مدل‌سازی بلادرنگ، متعامل و رزولوشن بالای بافت نرم به روش غنی‌سازی مبتنی بر داده

در این مقاله روشی برای مدل‌سازی بلادرنگ و متعامل بافت نرم در رزولوشن بالا بررسی می‌شود که در آن مدل درشت بافت نرم با غنی‌سازی مبتنی بر داده به مدل ظریف تبدیل می‌شود. برای این منظور در مرحله پیش‌پردازش نمونه‌های متناظر درشت و ظریف برای ساخت پایگاه داده‌های آموزشی ایجاد می‌شوند. با استفاده از یک رگرسور، مدل درشت مرحله آزمایش با مدل‌های درشت مرحله آموزش مقایسه شده و وزن‌هایی به هر نمونه آموزشی تخصیص می‌یابد و با این وزن‌ها بافت ظریف مرحله آزمایش با ترکیب خطی مدل‌های ظریف آموزشی تخمین زده می‌شود. با فرض تغییرشکل‌های محلی ناشی از اعمال نیرو به بافت، روشی برای استخراج بردار ویژگی پیشنهاد می‌شود که تغییرات مکانی گره محل تماس و گره‌های اطراف آن را روی مش مدنظر قرار داده و از تغییرات گره‌های دورتر صرف‌نظر می‌کند. این مساله باعث کاهش بعد بردار ویژگی و در نتیجه کاهش پیچیدگی محاسبات می‌شود. برای تعیین میزان شباهت و محاسبه وزن‌های ترکیب خطی، از رگرسور غیرخطی با هسته گوسی استفاده می‌شود و برای کاهش اعوجاج ناشی از وزن‌های منفی، الگوریتم حداقل مربعات غیرمنفی در رگرسور اعمال می‌شود. روش پیشنهادی روی دو مدل بافت نرم پیاده‌سازی شده و از نظر دقت بازسازی، پیچیدگی محاسباتی و زمان شبیه‌سازی مورد بررسی قرار گرفته است.

Real-time Interactive High Resolution Soft Tissue Modeling in a Data-Driven Enrichment Approach

In this paper, a realtime interactive high resolution soft tissue modeling is implemented that enriches a coarse model in a datadriven approach to produce a fine model. As a preprocess step, a set of corresponding coarse and fine models are simulated for the database. In the test step, by using a regressor, the coarse model in the test set is compared to the coarse models in the training set and the blending weights are assigned to the training coarse models. These weights are used for approximating the fine model as a linear combination of the corresponding fine models in the train set. To decrease the computational complexity, assuming that applying a force on the tissue results in a local deformation, a feature extraction algorithm is proposed that considers the displacements of the contact node and its neighbor nodes and ignores the rest. This results in a low dimensional feature vector and decreases the computational complexity. In order to compute the blending weights, a nonlinear regressor with Gaussian kernel is leveraged. To eliminate the artefacts resulting from negative weights, a nonnegative least square algorithm is used for regression. Simulation results of applying the proposed method on two soft tissue models are investigated regarding the reconstruction accuracy, computational complexity and running time.