона, все остальные методы были откалиброваны соответствующим образом. Модели со смешанным эффектом использовались для оценки различий в случаях, когда между измерениями существовала постоянная систематическая ошибка.Статистический метод не доступен для оценки разницы при наличии непостоянной погрешности, потому что разница изменяется с уровнем — т.е. измерения MP больше, чем AP для больших значений площади обода и меньше, чем AP для меньших значений площади обода.
Для оценки параметров LVM использовался пакет программ общего статистического моделирования Mx [8]. Другой статистический анализ был выполнен с использованием языка R и среды для статистических вычислений (R 2.6.0, R development Core Team, 2007, http: // www.r-project.org). Р <0,05 считали статистически значимым.
3. Результаты
Средний возраст 61 участника исследования составил 56,8 ± 9,6. Двадцать девять глаз (22 объекта) из 122 глаз (23,8%) были признаны неуспешными при автоматической оценке качества AP. Примеры успешного и неудачного алгоритма приведены в .
Сравнение автоматического фотограмметрического алгоритма и ручного демаркации диска. (A) Успешный пример разграничения диска.(B) Пример неудачной демаркации диска из-за выраженной перипапиллярной атрофии.
При сравнении результатов, полученных от каждого из трех отдельных наблюдателей, среди наблюдателей не было отмечено согласованной закономерности в отношении среднего и стандартного отклонения, т.е. е., сравнивая семь измерений ONH одного наблюдателя с измерениями мнения большинства трех отдельных наблюдателей, некоторые измерения были больше, а другие меньше. Для всех параметров ONH корреляция между скрытыми переменными (представляющими «истинные значения») между глазами одного и того же объекта превышала 0.93 (за исключением объема чашки с корреляцией 0,79), что указывает на высокую корреляцию между глазами. суммирует среднее значение и стандартное отклонение семи параметров диска, измеренных четырьмя методами для всех квалифицированных глаз (78 глаз, 39 субъектов). Для большинства параметров наблюдались непостоянные смещения, так что смещение между методами зависело от уровня параметра. Все параметры, которые имели постоянную систематическую ошибку, были статистически значимо ниже, чем AP.
Таблица 1
: Сравнение измерений диска зрительного нерва (среднее ± стандартное отклонение) с помощью автоматической фотограмметрии (AP), ручной фотограмметрии (MP), томографии сетчатки глаза Гейдельберга (HRT) и оптической когерентной томографии (OCT).
| AP | MP | HRT | OCT | |
|---|---|---|---|---|
| Площадь диска (мм 2 ) | 2,61 ± 0,58 | 5 2,55032,47 ± 0,63 * | ||
| Площадь обода (мм 2 ) | 1,59 ± 0,45 | 1,56 ± 0,39 | 1,31 ± 0,34 * | 1,46 ± 0,48 |
| Площадь чашки 2 902 | 1.02 ± 0,53 | 0,97 ± 0,49 | 0,79 ± 0,52 * | 1,02 ± 0,68 |
| Отношение площадей чашки / диска | 0,38 ± 0,15 | 0,37 ± 0,14 | 0,36 ± 0,18 | 0,3509 |
| Соотношение вертикальная чашка / диск | 0,62 ± 0,12 | 0,61 ± 0,12 | 0,57 ± 0,16 | 0,58 ± 0,17 |
| Объем обода (мм 3 ) | 0,23 ± 0,15 | 0,1500.33 ± 0,15 | 0,34 ± 0,25 | |
| Объем стакана (мм 3 ) | 0,28 ± 0,28 | 0,26 ± 0,23 | 0,21 ± 0,19 | 0,20 ± 0,19 * |
Таблица 2
Стандартное отклонение неточности параметров диска зрительного нерва, измеренных с помощью автоматической фотограмметрии (AP), ручной фотограмметрии (MP), томографии сетчатки глаза Гейдельберга (HRT) и оптической когерентной томографии (OCT).
| AP | MP | HRT | OCT | |||
|---|---|---|---|---|---|---|
| Площадь диска (мм 2 ) | 0,1321 | 9047 905 0,2465 9048 0,246 (мм 2 )0,1572 | 0,0493 | 0,1267 | 0,2029 | |
| Площадь чашки (мм 2 ) | 0,2400 | 0,2165 | 0.1754 | 0,1940 | ||
| Отношение площадей чашки / диска | 0,1070 | 0,0474 | 0,0751 | 0,0905 | ||
| Отношение чашек / дисков по вертикали | 0,1021 | 0,1021 | Объем обода (мм 3 )0,1164 | 0,1093 | 0,1490 | 0,2724 |
| Объем стакана (мм 3 ) | 0,0752 | 0.1433 | 0,1285 | 0,1097 |
Таблица 3
Относительный коэффициент стандартного отклонения неточности (скорректированный смещением, 95% доверительный интервал) параметров диска зрительного нерва, измеренных с помощью автоматической фотограмметрии (AP), ручной фотограмметрии (MP), Томография сетчатки Гейдельберга (HRT) и оптическая когерентная томография (OCT).
| MP / AP | HRT / AP | октябрь / AP | |
|---|---|---|---|
| Площадь диска (мм 2 ) | 2.0054 * [1,4364, 2,7826] | 2,8082 * [2,0485, Н / Д] | 2,9363 * [2,1114, Н / Д] |
| Площадь обода (мм 2 ) | 0,1164 * [0,0153, 0,4121] | 0,4610 [0,0049, N / A] | 0,7878 [0,0003, N / A] |
| Площадь чашки (мм 2 ) | 0,9793 [0,7119, N / A] | 0,7018 [0,5193, 0,7018] | 0,5041 [0,4285, Н / Д] |
| Отношение площадей чашки / диска | 0,3718 * [0,2250, 0,5978] | 0.5119 * [0,3173, 0,8039] | 0,4507 * [0,2778, 0,7088] |
| Соотношение вертикальная чашка / диск | 0,2189 * [0,1715, 0,3155] | 0,6027 * [0,3542, 0,8765] | 0,49905 ] |
| Объем обода (мм 3 ) | 1,9669 [0,9819, 5,2616] | 15,6618 * [2,6423, Н / Д] | 8,8209 * [2,2745, Н / Д] |
| Объем стакана мм 3 ) | 2,6641 * [1,9456, н / д] | 2,4498 * [1.7998, 3.4187] | 1.8050 * [1.3424, 2.4529] |
Наклоны (относительное смещение) и пересечения калибровочных кривых приведены на а также . Не было обнаружено постоянного смещения для большинства измерений из четырех методов, как показано на, калибровочные кривые пересекаются друг с другом. Например, измерения площади диска, полученные с помощью MP, увеличивались на 6,98% (1-0,9302) медленнее, чем измерения площади диска, полученные с помощью AP (). Площадь диска, площадь обода и площадь чашки, полученные с помощью AP, были постоянно (без точки пересечения) и статистически значимо превышали измерения HRT, в то время как площадь диска и объем чашки были статистически значимо выше с AP, чем измерения OCT.Различия в калибровочных кривых между AP и MP, как правило, были меньше по сравнению с различиями с HRT и OCT во всех измерениях ONH.
Таблица 4
Линейная калибровка между измерениями головки зрительного нерва с помощью автоматической фотограмметрии (AP), ручной фотограмметрии (MP), HRT и OCT. AP был установлен в качестве эталона, и все измерения были соответствующим образом скорректированы.
| МП против AP | HRT против AP | OCT против AP | ||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| наклон | точка пересечения | наклон | точка пересечения | наклон | точка пересечения | |||||||||||
| Площадь диска (мм 2 ) | 9302 | 0,1022 | 0,7678 * | 0,0980 | 0,9203 | 0,0674 | ||||||||||
| Площадь обода (мм 2 ) | 1,5558 | 0,00104 0,9156 9050 1 -0,9156 9050|||||||||||||||
| Площадь чашки (мм 2 ) | 0,9213 | 0,0317 | 1,0415 | −0,2688 | 1,3843 * | -0,3920 | ||||||||||
| 9050 Отношение площади чашки / диска1918 | −0,0813 | 1,3700 | −0,1661 | 1,8753 * | −0,3237 | |||||||||||
| Соотношение между чашкой и диском по вертикали | 1,5807 * | −0,3774 | ||||||||||||||
| −0,6725 | ||||||||||||||||
| Объем обода (мм 3 ) | 0,4776 * | 0,1426 | 0,0817 * | 0,3128 | 0,2653 * | 0,2768 | 0,2768 | 0.7156 * | 0,0539 | 0,6979 * | 0,0140 | 0,8084 * | −0,0325 | | |||
Сравнение относительного смещения между измерениями головки зрительного нерва с помощью автоматизированной фотобергограмметрии, оптической фотогерметрии и томографии (когнитивной томографии) (ОКТ). Автоматическая фотограмметрия использовалась в качестве ссылки для всех других методов
4. Обсуждение
В этом исследовании мы описали автоматизированный метод фотограмметрии ONH, который обеспечивал объемные параметры ().Измерения ONH с помощью новой техники сравнивались с ручным разграничением границ у трех наблюдателей, основным мнением трех наблюдателей (MP), HRT и OCT. AP и MP показали высокое сходство, о чем свидетельствуют средние значения и значения стандартного отклонения семи параметров диска (), а также воспроизводимость, аналогичная той, которая была получена с помощью других методов автоматизированной визуализации (HRT, OCT) (,). Также были вычислены линейные калибровочные уравнения для определения взаимосвязи между измерениями, полученными различными методами (и).
Для разграничения края диска зрительного нерва использовался алгоритм автоматической сегментации, основанный, главным образом, на компонентах значений интенсивности пикселей, гладкости и градиента изображения. Однако мы обнаружили, что этот автоматизированный метод иногда отодвигал края диска от истинного местоположения. Вероятно, это связано с неразличимыми различиями между ободком Эльшнига и перипапиллярной тканью на фотографиях ().
Удаление или очертание края глазного яблока является первоначальным требованием для автоматизированного измерения параметров диска.Было показано, что трехмерная информация о глубине является надежным признаком, с помощью которого можно сегментировать чашечку глазного яблока, и поэтому было предложено множество определений для оптической чашки [9–13]. Программное обеспечение HRT определяет, что оптический стакан на 50 мкм ниже средней высоты поверхности по шестиградусному кольцевому пространству на временном нижнем крае диска [9]. Программное обеспечение OCT определяет оптический стакан ниже базовой плоскости, расположенной на 150 мкм выше кончиков мембран RPE / Bruch. В автоматизированной программе мы использовали гибридный подход, при котором край чашки располагался на фиксированном расстоянии от края диска для чашек среднего размера и на относительном расстоянии для больших и малых чашек [4].
Непостоянная погрешность была отмечена для большинства измерений между методами, указывающая на разницу, которая изменяется в зависимости от уровня измерения. Следовательно, измерения одним методом нельзя просто заменить измерениями другого метода плюс или минус определенное значение. Кроме того, хотя уравнение линейной калибровки позволяет скорректировать систематическое смещение от одного метода к другому, неточность данного метода не может быть заменена другим методом. Следовательно, измерения не могут быть взаимозаменяемыми между модальностями.АП показал измерения, аналогичные МП, и отличался от ЗГТ и ОКТ. Разница, которая была отмечена в случаях, когда можно было вычислить сравнение, могла происходить из определений маржи диска, используемых различными методами. ОКТ определяет край ONH как окончание RPE (или мембраны Бруха) при шести радиальных сканированиях. AP и HRT определяют край ONH как высококонтрастные краевые точки на двумерных фотоизображениях псевдо-глазного дна. Однако в фотографии диска, HRT и OCT использовались разные длины волн для источников света и разные принципы сканирования, что приводило к разным анатомическим местоположениям, таким как края ONH [14].
SD площади диска и объема чашки с AP было статистически значимо меньше, чем с другими тремя методами, что указывает на то, что AP автоматического обнаружения края ONH и оценки объема чашки обеспечивает более воспроизводимые измерения, в то время как измерения соотношения чашка / диск более воспроизводимы с другие три метода (и). Причина может заключаться в том, что все остальные параметры являются абсолютными значениями, тогда как отношение площадей C / D и отношение C / D по вертикали являются относительными значениями. Относительное значение, такое как вертикальное отношение C / D, более чувствительно к точному расположению и форме чашки.Следует отметить, что ручное вмешательство присутствовало во всех методах, кроме АР, что могло искусственно повлиять на вариабельность.
Ограничением этого исследования была значительная частота отказов метода AP (23,8%). Это произошло из-за строгих критериев качества, которые использовались для AP. Основными причинами неудач было наличие патологических признаков, таких как перипапиллярная атрофия, которая уменьшала видимость края диска. Следует отметить, что все другие методы использовали субъективный ввод для определения маржи диска, что также является жизнеспособным вариантом в случаях, когда AP выходит из строя.Еще одним ограничением исследования было использование стереофотографий, сделанных только камерой Nidek 3-DX. Однако можно внести незначительные изменения в алгоритм, учитывающий специфические свойства различных камер, что расширяет универсальность этого метода. Небольшой тестовый образец, полученный с помощью другой камеры, показал характеристики, аналогичные тем, которые описаны в этой рукописи (неопубликованные предварительные данные).
Таким образом, мы представляем фотограмметрический метод, который обеспечивает полностью автоматизированный и объективный объемный количественный анализ ONH.Этот метод был сопоставим с другими общепринятыми методами автоматического анализа ONH с точки зрения систематической ошибки измерения и неточности, хотя измерения не взаимозаменяемы между модальностями.
Благодарности
Это исследование было поддержано грантами NIH R01-EY013178, P30-EY008098 (Bethesda, MD), Research to Preventness (Нью-Йорк, штат Нью-Йорк), Eye and Ear Foundation (Питтсбург, Пенсильвания), Институтом офтальмологических исследований Австралия и стипендии для аспирантов и практикующих врачей NHMRC.
Литература и ссылки
1. Беллецца А. Дж., Ринталан К. Дж., Томпсон Х. У., Даунс Дж. К., Харт Р. Т., Бургойн К. Ф., «Деформация решетчатой пластинки и передней стенки склерального канала при ранней экспериментальной глаукоме», Invest. Офтальмол. Vis. Sci. 44 (2), 623–637 (2003) .10.1167 / iovs.01-1282 [PubMed] [CrossRef] [Google Scholar] 2. Холм О. К., Беккер Б., Ассефф К. Ф., Подос С. М., «Объем чашки диска зрительного нерва», Am. J. Ophthalmol. 73 (6), 876–881 (1972). [PubMed] [Google Scholar] 3. Сюй Дж., Chutatape O., Zheng C., Kuan P. C., «Трехмерная визуализация диска зрительного нерва из стереоизображений с помощью двойной регистрации и оптической коррекции окулярных сред», Br. J. Ophthalmol. 90 (2), 181–185 (2006) .10.1136 / bjo.2005.082313 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar] 4. Сюй Дж., Исикава Х., Воллштейн Г., Билоник Р. А., Сунг К. Р., Кагеманн Л., Таунсенд К. А., Шуман Дж. С., «Автоматическая оценка головки зрительного нерва на фотографиях стереодисков», Invest. Офтальмол. Vis. Sci. 49 (6), 2512–2517 (2008).10.1167 / iovs.07-1229 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar] 5. Garway-Heath D. F., Rudnicka A. R., Lowe T., Foster P. J., Fitzke F. W., Hitchings R. A., «Измерение размера диска зрительного нерва: эквивалентность методов коррекции увеличения глаза», Br. J. Ophthalmol. 82 (6), 643–649 (1998) .10.1136 / bjo.82.6.643 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar] 6. Сюй Дж., Чутатапе О., Чу П., «Автоматическое обнаружение границ диска зрительного нерва с помощью модифицированной модели активного контура», IEEE Trans. Биомед.Англ. 54 (33 вып. 3), 473–482 (2007) .10.1109 / TBME.2006.888831 [PubMed] [CrossRef] [Google Scholar] 7. Абрамофф М. Д., Алвард В. Л. М., Гринли Э. С., Шуба Л., Ким С. Ю., Фингерт Дж. Х., Квон Ю. Х., «Автоматическая сегментация диска зрительного нерва из цветных стереофотографий с использованием физиологически правдоподобных характеристик», Invest. Офтальмол. Vis. Sci. 48 (4), 1665–1673 (2007) .10.1167 / iovs.06-1081 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]8. M.C. Нил, С. Бокер, Г. Се, Х. Х. Маес, Mx: статистическое моделирование 6-е изд.(VCU Box
6, Richmond, VA 23298: Департамент психиатрии.)
10. Джаффе Дж., Каприоли Дж. «Оптическая когерентная томография для выявления и лечения заболеваний сетчатки и глаукомы», Am. J. Ophthalmol. 137 (1), 156–169 (2004). 10.1016 / S0002-9394 (03) 00792-X [PubMed] [CrossRef] [Google Scholar] 11. Caprioli J., Klingbeil U., Sears M., Pope B., «Воспроизводимость измерений диска зрительного нерва с компьютерным анализом стереоскопических видеоизображений», Arch. Офтальмол. 104 (7), 1035–1039 (1986). [PubMed] [Google Scholar] 12.Варма Р., Спет Г. Л., «PAR IS 2000: новая система для анализа цифровых изображений сетчатки», Ophthalmic Surg. 19 (3), 183–192 (1988). [PubMed] [Google Scholar] 13. Hrynchak P., Hutchings N., Jones D., Simpson T., «Сравнение измерения соотношения чашки и диска у нормальных субъектов с использованием анализа изображений оптической когерентной томографии головки зрительного нерва и стереофонической биомикроскопии глазного дна», Ophthalmic Physiol. Опт. 24 (6), 543–550 (2004) .10.1111 / j.1475-1313.2004.00235.x [PubMed] [CrossRef] [Google Scholar] 14.Манассакорн А., Исикава Х., Ким Дж. С., Воллштейн Г., Билоник Р. А., Кагеманн Л., Габриэле М. Л., Сунг К. Р., Мумкуоглу Т., Дукер Дж. С., Фудзимото Дж. Г., Шуман Дж. С. «Сравнение краев диска зрительного нерва, идентифицированного по цвету. фотосъемка дисков и высокоскоростная оптическая когерентная томография сверхвысокого разрешения // Арх. Офтальмол. 126 (1), 58–64 (2008) .10.1001 / archophthalmol.2007.16 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar] 15. Дегучи К., Кавамата Д., Мизутани К., Хонтани Х., Вакабаяси К., «Трехмерная реконструкция формы глазного дна и отображение на основе стереоизображений глазного дна», IEICE Trans.INF. & СИСТЕМА , ”E 83-D (7), (2000). [Google Scholar]Сжатие объемных изображений в формате JPEG2000
Медицинское и научное оборудование для визуализации генерирует значительный объем объемных данных. Поскольку такие наборы данных имеют тенденцию быть очень большими, мощная технология сжатия имеет решающее значение для эффективного хранения и передачи, произвольного доступа, поддержки области интереса (ROI) и масштабируемости разрешения / качества.
JPEG2000, текущий стандарт, разработанный Joint Photographic Expert Group (JPEG), обеспечивает эту функциональность для наборов 2D-данных посредством Части 1 (Базовые системы кодирования), 1 и Части 2 (Расширения). 2 Хотя последний косвенно поддерживает трехмерное вейвлет-преобразование посредством расширенного многокомпонентного преобразования, полная схема объемного кодирования по-прежнему важна для функциональности, оптимальной производительности искажения и изотропности для всех измерений.
Сжатие объемных изображений с помощью JP3D
Часть 10 JPEG2000 3 (JP3D), которая касается объемного изображения, направлена на обеспечение той же функциональности и эффективности для наборов 3D-данных, что и для его 2D-аналогов.Спецификация JP3D в настоящее время находится на стадии окончательного раскрытия международного стандарта (FDIS), что означает, что все функции были определены и завершены, и ей нужно только пройти процесс голосования. Он разработан как чистое расширение Части 1 и Части 2. Таким образом, JP3D поддерживает существующие возможности Части 1, расширенные до трех измерений. Он также учитывает синтаксис и возможности многокомпонентных изображений Части 2, хотя не расширяет их все. Функции, относящиеся к кодированию объемного набора данных, такие как ядра произвольного преобразования (ATK) и кодирование ROI, расширяются, в то время как менее важные функции не принимаются.
Важной целью JP3D является обеспечение максимально изотропной спецификации путем поддержки идентичных возможностей обработки во всех измерениях, даже несмотря на то, что синтаксис кодового потока Части 1 и Части 2 различает две пространственные оси и ось между компонентами. Очевидно, что типичные функции, такие как масштабируемость качества и разрешения, а также кодирование ROI, также должны поддерживаться JP3D изотропным образом.
Кроме того, синтаксис пакетов JP3D совместим с интерактивными протоколами, определенными в JPIP 4 (часть 9) для взаимодействия клиент-сервер.Этот протокол позволяет приложениям получать произвольный доступ к потокам удаленного кода, таким образом используя все возможности масштабируемости JPEG2000.
Чтобы снизить стоимость реализации и сохранить относительно простой дизайн кодека, спецификации JP3D не вводят новых концепций кодирования, а повторно используют концепцию, определенную в Части 1 и Части 2, то есть встроенное блочное кодирование путем оптимизированного усечения 5 (EBCOT), основанный на принципах многоуровневого нулевого кодирования (LZC), который является основным элементом стандарта сжатия изображений JPEG2000.
Внутри кодека JP3D
Подобно JPEG2000, часть 1, кодек JP3D сначала разбивает набор объемных данных. Плитки в этом случае представляют собой кубоидные подобъемы, которые затем независимо кодируются. Кроме того, все компоненты кодируются как отдельные наборы данных в градациях серого. Таким образом, кодирование набора данных изображения фактически означает кодирование компонентов мозаичного изображения.
Рис. 1. Разделение поддиапазонов на кодовые блоки двоичного размера.
Затем дискретное вейвлет-преобразование (DWT) фильтрует все коэффициенты выборки тайлов с использованием шаблона разложения Маллата.Количество уровней декомпозиции в каждом из трех измерений можно свободно выбирать. После этого кодек разделяет результирующие поддиапазоны на небольшие кубы двоичного размера, называемые кодовыми блоками, которые кодер EBCOT затем независимо кодирует (см. Рисунок 1). Коэффициенты трехмерного кодового блока обрабатываются в порядке битовой плоскости на битовую плоскость и среза за срезом, как показано на рисунке 2. Внутри битовой плоскости среза шаблон сканирования идентичен шаблону JPEG2000, часть 1, в котором биты сканируются группами из четырех вертикально выровненных битов (сканирование на основе полос).Как только битовая плоскость слайса полностью обработана, алгоритм переходит к следующему слайсу в кодовом блоке.
Рис. 2. Трехмерный шаблон сканирования кодовых блоков.
Рис. 3. График эффективности сжатия, показывающий пиковое отношение сигнал / шум в зависимости от полученных битрейтов для компьютерной томографии (КТ) и магнитно-резонансного изображения (МРТ). Работа в процессе
В настоящее время арифметический кодировщик 3D EBCOT-кодера все еще использует 2D-контекстную модель из Части 1.Это можно объяснить тем фактом, что определение общей трехмерной контекстной модели оказывается неожиданно трудным из-за анизотропного поведения большинства объемных наборов данных и высокой степени сложности, связанной с процессом моделирования. Тем не менее, текущая стандартная спецификация JP3D была определена так, что для этой части можно легко указать улучшенные контекстные модели. В этом смысле предыдущие 6 и текущие исследования 7,8 по трехмерному контекстному моделированию и проектированию привели к значительному выигрышу — до 10% — в производительности сжатия по сравнению с двумерными контекстными моделями, используемыми в Части 1 стандарта.Примеры такого выигрыша показаны на рисунке 3 для двух медицинских изображений.
Заключение
JP3D — это новый компонент пакета JPEG2000, процесс стандартизации которого находится на завершающей стадии. Это прямое расширение JPEG2000 частей 1 и 2, предоставляющее многообещающую технологию кодирования для объемного кодирования для поддержки функций кодирования с потерями в без потерь (масштабируемость качества), масштабируемость разрешения и кодирование области интереса.
Тим Брюланц, Адриан Мунтяну, Алин Алеку, Руди Деклерк, Питер Шелкенс
Департамент электроники и информатики (ETRO)
Брюссельский университет Брюсселя, IBBT
Брюссель, Бельгия
Что такое объемная визуализация? Определение и часто задаваемые вопросы
Определение объемного рендеринга
Объемный рендеринг представляет собой набор методов, используемых в компьютерной графике и научной визуализации для создания 2D-проекции из набора дискретно выбранных 3D-данных.Примером набора 3D-данных является коллекция 2D-изображений срезов МРТ, КТ или MicroCT-сканера. Например, можно собрать серию двумерных срезов человеческого мозга для визуализации трехмерных изображений с объемной визуализацией с использованием алгоритма объемной визуализации.
Обычно пользователи захватывают эти срезы с постоянным количеством пикселей изображения в последовательности и с регулярными интервалами, например, один срез на миллиметр. Это называется регулярной объемной сеткой, в которой пользователи выбирают непосредственную область вокруг каждого вокселя или элемента объема, чтобы получить объемные данные и создать единое репрезентативное значение для этой области.
После того, как этот набор трехмерных данных захвачен, выполняется его двухмерная проекция. Однако сначала необходимо определить объем относительно положения камеры в пространстве. Затем пользователи должны определить цвет и прозрачность каждого вокселя, как правило, с помощью функции передачи RGBA.
Часто задаваемые вопросы
Что такое объемная визуализация?
Объемный рендеринг позволяет пользователям визуализировать трехмерные скалярные поля. Это важно для любой отрасли, которая производит наборы трехмерных данных для анализа, включая физику, медицину, готовность к стихийным бедствиям и многое другое.
Почему объемная визуализация важна для визуализации данных?
Объемный рендеринг и визуализация данных, которую он позволяет, позволяет специалистам понимать медицинские данные, полученные с помощью компьютерных томографов или МРТ-сканеров, сложную гидродинамику, данные сейсмических событий и другие объемные данные, для которых геометрические поверхности недоступны — или просто слишком сложны или недоступны по стоимости генерировать. Объемная визуализация позволяет анализировать эти сложные данные и выявлять сложные трехмерные взаимосвязи.
Сравнение поверхностей рендеринга и объемного рендеринга
Специалисты разработали методы объемного рендеринга для решения проблем с точным отображением поверхностей при визуализации наборов трехмерных данных.Этот процесс создает препятствия, связанные с определением целостности поверхности для каждого элемента объема. Специально для наборов данных, окружающих небольшие объекты или описывающие плохо определенные элементы, определение того, проходит ли поверхность через конкретный воксель, может привести к ложным поверхностям или ложным срабатываниям, а также ошибочным отверстиям на поверхности в результате ложноотрицательных результатов.
Объемный рендеринг решает некоторые из этих проблем, связанных с методами рендеринга поверхностей, за счет отказа от использования промежуточных геометрических представлений.Таким образом, нет необходимости определять, присутствует поверхность или нет, потому что слабые поверхности уже будут отображаться в визуализации.
Рендеринг поверхности основан на предположении о базовых структурах, которые вы визуализируете из данных. Другими словами, вы оцениваете или делаете предположения о том, что находится под поверхностью, на основе ее структуры.
При объемном рендеринге оценка этой базовой структуры является частью процесса визуализации, и такого предположения нет.Вместо этого анализируется природа данных в каждом вокселе. На основе этого анализа назначаются цвета и непрозрачность, производятся расчеты и визуализируются структуры на основе оптического поведения компонентов.
Критической проблемой для обоих методов является рендеринг изображения, имеющего отношение к данным. Рендеринг поверхности основан на предварительном определении поверхности.
Объемный рендеринг идентифицирует и классифицирует соответствующую информацию, в частности, цвета и непрозрачность, и назначает их вокселям на основе информации о них.И высокое качество данных, и выбор техники влияют на качество объемного рендеринга.
Объемный рендеринг высокого разрешения
В процессе объемного рендеринга есть несколько этапов, которые позволяют получить результаты более высокого разрешения:
- Создание объема RGBA, трехмерного четырехвекторного набора данных из данных
- Реконструкция непрерывная функция с использованием этого набора дискретных данных
- Спроецировать плоскость просмотра выходного изображения 2D с оптимальной точки зрения
Объем RGBA включает в себя компоненты цвета R, G и B, известные большинству пользователей, плюс непрозрачность A.Значение непрозрачности 1 означает полную непрозрачность, а значение 0 означает полную прозрачность.
Пользователь помещает непрозрачный фон позади объема RGBA. Это позволяет им сопоставлять данные со значениями непрозрачности и классифицировать важные данные. Чтобы показать изоповерхности, сопоставьте соответствующие значения данных с почти непрозрачными значениями, а остальные — с прозрачными значениями. Методы затенения могут улучшить внешний вид поверхности для формирования отображения RGB. Кроме того, непрозрачность позволяет пользователям визуализировать непрозрачные, изменчивые внутренности сопоставленного объема данных.
К преимуществам объемного рендеринга относится возможность видеть весь набор трехмерных данных как единое целое, не теряя ценной внутренней информации. К недостаткам объемного рендеринга можно отнести стоимость, время на его выполнение и сложность интерпретации облачных интерьеров, создаваемых техникой.
Общие методы объемной визуализации
Существует несколько методов объемной визуализации, и правильный выбор для вашего приложения зависит от нескольких факторов.Методы рендеринга 3D-объема можно сгруппировать в четыре категории: приведение лучей или реймархинг, передискретизация или деформация сдвига, нарезка текстуры и разбрызгивание.
Приведение лучей с прямым объемным рендерингом обычно достигается следующим образом. Начиная с камеры, пользователь перемещается в объем и через него, собирая данные о цвете, плотности, освещении и градиенте в каждой точке. Конечным результатом является слегка мутное изображение, которое передает подробности обследованной части поля. Такой прямой объемный рендеринг обычно лучше подходит для визуализации более мягких наборов данных, которые представляют вариации плотности, поля потоков и другие подобные вещи.
Для более четких границ и структур, например, от окрестностей до костей, может быть более полезно исследовать объемные данные, используя другие методы объемного рендеринга, такие как объемный рендеринг с трехмерным срезом. В этом методе пользователь разрезает объем, чтобы получить нужную информацию в каждой точке.
Например, пользователь может извлечь из данных сетку тетраэдра или треугольника, чтобы отобразить ее как объект, который кажется твердым. Это позволяет пользователям виртуально изучать кривизну объекта, топологию и другие физические характеристики.
Метод сплаттинга обеспечивает менее точную визуализацию, чем такие методы, как лучи, но также работает быстрее. Он использует другой метод проецирования, налагая значки в порядке следования вперед и друг на друга для создания окончательного изображения.
Любое введение в объемный рендеринг должно охватывать различные методы, потому что ни одно программное обеспечение или методика объемного рендеринга не может обрабатывать все задачи одинаково.
Объемный рендеринг 3D-текстуры
Объемный рендеринг 3D-текстуры или просто 3D-текстурирование или наложение текстуры — это особый аппаратный метод, который позволяет пользователям создавать интерактивные срезы, ортогональные к виду.Это обобщает и применяет наложение двухмерных текстур к трехмерным текстурам, обеспечивая интерактивный объемный рендеринг.
При наложении 2D текстуры пользователь интерполирует нормальные координаты поверхности по внутренней части многоугольника плюс две дополнительные координаты: s и t. Объемный рендеринг на основе текстуры интерполирует три дополнительных координаты, s, t и r, в качестве индексов для определения непрозрачности и цвета пикселя для визуализации 3D-текстуры как трехмерного изображения.
Что такое параллельная объемная визуализация?
Параллельный объемный рендеринг обеспечивает высококачественную интерактивную визуализацию больших наборов данных на кластере машин.Есть три основных метода параллельной объемной визуализации. Подходы с принципом сортировки помещают фазу сортировки на раннем этапе графического потока, перед растеризацией и преобразованием примитивов. Если сортировка происходит между этими шагами, это метод сортировки по центру, тогда как сортировка по обоим другим шагам — это метод сортировки в последнюю очередь.
Предлагает ли OmniSci решение для объемной визуализации?
OmniSci Render позволяет создавать интерактивные визуализации данных высокой мощности на стороне сервера.OmniSci Render использует кэширование буфера графического процессора, интерфейс, основанный на грамматике визуализации Vega, и современные графические API-интерфейсы для создания настраиваемых диаграмм, тепловых карт, точечных карт, диаграмм рассеяния и других визуализаций, обеспечивая полностью масштабируемое визуальное взаимодействие с нулевой задержкой.
Узнайте больше о OmniSci Render и решениях для объемного рендеринга в реальном времени.
Что такое крупномасштабная фотография
Узнайте больше об уникальной нише крупномасштабной фотографии, а также об ее преимуществах и недостатках.
Если у вас когда-либо были школьные фотографии или фотографии спортивной команды, значит, вы участвовали в крупномасштабной фотосъемке. В этом типе фотографии фотограф стремится сделать большое количество снимков за один присест на одном фоне или месте. Давайте рассмотрим плюсы и минусы этого жанра.
Каковы преимущества крупномасштабной фотографии?
Как фотограф, вы добиваетесь больших объемов фотографий, создавая эффективную настройку. Это означает, что вы используете один фон для фотографирования нескольких объектов с одинаковым освещением и настройками камеры.Создание такой установки обеспечивает колоссальный уровень эффективности вашего бизнеса, что может привести к постоянному потоку работы и доходов с течением времени.
По мере того, как вы наращиваете клиентскую базу, возможности для повторных сессий могут включать в себя хедшоты в коммерческих офисах, школьные портреты, портретные будки для сбора средств и фотографии спортивных команд.
Еще одно преимущество крупноформатной фотографии — меньше времени, затрачиваемого на редактирование. Поскольку освещение и фон не меняются, придется вносить меньше правок, если они вообще есть.
Есть ли недостатки у крупномасштабной фотографии?
Некоторым фотографам может казаться, что в большой фотографии мало места для творчества. Однако многие фотографы предпочитают использовать эту нишу для получения стабильного дохода, одновременно работая над другими, более творческими занятиями.
Еще один аспект, который следует учитывать, — это цифровая настройка. Фотографии большого объема требуют одинаково большого объема места для хранения фотографий. Это означает, что, помимо качественного оборудования и инструментов для камеры, вам также нужно будет инвестировать в значительное пространство на жестком диске и надежную систему резервного копирования.
Для получения качественных фотографий и эффективного рабочего процесса ознакомьтесь с советами и методами фотографии, которые стоит попробовать.
Исследуйте все, что вы можете делать с Adobe Photoshop и Lightroom .
% PDF-1.6 % 1163 0 объект > эндобдж xref 1163 251 0000000016 00000 н. 0000007782 00000 н. 0000008020 00000 н. 0000008066 00000 н. 0000008199 00000 н. 0000009140 00000 н. 0000009280 00000 н. 0000009420 00000 н. 0000009809 00000 н. 0000010198 00000 п. 0000010313 00000 п. 0000010426 00000 п. 0000012114 00000 п. 0000013244 00000 п. 0000014531 00000 п. 0000016237 00000 п. 0000017642 00000 п. 0000018951 00000 п. 0000020551 00000 п. 0000022055 00000 п. 0000022091 00000 п. 0000022170 00000 п. 0000028496 00000 п. 0000028831 00000 п. 0000028900 00000 п. 0000029018 00000 п. 0000029132 00000 п. 0000029203 00000 п. 0000029297 00000 п. 0000049605 00000 п. 0000049877 00000 п. 0000067309 00000 п. 0000067338 00000 п. 0000067744 00000 п. 0000067773 00000 п. 0000068086 00000 п. 0000069480 00000 п. 0000069812 00000 п. 0000070184 00000 п. 0000071885 00000 п. 0000072245 00000 п. 0000072618 00000 п. 0000072738 00000 п. 0000072837 00000 п. 0000072987 00000 п. 0000073094 00000 п. 0000073186 00000 п. 0000073310 00000 п. 0000073460 00000 п. 0000073539 00000 п. 0000073743 00000 п. 0000073821 00000 п. 0000073938 00000 п. 0000076524 00000 п. 0000076565 00000 п. 0000077765 00000 п. 0000077832 00000 п. 0000077911 00000 п. 0000078036 00000 п. 0000078165 00000 п. 0000078280 00000 п. 0000078405 00000 п. 0000080319 00000 п. 0000080386 00000 п. 0000080465 00000 п. 0000080581 00000 п. 0000081123 00000 п. 0000081673 00000 п. 0000082086 00000 п. 0000086779 00000 п. 0000086820 00000 н. 0000087115 00000 п. 0000087178 00000 п. 0000087253 00000 п. 0000087362 00000 п. 0000087458 00000 п. 0000087639 00000 п. 0000087767 00000 п. 0000087900 00000 п. 0000088024 00000 п. 0000088152 00000 п. 0000088329 00000 п. 0000088473 00000 п. 0000088587 00000 п. 0000088729 00000 п. 0000088905 00000 н. 0000089050 00000 п. 0000089194 00000 п. 0000089356 00000 п. 0000089468 00000 п. 0000089571 00000 п. 0000089737 00000 п. 0000089849 00000 п. 0000089964 00000 н. 00000
00000 п. 0000000000 п. 00000
00000 п. 00000 00000 н. 00000 00000 п. 00000 00000 н. 0000000000 н. 00000