Close

Объемное фото: 5 Эффективных способов сделать фотографию объемной » PhotoCasa

Содержание

Объемное фото. Зачем он это делает ?

Что вы видите ? Фотографию ? Фотошопную картинку ? Нет, нет и нет …

Это на самом деле объемная инсталляция …

Фото 2.

 

Земля прекрасна и полна сюрпризов. Так Мэтью Олбанезе, Нью-йоркский фото-художник, создает потрясающе реалистичные модели обычных пейзажей и фотографирует их, как если бы они были частью земли. Мэтью назвал свой проект “Странные Миры”, ибо, действительно, странно, увидеть коралловые рифы, сделанные из грецких орехов или горы построенные из корицы. Будучи профессиональным фотографом, и используя различные приемы съемки, Олбанезе запросто может изменить внешний вид любого материала и создать образ любого объекта, который покажется вам вполне естественными.

Фото 3.

 

Совершенно невозможно поверить в то, что эти красивейшие пейзажи… ненастоящие.  Фотограф Matthew Albanese создаёт эти красивые пейзажи, не выходя из дома. Можно даже сказать, что это некое ответвление жанра натюрморт, его удивительная форма. Из различных подручных предметов, он воссоздаёт минипейзаж. На фотографии, где не видно обустройства фотостудии мастера, совершенно невозможно понять, что всё это искусственное.

Такие фотографии были бы похожи на обычные пейзажи и вряд ли вызвали бы тот интерес, которым пользуется творчество фотографа Matthew Albanese. Поэтому вместе с оригинальными фотографиями, показывающими результат, он представляет и фотографии самих моделей, то есть, как они выглядят на самом деле и сам процесс их создания

 

Фото 4.

Фото 5.

Фото 6.

Фото 7.

Фото 8.

Фото 9.

Фото 10.

Фото 11.

Фото 12.

Фото 13.

Фото 14.

Фото 15.

Фото 17.

Фото 18.

Фото 19.

Фото 20.

Фото 21.

Фото 22.

Фото 23.

Фото 25.

Фото 26.

Фото 27.

Фото 28.

Фото 29.

Фото 30.

Фото 31.

Фото 32.

Фото 33.

Фото 34.

Фото 35.

Фото 36.

Фото 37.

Фото 38.

Фото 39.

 

официальный сайт  художника http://www.matthewalbanese.com/

 

… и еще немного интересного творчества для вас:  вот Резьба по камню в Китае,
а вот Картины написанные едой и напитками. Посмотрите еще на Огненные животные из фрактального зоопарка и Цветочные гиганты Монреаля Оригинал статьи находится на сайте ИнфоГлаз.рф Ссылка на статью, с которой сделана эта копия — http://infoglaz.ru/?p=42118

Объемные изображения

Обзор доступных техник и технологий

Если от этой чехарды палочек и звездочек у вас просто рябит в глазах — расслабьтесь. С некоторой вероятностью вы увидите, что вертикальные палочки и звездочки парят над экраном или хотя бы одни из них (палочки или звездочки) парят над другими. Опыт рассматривания «чудесных картинок» очень поможет в этом деле. А если опыта нет — тренируйтесь. Нужно заставить глаза смотреть за плоскость (или перед ней) так, чтобы левый и правый глаза «скосились» и на одном и том же воспринимаемом ими месте видели на самом деле разные (по действительному расположению в пространстве) элементы. То есть если первый столбец для левого глаза будет восприниматься на том же месте, что и второй (третий и т. д. или наоборот) для правого, вы, скорее всего, увидите то, чего нет. Склонные к созерцанию могут заметить подобный эффект необычного объема на длинных панельных многоэтажках или сидениях стадионов.

Тем, кто хочет узнать об объемном видении, можно читать дальше. Никакой магии, видение в смысле видения глазами (обычными и даже в очках).

Восприятие объемных предметов основано на том, что у нас два глаза и наш мозг «привык» сводить данные с двух «видеокамер» в одну картинку, учитывающую то, что предметы видятся несколько под разными углами и потому сами картинки чуть отличаются.

Простейшую объемную фотографию сделать просто. Снимите одно и то же два раза, глядя на объект через видоискатель сначала правым глазом, а затем левым. Соблюдайте следующие правила:
предмет съемки должен находится там, где мы обычно видим предметы объемными (грубо говоря маленькие предметы на маленьком расстоянии, большие на большем, но даже горы с 1 км объемными не увидишь, к примеру, человека лучше снимать с 3-5 метров),
смещение камеры должно быть близким к расстоянию между глазами (а вот для съемки гор базу можно и увеличить, вот только на стереопаре горы будут «уменьшены»),
ваше смещение относительно предмета должно строго соответствовать линии между зрачками ваших глаз при разглядывании предмета и его готового стереоснимка (грубо говоря, вдоль горизонтали, если вы ровно стоите или сидите, а не лежите на боку).

После сделайте пару фотографий и расположите их рядом. (Как приведенные выше снимки фотокамеры.) Левый глаз и камера, снимавшая левый вид, почти не видит фонарь подсветки фокусировки, а правый глаз и его камера видят. Так же правый вид воспринимается более коротким. В таких искажениях и деталях и кроется стереоэффект. Натренированные глаза без особого труда метров с 2 совместят два снимка в один и, не обращая внимания на боковые виды, в центре увидят объемную камеру Canon 300D. (Фотографию вверху лучше уменьшить, чтобы не отходить от монитора и разглядывать, поместив между видами перегородку из непрозрачного материала, можно взять и стереоочки из комплекта цифровых камер Pentax).

Подобная техника широко используется в различных приложениях. К примеру, по двум снимкам одного и того же горного склона, сделанным с интервалом в год, и «сведенным» глазами в одно изображение можно заметить те участки склона, которые за это время сместились, они выпадут из «плоской» картинки в глубину или будут «мешать» сведению видов в один.

Хороший обзор эффектов объемного видения можно найти на сайте http://leonids.ru/. В приведенных там отрывках из книги Я.И. Перельмана есть и упоминание о таком интересном способе создания иллюзии объема, как быстрое чередование картинки для левого и правого глаза. Смотрите, что получилось:

Наиболее простой способ (для восприятия зрителей) создания искусственного стереоэффекта — подача изображений каждому глазу отдельно. Можно это делать с помощью маленьких очков-телекамер, применения пар поляризационных фильтров (как в кинотеатрах). Но технологически проще техника Анаглифии. О том, что это такое здесь. Из обычной стереопары нужно сделать такую пару, чтобы через цветные очки (разные цвета фильтров для разных глаз) каждый глаз видел только предназначенное ему изображение. Предположим, что левый снимок должен видеть только левый глаз и светофильтр на левом глазу красный (а на правом сине-зеленый). Красный светофильтр пропускает красные лучи, а дополнительные к красному цвета видятся «черными». Поэтому синее или зеленое изображение будет восприниматься как обычная фотография. А вот изображение «нарисованное красным цветом» через красный фильтр будет неконтрастным-невидимым, ведь красное и белое видятся через красный фильтр «белым» и «темных» деталей там нет. Аналогично и для правого глаза с синим или зеленым фильтром видимое изображение будет красным, а невидимое, «нарисованным» синим или зеленым цветом. В photoshop сделать такие изображения просто. В левой картинке (ее рассматриваем через красный фильтр) удалим зеленый и синий каналы так, чтобы они стали «белыми», то есть зальем их белой краской или сотрем белым ластиком. А в правой (ее рассматриваем через сине-зеленый фильтр) удалим (заменим на белый) красный канал (и через красный фильтр левого глаза картинка станет невидимой — в красном канале все бело, а два других цвета через красный фильтр не проходят). Получим цветную пару:

Сведем каналы в одно изображение. Для этого можно перетянуть недостающие каналы из одного изображения в другое, либо наложить картинку на картинку новым слоем с половинной прозрачностью для верхнего слоя. Затем сведем слои и настроим уровни (контраст и яркость). Если исходные снимки были цветными, то цветным останется и конечное изображение. Это настоящая анаглифная фотография.

Применять красный, зеленый или голубой фильтры не обязательно. Необходимо только понимать, что для корректного восприятия анаглифной фотографии изображения для левого и правого глаза должны быть близкими по контрасту. Если же мы возьмем в качестве фильтров желтый и пурпурный, то стерео эффект будет слабым, а сам снимок, не содержащий части сине-зеленого спектра будет окрашен.

Поэтому лучше выбирать фильтры «противоположенные» по цветовому кругу красный-голубой, пурпурный-зеленый. Но можно взять и пурпурный-голубой. А вот комбинации с желтым лучше не пробовать.

Для получения объемного эффекта не обязательно иметь стереопару. К примеру, на приведенной ниже анаглифной фотографии просто немного сдвинут красный канал вправо. Если смотреть на нее через цветные очки, то фотоаппарат будет «висеть» над дисплеем или за ним, в зависимости от того, как вы оденете очки (красный на левом, синий на правом или наоборот).

 

Еще большего правдоподобия можно добиться, если сдвинуть один из каналов тем сильнее, чем дальше предмет на снимке.Это настоящая стереопара.

А это искусственная анаглифная фотография. Москва 5 без сдвига, у чайника сдвиг больше, а у бутылки максимальный.

Еще одним способом разделить изображение на два отдельных для левого и правого глаза является растровая стереофотография. Сейчас при некоторых затратах на ПО и растр можно сделать неплохие стереофотографии на растровой подложке обычным струйным принтером. Подробнее здесь.

А теперь вернемся к тому, с чего начали. Обману. Если на изображении есть устойчивая структура с некоторым горизонтальным шагом, то левый и правый глаз могут видеть ее несколькими способами. Как есть или со сдвигом и совмещением «узловых» точек на шаг (два). При этом если структура не одна и есть несколько наборов «решеток» с отличающимся шагом, то при их совмещении со сдвигом (когда на месте одного узла для одного глаза другой глаз видит соседний узел) будет казаться, что структуры-решетки разведены в глубину. Подробное обсуждение темы можно посмотреть здесь, оттуда же и картинка, приведенная далее с плавающими в пространстве крестиками, звездами и точками.

Чуть усложнив схему, введя «непрерывный» узор с некоторым горизонтальным шагом и промодулировав шаг для одинаковых точек соседних полос глубиной картинки, можно создать и настоящие 3D стереограммы. Они конечно не цветные.

Одна из первых статей на русском по этой теме здесь. Взять бесплатно программу для создания 3D картинок можно здесь. Чтобы сделать объемное «невидимое» изображение нужен узор (программа его предоставляет) и карта глубины. Ниже приведена карта глубины биплана. В старых версиях (Surface 3D 1.16) программы был модуль 3DModel-OpenGL, позволяющий конвертировать скелетные модели 3D-Max (и других подобных программ) в карту глубины. Так что можно поискать старые версии программы в интернете. А вот для новой версии Surface 3D 2 карты глубины придется делать в ручную (в программе есть редактор и набор примитивов геометрических фигур и шрифтов).Это карта глубины. Яркость пропорциональна удалению от наблюдателя.


А это промодулированный картой глубины регулярный «шум». В новой версии программы для помощи новичкам в «поиске» скрытого изображения в картинку можно внедрить метки (к примеру, два кружочка). «Правильное» положение глаз то, при котором метки совмещены. Как видно узор повторяется. В этом и секрет. Но в соседних полосах «одинаковые» точки смещены горизонтально относительно друг друга пропорционально яркости модулирующей их точки реального изображения из карты глубины.

А это стереограмма яблока, выполненная в старой версии программы.

Еще про стереофотографию можно почитать здесь и здесь.

3d фото, 3d фотографии и объемные изображения.

3d фото, 3d фотографии и объемные изображения.

3d фото, объемные изображения 3d фотографии: Третье измерение фотографии.

3d фотографии вызывают сегодня большой интерес не только среди обычных людей, но и среди создателей фототехники. Десятки фирм вот уже ни один год ведут разработки новых технологий съемки и печати объемных фотографий, пытаясь добавить изображениям третье измерение. Под термином 3d фото сегодня понимают множество, совершенно различных по сути вещей. Это и изображения в стиле «волшебный глаз», и круговые флеш-анимированые панорамы, и стереофоторгафии, рассматривать которые необходимо в специальных очках, и фотографии с двойным изображением, на первый взгляд не отличающиеся друг от друга. Так что же такое 3d фото на самом деле? Давайте разбираться.

Итак, под третьим измерением мы всегда подразумеваем глубину, которая на самом деле является лишь иллюзией глубины. Обратите внимание, что если закрыть один глаз, то реальные объемные предметы не становятся от этого двухмерными, но что-то все же меняется в их восприятии. Человек – одно из немногих существ на земле, обладающих стереоскопическим зрением. Рыбы, например, видят две отдельных картинки, передаваемые левым и правым глазом. Из-за того, что между нашими глазами имеется некоторое расстояние, наша картина мира сливается воедино из двух, немного отличающихся между собой, изображений. На этом принципе основаны все «волшебные» технологии 3d фотографии.

Но вернемся к определению 3d фото. Каким бы изображение не было на плоскости, трехмерным фото оно будет лишь казаться, поэтому любые3d фото можно называть таковыми только условно. Сегодня очень популярны «трехмерные фотографии», созданные при помощи монтажа в программе Photoshop. Третье измерение фотографии здесь достигается путем включения в изображение изометрических плоскостей, либо визуальным отрывом основного объекта, и переноса его, как бы, в другую реальность.

Каким бы на первый взгляд простым не казалось создание 3d фото, достичь ярко выраженного трехмерного эффекта удается далеко не всегда. И в этом деле есть свои законы, наподобие тех, которые существует в живописи. Те самые контрасты, светотени и перспективы, однако присутствуют и чисто фотографические законы, касающиеся цветового баланса, резкости и качества цифрового изображения. Трехмерные фотографии привлекают внимание, в первую очередь, своей неординарностью. Для их созерцания не нужны ни какие приспособления; они могут быть напечатаны в журнале, книге, опубликованы на интернет-страницах и т.д. Именно такие 3d фото имеют огромную ценность для рекламы и наиболее подходят в качестве оригинальных иллюстраций. Сегодня часто можно услышать, что в будущем выпустят фотокамеру, способную сразу выдавать трехмерные изображения, однако такое не возможно ни сейчас, ни потом, как и невозможно получить настоящую картину маслом при помощи принтера. Человеческий фактор, к счастью, играет и в том и в другом ключевую роль.

Термином 3d фото можно называть и стереофоторгафии, представляющие собой два, соединенных вместе, изображения одного и того же объекта, каким его видит левый и правый глаз. Если смотреть на такие трехмерные изображения, фокусируясь вначале на кончике носа, то через несколько секунд зрение настраивается таким образом, что наблюдатель видит абсолютно реальную объемную картинку. Эффект трехмерного изображения действительно впечатляет, однако далеко не все могут его увидеть. Теоретически объемные стереокартинки могут видеть все здоровые люди, однако не всем им хватает терпения настроить свое зрение самый первый раз.

3d фотографии также бывают предназначены для просмотра в специальных анаглифных очках (3d анаглиф). Их примитивная модель представляет собой картонную копию очков, в которых один глаз имеет красный светофильтр, а другой – синий. В результате каждый глаз при просмотре фото видит предназначенное ему изображение, а наш мозг интерпретирует полученную информацию как объемный объект. Изначально такая фотография представляет собой два, сведенных определенным образом изображения, различающихся по цвету. У 3d фотографии бесспорно большое будущее. Возможно, вскоре произойдет трехмерная революция, по своей значимости подобная той, которая случилась на рубеже черно-белой и цветной фотографии.

Как сделать фотографию объёмной? :: photoschoolonline.ru

Как сделать фотографию объёмной?

Ощущение объёмности окружающего мира человек получает через бинокулярное зрение — это зрение с использованием информации, поступающей в мозг через два глаза — слияние разных монокулярных изображений объекта в единый зрительный образ. При этом поля зрения накладываются друг на друга, образуя общее объёмное изображение.

 

Автор фото 1 Алексей Бушов ©

 

Фотография – плоскость, и для того чтобы передать на ней объёмный окружающий мир, нужно создать его иллюзию. Мозг человека сам создаёт любую иллюзию, нужно только дать ему зацепки — изобразительные признаки перспективы, позволяющие воспринимать объёмно любое плоское изображение. Мозг, используя наш зрительный опыт восприятия реального мира опирается на эти признаки и воссоздаёт иллюзию третьего измерения в двухмерном фотоснимке.

 

Перспектива — это, прежде всего оживление плоскостного пространства, восстановление его первичной объёмности.

 

Существуют признаки глубины пространства, зная которые, фотограф может передать в своих изображениях перспективу:

 

Сходящиеся линии в изображении создают впечатление глубины пространства;

Уменьшение размеров равновеликих предметов создаёт впечатление удаленности;

Изменение формы объектов по мере их удалённости от фотокамеры;

Изменение яркости и контрастности объектов, по мере удаления;

Уменьшение чёткости контуров предметов, нерезкость изображения и другие признаки…

 

Автор фото 2 Алексей Бушов ©

 

Большинство признаков переспективы присутствуют в фото 2 (сверху) — уменьшение размеров растений создаёт впечатление удаленности, уменьшение яркости и контрастности деревьев и холмов, по мере удаления, уменьшение чёткости контуров холмов и их нерезкость.

 

Автор фото 3 Алексей Бушов ©

 

На фото 3 объёмность изображения передана при помощи использования широкоугольного объектива, светотени, уменьшения фигуры кузнеца на заднем плане, по сравнению с тем, что находится на переднем, перекрывания фигурой молодого кузнеца части сюжета — это всё создаёт иллюзию глубины пространства.

 

Зная и умело пользуясь изобразительными признаками глубины, творческий фотограф по-своему организует пространство кадра, добивается его протяженности, сжатости, деформации. Существуют фотографии, в которых авторы сознательно свели на нет объём в изображении или даже построили обратную перспективу.

 

На фото 4 нет перспективы, наоборот, я намеренно «сплющил» пространство применением телеобъектива и превратил сюжет в двухмерный объект — силуэт сухого дерева, как бы вырезан в плоскости. Это авторская интерпретация пейзажа Мёртвого озера в Намибии.

 

Автор фото 4 Алексей Бушов ©

 

Более подробно об этих и других приёмах передачи перспективы и объёмного пространства Вы можете узнать из материалов «Маркета занятий», раздел «Планы. Перспектива. Композиция»

Занятия «Точки съёмки и крупность плана» и «Песпектива в фотографии»

 

Автор урока Алексей Бушов © Спасибо за внимание.

Понравился урок — поделись!

разбираемся с терминологической путаницей / Хабр

Сегодня одним из самых эффективных способов визуальной презентации товаров в интернет ритейле считается трехмерная визуализация. Есть мнение, что трехмерное изображение или его имитация позволяют получить детальное представление о форме товаров и рассмотреть его с различных ракурсов. Чаще всего приходится слышать о “3D фото”, также используют термин “360 фото” или “360-градусная фотография”, иногда также упоминается словосочетание “3D обзоры”. Нередко все эти типы визуального контента путают, происходит подмена понятий. В отсутствии четкого понимания и терминологической путаницы, те или иные виды трехмерной визуализации до сих пор остаются не слишком востребованными со стороны интернет-магазинов, и ритейлеры предпочитают старые добрые двухмерные фото. Под катом краткий ликбез об отличиях различных типов трехмерной визуализации товаров, а также о том, что к ним вообще не относится.



3D-фотография из 19-го века

Вопреки распространенному заблуждению — это совсем не то, что мы привыкли видеть на страницах товаров интернет-магазинов. Второе название 3D-фотографии — стереография, и появилась она достаточно давно. Отцом стереофотографии считается профессор Лондонского Королевского колледжа Чарльз Уитстон (Charles Wheatstone). В 1833 году ученый создал стереоскоп — прибор, который позволял видеть объемное изображение, для чего использовались две исходные картины со смещением. Фотография в тот момент ещё не была изобретена, но именно принципы, открытые Уистоном, легли в её основу.

Первый стереофотоаппарат, оснащенный двумя объективами, предназначенный для создания 3D фотографий, появляется уже в 1849 году. Его создает шотландец Дэвид Брюстер (David Brewster). 3D фотография является фактически ровесницей обычной фотографии, а пик её популярности приходится на 20-е годы прошлого столетия. Тогда 3D фото использовались как аттракцион, на котором применяли стереоскопы для просмотра 3D фотографий экзотических стран, туристических объектов и голых натурщиц.

То, что сегодня нередко называют 3D фотографией и размещают в интернет магазинах в качестве трехмерной визуализации товара, таковой по сути не является. И этот термин некорректно применять для таких изображений.

Сегодня 3D фото существуют скорее как вид искусства и как хобби фотолюбителей, в частности, на хабре есть несколько статей

по этому поводу

360 фото

Для того, что сегодня иногда ошибочно называют 3D фото, существует другой, более точный термин — 360 фото. По ним подразумевают технику панорамного фотографирования, которая позволяет создать иллюзию объемного объекта, как правило, вращающегося. Результат такой съемки можно отображать в виде интерактивной анимации, которая показывает объект со всех сторон и позволяет пользователю управлять вращением объекта. Фактически, это обычная панорамная фотография объекта, сделанная с горизонтальным и иногда вертикальным углом обзора 360 градусов.

Можно выделить несколько видов 360-градусных фотографий, они могут состоять из 36 изображений (отклонение очередного ракурса 10 градусов), 72 изображения и более. Чем выше количества кадров, тем более плавным будет вращение трехмерного объекта на фото и тем реалистичнее будет опыт.

В зависимости от техники съемки, выделяют однорядные и двухрядные 360-градусные фотографии. Первый тип допускает съемку и, соответственно, вращение объекта в горизонтальной плоскости. Второй предполагает создание 3-х или 4-х рядов фотографий, каждый по 12-18 снимков, обеспечивающих вращение как в горизонтальной, так и в вертикальной плоскости.

Помимо отображения в виде интерактивной анимации некоторые ритейлеры используют созданные на основе 360-градусных фотографий gif файлы. Зацикленное видео поворачивает объект с заданной скоростью и позволяет пользователю рассмотреть его с разных сторон. На основе принципов, заложенных в 360-градусную панорамную фотографию, был также реализован принцип VR-фото, позволяющий наблюдать VR-панорамы городов.

Если вернуться к реалиям Интернет-торговли и чаяниям пользователей, то 360-фото имеет всего 2 существенных технических недостатка:
— неспособность презентовать товар в действии, как это делает видео и 3D обзоры;
— значительная длительность загрузки (от 20 до 40 сек при скорости 40 мб/сек) по сравнению с двухмерными фотографиями.

3D-обзор

3D-обзор — термин, введенный в обиход компанией

Review3

для обозначения трехмерных интерактивных моделей товаров, которые они создают. Для обзора при помощи 3Dmax создается 3D модель, которая объединяется с текстурами и приобретает вид товара, слабо отличимого от фотографии. Обзор позволяет вращать объект в любой плоскости, менять текстуру, цвет, а также добавляет возможность интерактивного использования функций. При наведении на функциональный элемент модели, демонстрационный плеер отображает его название (например, место для крепления штатива камеры, вентиляционное отверстие в ноутбуке и т.п.).

Изначально объекты 3D-обзоров разительно отличались от 360-градусных фото достаточно низким визуальным реализмом, сегодня разработчикам очевидно удалось преодолеть этот недостаток. Загрузка 3D модели происходит намного быстрее, чем панорамных снимков 360, в среднем от 3 до 8 секунд. Основной проблемой массового применения 3D обзоров является их сравнительная малочисленность. Мы знаем только одну компанию, которая занимается их созданием в настоящий момент. На сколько мы могли понять, они занимаются созданием 3D обзоров товаров высокого спроса.

В настоящий момент в базе около 5000 обзоров на популярные товары, т.е. на те, которые есть у большинства ритейлеров. Компания стремится оценивать наиболее востребованные позиции, и делает на них обзоры, включая в крупные коллекции. Такое положение, вероятно, обусловлено сложностью создания таких обзоров и бизнес-моделью, учитывающей этот фактор. Компания практически не берется за заказные разработки, если ей не интересна предложенная продуктовая группа.

Они продают готовые коллекции актуальных обзоров по фиксированной стоимости. Конкретно для нашего каталога из всего, что предложено Review3, подходит коллекция наушников, остальной ассортимент товаров, реализованный в обзорах, не представлен в нашем каталоге. Характерным преимуществом обзоров можно считать стоимость, так как не уникальная, но информативная коллекция обзоров стоит значительно дешевле, чем уникальные фото.

Сухой остаток

3D фото, которыми сегодня называют любую трехмерную визуализацию в интернет ритейле корректно называть лишь стереоснимки, появившиеся ещё в 19 веке. Никакого отношения к электронной коммерции они не имеют. 360-градусные фото и 3D обзоры товаров сегодня востребованы мало. Первые в силу длительности, трудоемкости, а соответственно, стоимости технологии, а вторые — ещё и в силу ограниченности ассортимента. В итоге, большинство крупных ритейлеров, в том числе и мы, пока не торопятся переходить на новые форматы, воспринимая их как перспективное, но рискованное вложение. Между тем, за этим будущее, так как далеко не всех устраивает плоское изображение, а иных способов получить детальное представление о товаре онлайн на данный момент никто не придумал. Я полагаю, что со временем трехмерные визуализации товаров будут становиться всё более и более популярными, по крайней мере до тех пор, пока растет популярность интернет-ритейла. Приглашаю поучаствовать в опросе. Его результаты мы примем во внимание, когда будем выбирать контент для новых товаров.

‎App Store: Loopsie — 3D Фото Редактор

Превратите каждую картинку в невероятное 3D-фото! Выбирайте из десятков уникальных 3D-наклеек: бабочек, пузырей, блесток, снега и многих других.

Не требуется штатив или профессиональная видеоинструмент.
Loopsie позволяет создавать потрясающие видео и фотоэффекты.
3D фото, Умная длинная выдержка, легкие трассы, живые фотографии и многое другое. Все в одном приложении без какого-либо профессионального оборудования. Просто немного творчества, и ваши фотографии оживут с потрясающим кинематографическим эффектом!

(*) смесь изображения и видео. Они похожи на волшебные фотографии. (А с Loopsie ты волшебник!)

ОСНОВНЫЕ ОСОБЕННОСТИ ВИДЕОРЕГУЛИРОВАНИЯ

Наши живые видео и фотоэффекты делают ваши видео уникальными и выделяют ваш контент среди других фотографий и видео.
Забудьте о старых фотофильтрах и фоторедакторе, приветствуйте наши новые захватывающие видео петли.

3D фото Editor
Добавьте новое измерение к вашим фотографиям.
Вы можете использовать нашу встроенную 3D камеру или создать 3D фотографию, начиная с обычной фотографии.
Вы можете выбрать между винтажным эффектом, таким как камера D3D, или стандартным высококачественным 3D изображением.
Петля имитирует множество движений, от классического покачивания 360, до быстрого вертикального движения

Smart Exposure
С помощью Loopsie вы можете создавать замечательные эффекты длительной экспозиции на вашем телефоне за считанные секунды.

Легкие трассы
Вы можете включить свет на вашей Smart Exposure и обнаружить красивые световые следы на ваших ночных снимках.

Встроенная видеокамера
Loopsie имеет мощную встроенную видеокамеру, которая позволяет снимать видео в разрешении Full HD.

Простой видеоредактор
Редактирование видео является простым и понятным. Каждый может создавать красивые видеоролики.

Алгоритм стабилизации
Loopsie удаляет дрожащие руки из ваших видео. Благодаря первоклассному алгоритму стабилизации вы можете оставить свой штатив дома!

Full HD видео
Нет размытых или низких разрешений фото или видео. Loopsie полностью поддерживает видео Full HD.

Удобный пользовательский интерфейс
Вам не нужно быть выродком, пост-продакшн или экспертом в области видеомонтажа.
Взять Loopsie так же просто, как сделать селфи!

Петлевые эффекты
Выберите, хотите ли вы, чтобы у вашего видео был отскок или замирание.

Поделитесь этим легко
Разрешения видео готовы к работе в социальных сетях.

Соотношение сторон
Вы можете выбирать между всеми наиболее распространенными пропорциями.

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ:
1) Что такое #loopsie?
#Loopsie — новый вид иммерсивного видеоконтента.
Это новый формат между фото и видео.

2) Как это работает?
Для получения этого видеоэффекта часть видео остается неподвижной, а другая часть воспроизводится в цикле.

3) Как выбрать движущуюся и неподвижную часть?
С #loopsie вам просто нужно провести пальцем по видео.
Есть два режима кисти (движение / фото), которые вы можете выбрать.

4) Аффилированы ли вы или связаны с Flixel Photos Inc. AKA Flixel? Вы производитель Cinemagraph (TM) / Cinemagraphs / Pixaloop?
Нет, Loopsie никоим образом не связана и не связана с Flixel Inc. (™) or Pixaloop.

Информация о подписке:
Подписка на неограниченный доступ
— Вы можете подписаться на неограниченный доступ ко всем функциям и контенту, предлагаемым для покупки в Loopsie.
— Подписки оплачиваются ежемесячно или ежегодно по выбранной ставке в зависимости от плана подписки. В качестве альтернативы доступен единовременный план оплаты (это не подписка).
— Подписка автоматически продлевается за счет выбранного пакета, если не отменена за 24 часа до конца текущего периода. Плата за подписку взимается с вашей учетной записи iTunes при подтверждении покупки. Вы можете управлять своей подпиской и отключить автоматическое продление, зайдя в настройки своего аккаунта после покупки. После покупки возврат средств не будет производиться ни за одну неиспользованную часть срока.
— Любая неиспользованная часть бесплатного пробного периода, если таковая предлагается, будет аннулирована, когда пользователь приобретает подписку на эту публикацию, где это применимо.

Условия использования: https://bit.ly/2PWcXgi

Как сделать и добавить 3D-фото в Фейсбук

С 11 ноября в Фейсбук можно загружать 3D-фотографии в мобильном приложении для iOS. Просматривать снимки можно и на Android, а также в веб-версии Фейсбук и VR-устройств. Объясняем, как сделать хорошую 3D-фотографию для Фейсбука. А для обычных фотографий, у нас есть отдельная статья.

Что такое 3D-фотографии

Впервые функция 3D-фотографий была представлена на конференции F8 2018

Это новый формат контента в Фейсбуке для создания «более захватывающих снимков». В отличие от 360-градусных фотографий, 3D-фотографий делаются из портретных снимков, а не панорам, сделанных на смартфоны с двумя камерами.

На каких устройствах можно сделать 3D-фото

При съёмке портретов смартфоны создают карту глубину, чтобы понимать, где объект съёмки, а где фон

3D-фотографии можно делать только на некоторые модели iPhone: 7 Plus, 8 Plus, X, XS и XS Max, поскольку для этой функции необходима специальная карта глубины снимка, которую делают смартфоны с двумя камерами.

Будет ли поддержка 3D-фотографий на Android?

На момент написания статьи опция создания 3D-фотографий на смартфонах с Android недоступна. Просматривать «объёмные» фотографии можно.

Подключите Фейсбук в Амплифере и публикуйте фотографии, видео и гифки в бизнес-страницы и сообщества и смотрите, сколько лайков и репостов они принесли

Как сделать 3D-фотографию и добавить её в Фейсбук

  1. Загрузите последнюю версию приложения Фейсбука в App Store и откройте его;
  2. Перейдите к полю написания поста и выберите в списке 3D-фото»;
  3. Выберите фотографию из списка. Если всё хорошо, то откроется окно загрузки 3D-фотографии. Важно: используйте необработанные и необрезанные портретные снимки иначе Фейсбук не сможет их обработать;
  4. Проверьте получившуюся 3D-фотографию — для этого перемещайте телефон в пространстве;
  5. Нажмите Поделиться, выберите, кто увидит ваш пост и наслаждайтесь результатом!

Как просматривать 3D-фотографии в Фейсбуке

Просматривать 3D-фотографии можно с мобильных приложений для iOS и Android, в веб-версии Фейсбука и устройств виртуальной реальности. Для просмотра 3D-фотографий в мобильных приложениях просто перемещайте смартфон в пространстве, для просмотра в веб-версии перемещайте курсор по экрану.

Как сделать 3D-фотографии в Фейсбук лучше

Как выбирать и делать красивые изображения для социальных сетей — рекомендации сервиса Crello

Издание Pocket-lint даёт несколько советов:

  1. Лучшие фотографии получаются, если объект съёмки находится на расстоянии ~1 метра.
  2. Сделайте фотографию с несколькими «уровнями глубины» — например, чтобы на переднем плане были люди, а на заднем — поле или роща;
  3. Используйте силу контраста. Будет плохо, если объект съёмки серого цвета будет на таком же сером фоне;
  4. Фотографируйте объекты с чёткими границами и текстурой. Желательно, чтобы края объекта не сильно блестели;
  5. Избегайте прозрачных объектов, таких как стекло, зеркало или прозрачный пластик — датчики глубины в камере могут их не распознать и снимок получится смазанным.
Публикуйте в Фейсбук и другие соцсети по расписанию

Амплифер работает со всеми популярными платформами и помогает делать контент лучшее, публиковать его во все страницы вовремя из одного окна. Попробуйте 7-дневный пробный период.

обзор литературы по фундаментальным наукам и медицинской литературе по восприятию изображений

Abstract

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 двухмерных медицинских изображений, остается открытым вопрос, могут ли выводы, сделанные на основе этих изображений, быть обобщены на объемные изображения.Важно отметить, что объемные изображения имеют определенные характеристики (например, прокрутку по глубине, плавное движение 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 можно использовать для прогнозирования опыта в интерпретации объемных изображений. Лучше понимая поиск по объемным изображениям, мы сможем определить распространенные источники ошибок, охарактеризовать оптимальные стратегии поиска по глубине или разработать новые методы обучения и оценки для резидентов-радиологов.

Ключевые слова: Восприятие медицинских изображений, Рентгенология, Визуальный поиск, Экспертиза, Объемные медицинские изображения изображения, позволяющие более точно представить трехмерную (3D) природу анатомических структур тела. В последние годы наблюдается неуклонный рост количества объемных медицинских изображений, интерпретируемых в диагностической радиологии.Хотя объемные изображения обычно ассоциируются с лучшими показателями, пропущенные или неправильные диагнозы по-прежнему широко распространены в радиологии. В этом обзоре мы обсудим результаты фундаментальных научных исследований зрительного внимания и памяти, которые могут помочь в нашем понимании поиска объемных медицинских изображений. Кроме того, мы обсудим то, что уже известно о поиске объемных изображений посредством обзора литературы по восприятию медицинских изображений. Хотя в настоящее время в наших знаниях о том, как лучше всего искать объемные изображения, существуют значительные пробелы, этот тип исследований может в конечном итоге выявить лучшие стратегии поиска для оценки объемных изображений, определить вероятность возникновения ошибок или привести к улучшению методов обучения для новых рентгенологов. .

Введение

Объемная медицинская визуализация, такая как КТ, магнитно-резонансная томография (МРТ) или цифровой томосинтез молочной железы (ДБТ), помогает сохранить трехмерную природу внутренних структур тела путем наложения нескольких изображений поперечного сечения. Этот метод визуализации часто приводит к тому, что рентгенолог должен оценить огромное количество информации (Andriole et al., 2011): одна рентгенограмма грудной клетки теперь часто дополняется КТ грудной клетки со стопкой из 1000 изображений с высоким разрешением (рис.). К сожалению, аномалии иногда очень малы по сравнению с общим размером изображения. Чтобы проиллюстрировать этот момент, Рубин (2015) подсчитал, что узелки рака легких размером от 4 до 10 мм составляют 0,01% или менее от общего объема при типичной КТ грудной клетки. Узелки рака легкого такого размера будут видны только на нескольких срезах, что делает их необнаружимыми в течение большей части общего времени поиска рентгенологом (Rubin, 2015). Как опытные радиологи эффективно сортируют всю эту информацию и обнаруживают потенциальные отклонения? Существуют ли оптимальные стратегии 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 центре внимания исследований восприятия медицинских изображений в ближайшие годы (McDonald et al., 2015).

Сравнение размеров двухмерных медицинских изображений и объемных медицинских изображений. Размеры изображений являются приблизительными, и фактические размеры изображений могут значительно различаться в зависимости от случая. Оценки размера легочных узелков предполагают использование монитора с разрешением 96 dpi. 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 достоинства 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 этой области (таблица ). В каждом из этих разделов мы обсудим соответствующие выводы из литературы по фундаментальной науке и медицинской литературе по восприятию изображений и выделим перспективные области для будущих исследований. Этот обзор не следует рассматривать как исчерпывающий обзор литературы.Например, дискуссия, связанная с переходом от аналоговой к цифровой радиологии, не будет подробно освещена. Хотя история объемных изображений сама по себе является интересной темой, 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 статьи — сосредоточиться на вопросах, наиболее важных для объемной визуализации, и послужить катализатором для будущих исследований в этой области.

Таблица 1

Важные области исследований восприятия объемных изображений

Что мы можем узнать о восприятии медицинских изображений из фундаментальных научных исследований?

В течение нескольких десятилетий исследователи пытались охарактеризовать, как опытные рентгенологи интерпретируют медицинские изображения.В то же время ученые-когнитивисты создали огромное количество литературы по визуальному поиску, используя строго контролируемые лабораторные задачи, такие как «найти горизонтальную линию среди вертикальных линий». На первый взгляд кажется, что эти искусственные задачи имеют мало общего со сложными рентгенологическими задачами, такими как выявление признаков рака молочной железы 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 к реальным задачам, таким как радиология (рис. ). Например, наблюдатели в лаборатории часто не замечают человека, идущего по баскетбольному матчу в костюме гориллы, когда они выполняют второстепенную задачу (например, подсчитывают количество пасов между игроками) — явление, известное как «невнимательная слепота» (Саймонс). и Шабрис, 1999). Точно так же 83% рентгенологов пропустили изображение гориллы размером со спичечный коробок, встроенное в срез компьютерной томографии грудной клетки, когда искали признаки рака легких (Drew, Võ, & Wolfe, 2013).Это исследование может помочь объяснить, почему случайные находки, представляющие собой неожиданные аномалии, которые не являются основным объектом поиска, иногда упускаются из виду в радиологии (Wolfe, Soce, & Schill, 2017).

Хотя многие результаты лабораторных задач визуального поиска были воспроизведены в литературе по восприятию медицинских 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 в области поиска объемных изображений может быть получено из результатов 2D-визуального поиска, а также растущих исследований в области вождения, визуального поиска в реальном мире, видеонаблюдения (CCTV) и виртуальной реальности.Ультразвуковое изображение перепечатано из Hansen et al. (2016). Ультрасонография почек: наглядный обзор. Диагностика , 6 (1), 2., и используется здесь по лицензии Creative Commons. Изображение патологии получено из коллекции консорциума по клиническому протеомному анализу опухолей Национального института рака (CPTAC-SAR) 2018 г. и используется здесь в соответствии с лицензией Creative Commons License

. ; Вулф и др., 2016), подчеркивают перспективы использования наших знаний о человеческом познании, чтобы делать прогнозы о том, как рентгенологи будут искать медицинские изображения и когда они будут наиболее подвержены ошибкам. Однако объемная визуализация создала новый набор проблем как для рентгенологов, так и для ученых, занимающихся восприятием, стремящихся лучше их понять. Объемная визуализация была впервые введена в клиническую практику в 1970-х годах, но в последние годы наблюдается резкое увеличение размера и количества объемных изображений, интерпретируемых в рентгенологическом читальном зале (Andriole et al., 2011; Макдональд и др., 2015). Например, количество изображений поперечного сечения в одном учреждении увеличилось в десять раз в период 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 фундаментальной науке существует обширная литература по визуальному поиску в двухмерных лабораторных задачах и растущая литература по поиску в трехмерном мире. Однако объемные изображения не попадают ни в одну 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 большая часть работы радиолога может быть охарактеризована как принятие решений, например, определение того, является ли подозрительная находка злокачественной или доброкачественной, в этом обзоре основное внимание будет уделено тому, как обнаруживаются и идентифицируются потенциальные аномалии с помощью визуального поиска. Чтобы сформулировать 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 особенностям сцены. Направление «снизу вверх» обусловлено свойствами самого стимула. Например, при отсутствии другой задачи ярко-красный мак в поле с ромашками, скорее всего, привлечет внимание. Напротив, руководство сверху вниз управляется внутренним состоянием наблюдателя и историей выбора. Внимание «сверху вниз» часто может преобладать над эффектами механизмов «снизу вверх».Например, целевые представления, хранящиеся в памяти, могут помочь перенаправить внимание от явных отвлекающих факторов (например, красного мака) 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 содержат цель.

Какие свойства стимула направляют внимание на объемных медицинских изображениях?

Наведение снизу вверх при визуальном поиске может быть очень эффективным, когда наиболее заметные объекты в сцене соответствуют вашим целям (например,например, идентификация большой опухоли головного мозга), но вредны, если ваша задача заключается в обнаружении малозаметных целей (например, небольших узелков рака легких). К сожалению, наиболее заметные области медицинских изображений не всегда являются наиболее информативными для рентгенолога. Одним из хорошо зарекомендовавших себя механизмов ограничения влияния восходящей информации является нисходящая информация о задаче. При прочих равных условиях эксперты должны лучше использовать нисходящую стратегию поиска медицинских изображений, чем новички, благодаря своим обширным медицинским знаниям и прошлому опыту работы с похожими изображениями.По той же причине самые большие различия между экспертами и новичками следует искать в задачах, которые не выигрывают от восходящей стратегии. В целом, эти прогнозы хорошо подтверждаются в радиологии, а также в ряде других задач и профессий (Cooper, Gale, Darker, Toms, & Saada, 2009; Humphrey & Underwood, 2009; Koide, Kubo, Nishida, Shibata, и Икеда, 2015; Лансдейл, Андервуд и Дэвис, 2010). Например, движения глаз новичков были точно предсказаны с помощью карты заметности при анализе односрезовой компьютерной томографии головного мозга на предмет цереброваскулярных инцидентов (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 ярко выражены, движения глаз экспертов и новичков не различались (Matsumoto et al., 2011).

Необходимы дальнейшие исследования для определения особенностей, влияющих на возможность обнаружения аномалий на объемных медицинских изображениях. На рентгенограммах грудной клетки исследователи использовали отслеживание взгляда, чтобы провести различие между свойствами поражения, которые первоначально привлекают внимание во время поиска (измеряемое временем до первого попадания), и теми, которые удерживают внимание после обнаружения аномалии (измеряемое временем задержки) (Krupinski , Бергер, Даллас и Рериг, 2003 г.).В контексте управляемого поиска «время до первого попадания» представляет собой индекс свойств стимула, которые более эффективно направляют внимание на поражение во время визуального поиска, тогда как время задержки, вероятно, отражает процессы распознавания или принятия решений. Хотя оценивался ряд характеристик (например, отношение сигнал-шум, заметность, местоположение и кальцификация), ни одна из этих характеристик не влияла на то, как быстро внимание будет направлено на соответствующее место на изображении. Тем не менее, как размер узелков, так и заметность влияли на время пребывания на поражении и предсказывали общую частоту обнаружения узелков.Напротив, Carmody, Nodine и Kundel (1981) обнаружили, что заметность узелков влияет как на процессы поиска, так и на процессы принятия решений. Менее заметные узелки выявлялись реже в парадигме просмотра со вспышкой и были связаны с более сравнительными сканами с нормальными структурами на изображении во время свободного просмотра (определяемого как фиксация 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 об идентификации легочного узла может включать сравнение изменения внешнего вида аномалии в зависимости от глубины по сравнению с нормальными структурами на изображении (например, кровеносными сосудами).

Чтобы определить, какие признаки стимула улучшают обнаруживаемость при поиске объемных изображений, может оказаться полезным опираться на фундаментальную научную литературу. Согласно Wolfe and Horowitz (2004), есть четыре основных атрибута, которые были хорошо установлены на основе сходящихся данных в литературе: движение, цвет, ориентация и размер.Хотя все эти функции, несомненно, важны для обнаружения аномалий на медицинских изображениях, движение является атрибутом, который однозначно применим к объемным изображениям. На объемных изображениях может казаться, что структуры движутся вдоль двумерной плоскости по мере того, как наблюдатель перемещается в глубину изображения, что, как считается, вызывает плавные следящие движения глаз, когда наблюдатель отслеживает эти структуры в глубине (Venjakob & Mello-Thoms, 2015). ). Кроме того, некоторые аномалии, такие как узелки рака легких, появляются и исчезают из поля зрения при прокрутке изображения в глубину из-за быстрых изменений диаметра структуры.Это явление может имитировать признаки резкого начала движения, которые, как известно, привлекают зрительное внимание (Abrams & Christ, 2003; Girelli & Luck, 1997; Jonides & Yantis, 1988; Theeuwes et al., 1999). Более того, движение может служить фильтрующим механизмом при визуальном поиске и точно предсказывает, на что будет направлено 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 определяющей чертой цели, наблюдатели узнают частые ассоциации между целями и их движениями и используют эту информацию для направления поиска (Scarince & Hout, 2018).

Хотя фундаментальная наука предполагает, что сигналы движения служат эффективной формой наведения на цель, лишь несколько исследований рассматривали эту тему в области восприятия медицинских изображений. Например, исследователи обнаружили, что искусственное добавление сигналов движения к статическим изображениям повышает способность обнаружения как на маммограммах, так и на рентгенограммах грудной клетки (Andia et al., 2009). Кроме того, исследователи проверили прогноз о том, что поиск в окнах меньшего размера будет лучше, чем поиск в окнах большего размера на объемных изображениях, поскольку это повысит способность обнаруживать сигналы движения с помощью фовеального зрения (Venjakob, Marnitz, Phillips, & Mello-Thoms, 2016). .Хотя общих различий в точности между условиями не было, меньший размер изображения был связан с более быстрым обнаружением аномалий. Наконец, Накашима и соавт. (2016) проверили, менее ли вероятно обнаружение узелков в легких на ранних этапах исследования, когда релевантные для задачи сигналы начала движения (например, легочные узлы), вероятно, скрыты одновременными сигналами начала движения из информации, не относящейся к задаче (например, кровеносные сосуды). . Они обнаружили значительное влияние расположения узелков на новичков, но не на 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 целей и расширенная целостная обработка, которые также помогают в обнаружении аномалий.

Каковы распространенные источники ошибок при интерпретации объемных медицинских изображений?

Считается, что во время визуального поиска репрезентации целей в памяти направляют внимание нисходящим образом на особенности в окружающей среде, которые соответствуют характеристикам цели (Olivers & Eimer, 2011; Olivers, Meijer, & Theeuwes, 2006; Soto, Heinke). , Хамфрис и Бланко, 2005).В типичных лабораторных парадигмах наблюдатель ищет единственную четко определенную цель, которая либо задается при каждом испытании, либо остается неизменной на протяжении всего эксперимента. Однако поиск целей в более реалистичных условиях, когда информация о цели ухудшается, может оказаться более сложной задачей. Эффективность поиска лучше всего, когда информация о цели является точной (например, подсказки в виде изображений), а поиск менее эффективно управляется неточными (например, словесными подсказками) или категоричными (например, кошки против Гарфилда) целевыми подсказками (Hout & Goldinger, 2015; Вулф, Горовиц, Кеннер, Хайл и Васан, 2004 г.).Кроме того, когда на изображении присутствует несколько целей (например, Гарфилд и Нермал), вероятность того, что вторая цель будет обнаружена после обнаружения первой цели, снижается (Berbaum et al., 1990; Cain & Mitroff, 2013). Первоначально это явление называлось «удовлетворительным поиском», что предполагало, что ошибка была вызвана преждевременным прекращением поиска после обнаружения первой цели (Berbaum et al., 1990; Tuddenham, 1962). Однако последующие исследования поставили это объяснение под сомнение (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 в качестве нейтральной с точки зрения теории альтернативы (Cain & Mitroff, 2013). К сожалению, задача радиолога часто представляет собой наихудший сценарий для целевых репрезентаций: выявление неопределенного количества плохо определенных аномалий.

Учитывая эти проблемы, особенно важно учитывать, как различные методы визуализации могут улучшить способность рентгенолога обнаруживать аномалии.Например, двухмерная медицинская визуализация вынуждает наблюдателя рассматривать органы как перекрывающиеся структуры, что может скрыть результаты и обеспечить неточные пространственные отношения между анатомическими структурами. Напротив, хотя объемное изображение не является настоящим 3D, меньше необходимости мысленно переводить анатомические структуры из их 2D-представлений в 3D-мир. Неперекрывающиеся структуры, а также наличие сигналов движения могут улучшить способность обнаруживать аномалии в объемных изображениях.Помимо скрининга рака молочной железы, прямые сравнения объемных изображений с их двумерными аналогами проводятся 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, показали, 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 обусловлены как увеличением частоты попаданий, так и уменьшением ложных срабатываний. Однако объемная визуализация также связана со значительными затратами: значительное увеличение времени поиска и снижение 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 существуют значительные возможности для улучшения.Кроме того, недавние исследования показывают, что объемная визуализация может быть не всегда полезной (Lago et al., 2018). При сравнении трехмерного томосинтеза молочной железы (DBT) и односрезового DBT не было выявлено различий в производительности, когда читателей просили идентифицировать образования. Напротив, 2D-изображение было связано с лучшим обнаружением микрокальцинатов. Исследователи предположили, что объемная визуализация приводит к меньшему охвату изображения и большей зависимости от парафовеальной обработки. Следовательно, объемная визуализация, вероятно, будет стоить денег, если 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 удалось ли ему его найти или он обнаружил его, но решил, что о нем не следует сообщать. По этой причине отслеживание движения глаз широко используется для определения того, почему аномалии упускаются из виду 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 изучением (Kundel, Nodine, & Krupinski, 1989; Manning, Barker-Mill, Donovan, & Crawford, 2006). ).Отслеживание взгляда также использовалось для выявления трех различных типов ошибок: ошибки поиска возникают, когда поражение никогда не обнаруживается, ошибки распознавания возникают, когда поражение фиксируется на короткое время (в течение < 1 с), но не сообщается, и возникает ошибка решения. когда поражение фиксируется в течение длительного периода времени (> 1 с), но о нем не сообщается (рис. а, Kundel, Nodine, & Carmody, 1978).

a Иллюстрация того, как пропущенный узел может быть классифицирован как ошибка поиска, распознавания или принятия решения с помощью отслеживания взгляда.Желтые кружки представляют фиксации, а красный квадрат представляет интересующую область аномалии. b Пример расчета охвата изображения

При скрининге рака легких с помощью рентгенограмм грудной клетки ошибки принятия решений являются наиболее распространенным типом ошибок, за которыми следуют ошибки распознавания и поиска (Donovan & Litchfield, 2013; Kundel et al., 1978). Тем не менее, Drew, et al., 2013 отметили относительно небольшую долю ошибок в принятии решений при скрининге рака легких с использованием КТ органов грудной клетки.В пролетной 3D-колонографии, виртуальной навигации по эндолюминальной реконструкции толстой кишки, большинство ошибок были идентифицированы как ошибки распознавания, а ошибки поиска практически отсутствовали (Phillips et al., 2013). Кроме того, ошибки были равномерно распределены между ошибками поиска и распознавания при идентификации микрокальцинатов в ДПТ (Lago et al., 2018). Однако ошибки были в первую очередь ошибками распознавания для идентификации масс. Эти исследования являются хорошими примерами распространения текущих показателей отслеживания взгляда на объемные изображения, что позволяет проводить прямое сравнение 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 непересекающихся структур (Drew et al., 2013; Lago et al. и др., 2018; Филипс и др., 2013). Однако распределение ошибок может существенно различаться в зависимости от характера задачи или даже между стратегиями поиска в рамках одной задачи (Drew et al., 2013; Lago et al., 2018). В будущих исследованиях также будет важно определить, как меняется распределение ошибок в ходе обучения интерпретации объемных медицинских изображений, что в конечном итоге может дать представление о типе помощи (например,г., обнаружение с помощью компьютера), которое было бы наиболее полезным для всех уровней опыта.

Хотя аналогичные подходы использовались для классификации ошибок в двумерных и объемных изображениях (Drew et al., 2013; Lago et al., 2018; Phillips et al., 2013), в значительной степени неясно, являются ли пороговые значения для этих категорий подходит для объемных изображений. Исследователям также важно учитывать целесообразность применения этих категорий к разным типам задач. Безусловно, аномалия, на которой не фиксируется фиксация, указывает на некоторый уровень ошибки поиска, но определяющая, является ли время удержания фиксации промежуточным временем (т.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 было ниже у экспертов, чем у обучающихся, что отражалось в увеличении количества ошибок распознавания по сравнению с ошибками принятия решений (Donovan & Litchfield, 2013).

Альтернативный подход к классической категоризации ошибок Кундела был недавно предложен Cain et al. (2013). Записав движения глаз для тысяч испытаний, они использовали подход, основанный на данных, для рассматриваемой задачи (в их случае это задача визуального поиска с несколькими целями) для описания различных типов ошибок.Подходы, основанные на данных, позволяют скорректировать порог между ошибками распознавания и принятия решения для данного 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 при восприятии медицинских изображений. Примечательно, что было мало доказательств, подтверждающих четкое качественное различие между ошибками распознавания и ошибками 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 объекте до тех пор, пока не будет достигнут порог принятия решения.С этой точки зрения ошибки распознавания и принятия решений возникают в континууме, а не в виде отдельных категорий. Кроме того, Каин и др. (2013) продемонстрировали, что ошибки поиска для второй цели могут быть дополнительно подразделены на новые категории. В некоторых испытаниях поиск прекращался, как только была идентифицирована первая цель, без попытки найти вторую цель (ошибка «стратегии»). В других испытаниях первая цель повторно фиксировалась во время поиска (ошибка «истощение ресурсов»), что предполагает истощение ресурсов рабочей памяти 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 возможность классификации на основе данных для получения дополнительной информации об источниках ошибок при визуальном поиске. Хотя для этого подхода требуется большой объем данных, которые может быть трудно собрать с помощью рентгенологов, может быть информативно использовать метод, основанный на данных, 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 на ней, но также может возникнуть ошибка пропуска, если фрагмент изображения, содержащий аномалию, никогда не посещался.Хотя они оба будут считаться ошибками поиска в системе классификации Кундела, 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 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 этих изображений (Stuijfzand et al., 2016). Этот вывод, по-видимому, подтверждается размером зрачка, физиологическим показателем когнитивной нагрузки (Porter, Troscianko, & Gilchrist, 2007; Unsworth & Robison, 2018), который увеличивается со временем поиска в объемных изображениях (Stuijfzand et al., 2016). В том же духе недавняя работа с патологами молочной железы, изучавшая слайды цифровой патологии, показала, что диаметр зрачка чувствителен к предполагаемой сложности случая: более сложные случаи обычно ассоциировались с большим диаметром зрачка (Brunyé et al., 2016). Выводы из самых разных источников свидетельствуют о том, что зрительный поиск ухудшается, когда рабочая память нагружается. Одновременная нагрузка на пространственную рабочую память снижает эффективность зрительного поиска как в лабораторных, так и в прикладных задачах, таких как вождение автомобиля (Oh & Kim, 2004; Recarte & Nunes, 2003). Кроме того, известно, что важные восходящие функции более эффективно привлекают внимание при когнитивной нагрузке (Matsukura, Brockmole, Boot, & Henderson, 2011). Как правило, наблюдатели за естественными задачами 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, уменьшают количество фигур на доске (Leone, Slezak, Cecchi, & Sigman, 2014).

В радиологии увеличение когнитивной нагрузки и утомляемости может отрицательно сказаться на уходе за пациентами. 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 КТ-изображений у наблюдателей снижается точность, увеличивается зрительная усталость и увеличивается зрительное напряжение (Krupinski et al., 2012). Точно так же протоколы «думай вслух» показывают, что рентгенологи чаще рассказывают 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 предполагает, что жители больше подвержены усталости, чем эксперты, при выявлении отклонений 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 наилучшие стратегии для глубокого поиска в различных задачах и модальностях?

Одним из особенно многообещающих направлений исследований является изучение того, как изменения в поведении при прокрутке могут быть связаны с эффективностью поиска. Дрю и др. (2013) обнаружили, что применение стратегии быстрого «сверления» в глубину при сохранении фиксации было лучше, чем «сканирование» плоскостей x и y при медленном перемещении в глубину во время скрининга рака легких (рис.). Хотя это исследование не проверяло использование сигналов движения напрямую, возможно, что сверление позволяет наблюдателю более эффективно использовать преимущества переходных сигналов движения, чтобы отличить кровеносные сосуды от узелков, которые, кажется, «всплывают и исчезают из поля зрения» при прокрутке. 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 могут лучше использовать явные признаки движения, тогда как поведение сканеров в поиске в значительной степени определяется 2D-видимостью.В дополнение к общим различиям в производительности распределение ошибок различалось между сканерами и бурильщиками: у буровиков, как правило, было больше ошибок распознавания, чем у сканеров, а сканеры, как правило, делали больше ошибок поиска, чем бурильщики. В настоящее время неясно, как эти поисковые стратегии проявляются в ходе обучения. Дрю и др. (2013) обнаружили, что бурильщики, как правило, читают больше случаев КТ в неделю, чем сканеры. Однако различий в стратегии поиска, основанных на многолетнем опыте, не было, а размер выборки был недостаточно большим, чтобы полностью разделить влияние стратегии поиска по сравнению с опытом в отношении общей производительности.

При поиске узелков в легких с помощью компьютерной томографии грудной клетки (КТ) возникают две стратегии: сканирование и сверление. Сканеры перемещают взгляд вдоль двухмерной плоскости, медленно прокручивая глубину. Напротив, бурильщики держат свой взгляд относительно неподвижным в одной области за раз, быстро прокручивая глубину. В настоящее время в значительной степени неизвестно, как эти стратегии переносятся на другие модальности или задачи. Рисунок перепечатан с разрешения Rubin et al. (2018).Восприятие объемных данных. В Справочник по восприятию медицинских изображений и технологии (Том 2). Кембридж, Соединенное Королевство: Издательство Кембриджского университета. Оригинальная фигурка была воссоздана из Drew, Võ, Olwal 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, которые являются наиболее эффективными для данной задачи (например, обнаружение очаговых аномалий, таких как узелки рака легкого), могут быть не оптимальными для аномалий, определяемых различными восходящими свойствами (например, обнаружение диффузных аномалий, таких как пневмония). Есть несколько хороших примеров таких 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 для 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 аномалии 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 в прямом сравнении томосинтеза молочной железы и КТ грудной клетки Aizenman et al. (2017) обнаружили, что томосинтез молочной железы приводит к более строгой стратегии сверления, чем КТ грудной клетки.Кроме того, ни один наблюдатель не принял стратегию сканирования. Точно так же, хотя при КТ брюшной полости и таза можно было идентифицировать как сканеров, так и сверлильщиков, не было никакого преимущества в точности, связанного с тем, чтобы быть сверлильщиком (Kelahan et al., 2019–2019). Различие между сканером и бормашиной также недавно было распространено на область цифровой патологии, где клиницисты панорамируют и масштабируют большие изображения, чтобы более внимательно рассмотреть подозрительные области (Mercan, Shapiro, Brunyé, Weaver, & Elmore, 2018). В этой области сканирование, по-видимому, является доминирующей стратегией, но различий в производительности не было.В будущих исследованиях может быть полезно более систематически оценить свойства стимула, влияющие на относительную долю этих стратегий в объемных изображениях.

Недавнее исследование подошло к вопросу о изменчивости шаблонов сканирования между наблюдателями с использованием нового инструмента под названием ScanMatch (Crowe, Gilchrist, & Kent, 2018). Метод ScanMatch сравнивает последовательности фиксации у наблюдателей, присваивая буквенное значение каждой области и создавая последовательность строк для каждого участника.Затем эти строки сравниваются между наблюдателями и получается оценка сходства. В этом исследовании наблюдатели просмотрели два прогона МРТ-сканирования головного мозга с фиксированной скоростью. В целом, эксперты использовали больше похожих шаблонов 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 несоответствиями, обнаруженными при первом предъявлении стимула, что подтверждается повышенными показателями сходства для истинно положительных результатов и более низкими показателями сходства для ложноотрицательных результатов.Однако такая же картина не была обнаружена для истинно отрицательных результатов, что побудило авторов предположить, что вместо этого эксперты могут использовать более систематические стратегии поиска при отсутствии статистических несоответствий. В соответствии с этой точкой зрения наблюдатели применяют эндогенные стратегии систематического поиска в визуальных дисплеях, которым не хватает функций, которые обычно определяют поисковое поведение, таких как значимость и семантическая информация (Solman & Kingstone, 2015). Кроме того, стратегии систематического поиска были более тесно связаны с самыми сильными исполнителями.В будущих исследованиях было бы интересно проверить эти прогнозы более непосредственно в объемном поиске 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 задаче поиска в лаборатории наблюдателя могут попросить указать, присутствует или отсутствует цель на дисплее, состоящем 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 парящая 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, желчные камни всегда возникают в желчном пузыре, расположенном под печенью.Это сильно ограничивает области КТ брюшной полости, которые необходимо оценить на наличие камней в желчном пузыре. Считается, что этот тип нисходящего знания изменяет области рентгенограмм грудной клетки, которые посещаются в ходе обучения, что приводит к качественно разным моделям поиска между экспертами и новичками (Kundel & La Follette, Jr., 1972; Manning, Ethell, Донован и Кроуфорд, 2006 г.). Важно отметить, что этот эффект, по-видимому, развивается органически без каких-либо четких инструкций о том, как искать на рентгенограммах грудной клетки, что предполагает, что он в значительной степени обусловлен нисходящим знанием 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 чужом доме, мы, скорее всего, быстрее найдем зубную щетку в собственной ванной благодаря повторяющемуся опыту. В лаборатории выигрыш во времени отклика от многократного воздействия одного и того же поискового массива называется контекстной подсказкой (Chun & Jiang, 1998). Хотя эти эффекты обычно наблюдаются в очень искусственных поисковых задачах, контекстуальные подсказки также встречаются в динамических задачах, где цели и отвлекающие факторы многократно перемещаются по определенной траектории, трехмерных отображениях глубины, внешней среде и виртуальных квартирах (Chun & Jiang, 1999; Jiang, Won, Swallow, & Mussack, 2014; Kit et al., 2014; Ли, Айвар, Кит, Тонг и Хейхо, 2016 г .; Занг, Ши, Мюллер и Кончи, 2017 г.). Кроме того, хотя объектная информация является сильной контекстной подсказкой (Koehler & Eckstein, 2017), контекстное руководство не обязательно зависит от объектов в сцене; эту информацию можно извлечь из статистических закономерностей низкоуровневых визуальных признаков (Torralba et al., 2006). Кроме того, контекстная подсказка терпима к ряду изменений между экспозициями (Song & Jiang, 2005).

Учитывая большой размер объемных медицинских изображений (Andriole et al., 2011; McDonald et al., 2015), радиологам, несомненно, важно опираться на некоторые из вышеупомянутых механизмов, чтобы сузить область поиска до соответствующих областей пространства. Просто непрактично искать каждый пиксель на большом снимке компьютерной томографии (рис. 1), и вполне вероятно, что это нисходящее руководство 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 2D-медицинских изображений, влияние нисходящих знаний на стратегию поиска наблюдателя в ходе обучения чтению 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, в зависимости от уровня 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 работе с искусственными объемными дисплеями и определение того, как поведение поиска меняется с опытом.

Каковы характеристики экспертизы в интерпретации объемных изображений?

Преимущество закономерностей в нашей среде заключается в том, что мы можем формировать подробные представления сцены, известные как схемы, для управления поведением при визуальном поиске. Например, контекстуальные подсказки, по-видимому, полагаются на ресурсы пространственной рабочей памяти для выражения, но не приобретения изученных дисплеев (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, что делает наблюдателя чувствительным к статистическим отклонениям в окружающей среде.Фактически, знакомые сцены, представленные в течение доли секунды, могут быть точно классифицированы (Potter, 1975), управлять последующими движениями глаз (Castelhano & Henderson, 2007) и повышать возможность обнаружения новых объектов в сцене (Brockmole & Henderson, 2005; Чен и Зелински, 2006). Это явление упоминается в литературе как «сущностная», «целостная» или «глобальная» обработка, и оно часто изучается с использованием парадигмы мгновенного движущегося окна (Castelhano & Henderson, 2007). В этой парадигме наблюдателям показывают краткий предварительный просмотр сцены, за которой следует маска и последующая целевая подсказка.Задача поиска выполняется с использованием окна контингента взгляда, которое устраняет влияние парафовеальной онлайн-обработки и изолирует влияние предварительного просмотра сцены (т. е. начального целостного впечатления) на поисковое поведение.

В радиологии положительные эффекты предварительного просмотра сцены кажутся более скромными, чем наблюдаемые в литературе по визуальному поиску. Предварительный просмотр сцен перед задачей обнаружения рака легких был связан с небольшим улучшением времени поиска и меньшим количеством общих фиксаций (Litchfield & Donovan, 2016).Однако эти преимущества не коррелировали с повышением точности и лишь слабо ассоциировались с опытом. Кроме того, предварительный просмотр сцен оказался вредным, если патология различалась между испытаниями. Тем не менее, есть убедительные доказательства того, что рентгенологи способны быстро обнаруживать статистические аномалии в медицинских изображениях. Kundel и Nodine (1975) обнаружили, что 70% легочных узлов выявляются после просмотра рентгенограмм грудной клетки в течение всего 200 мс. Точно так же исследование показало, что маммографы могут классифицировать изображения как нормальные или ненормальные со скоростью выше случайной 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 молочной железы и большая часть (33%) случаев рака легких фиксируются на первой секунде просмотра, чего просто не хватает для проведения тщательного поиска (Donovan & Litchfield 2013; Кундель, Нодин, Конант и Вайнштейн, 2007 г.; Кундел, Нодин, Крупински и Мелло-Томс, 2008 г.). Кроме того, отслеживание взгляда демонстрирует, что опыт связан с существенными различиями в поведении при поиске: эксперты демонстрируют более паттерны кругового сканирования, более короткое время до первой фиксации, большую продолжительность фиксации, меньшее количество фиксаций, меньший охват изображения и меньшую изменчивость взгляда. Кундель и Ла Фоллетт-мл., 1972; Маклафлин, Бонд, Хьюз, МакКоннелл и Макфадден, 2017 г.). Примечательно, что шаблоны сканирования, подобные экспертам, могут предшествовать принятию решений экспертами (Kelly, Rainford, Darcy, Kavanagh, & Toomey, 2016).

Эти результаты привели к созданию ряда моделей восприятия медицинских изображений, в каждой из которых целостная обработка является важным компонентом экспертизы (Drew et al., 2013; Nodine & Kundel, 1987; Swennson, 1980). Свенсон предложил двухэтапную модель. На первом этапе используется фильтр предварительного внимания, аналогичный теории интеграции признаков (FIT), который быстро выбирает определенные области изображения для обработки.На втором этапе области, отмеченные на первом этапе, подвергаются дальнейшему изучению. Точно так же Нодин и Кундел (1987) предложили модель глобального фокусного поиска. Во время первоначального общего впечатления изображение быстро сравнивается со схемой нормального изображения наблюдателя. На следующем этапе возмущения между изображением и ментальным представлением дополнительно оцениваются с помощью сфокусированного внимания. Наконец, Дрю и соавт. (2013) описали модель, основанную на двух параллельных путях (см. также Wolfe, Võ, Evans, & Greene, 2011).Неселективный путь извлекает глобальную информацию из изображения, используя большое поле зрения. Избирательный путь извлекает подробную визуальную информацию, которая поддерживает распознавание объектов с использованием более целенаправленного поиска. Хотя эти модели имеют нюансы, все они подчеркивают важность быстрого извлечения глобальной информации для управления поисковым поведением: считается, что эта способность возрастает с опытом.

Хотя многое известно об опыте работы с 2D-изображениями, гораздо меньше исследований посвящено опыту работы с объемными изображениями.Из существующих исследований несколько элементарных результатов были воспроизведены в объемных изображениях (таблица). Например, эксперты более точны, быстрее ищут, быстрее обнаруживают аномалии и чаще фиксируют интересующие области (Bertram, Helle, Kaakinen, & Svedstrom, 2013; Cooper et al., 2009, 2010; Mallett et al., 2014). Однако многие данные, полученные на основе 2D-медицинских изображений, не были воспроизведены с использованием объемных изображений (таблица). Например, Бертрам и др. (2013) не обнаружили различий в средней продолжительности фиксации между экспертами и новичками, которая обычно используется в качестве показателя повышенной способности обработки с опытом.Кроме того, исследователи не обнаружили групповых различий в амплитуде саккад, которая является ключевым показателем общей способности к обработке данных. Точно так же Маллетт и соавт. (2014) не смогли найти каких-либо различий в движениях глаз между экспертами и новичками при эндолюминальной КТ-колонографии с пролётом, за исключением сокращения времени до первого преследования. Однако в обоих этих исследованиях использовались задачи (например, увеличенные лимфатические узлы, 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. На самом деле, прямых сравнений айтрекинга между 2D и объемным поиском очень мало. В редком примере такого подхода Aizenman et al. (2017) обнаружили, что томосинтез груди связан с более длительной фиксацией и меньшим охватом изображения, чем традиционная маммография. Однако амплитуда саккад была эквивалентна, что предполагает равную способность полагаться на парафовеальную обработку в обеих модальностях.

Таблица 2

Список общих результатов, связанных с экспертизой в двухмерных изображениях. Многие из этих основных результатов экспертизы либо не были воспроизведены, либо еще не были проверены на объемных изображениях (особенно с использованием парадигмы свободной прокрутки с наложенными друг на друга изображениями)

Повышение способности целостной обработки с помощью опыта является одним из наиболее важных открытий в области медицинских изображений. литературе восприятия, но почти совершенно неизвестно, как эти способности могут проявляться в объемных изображениях.Одна возможность состоит в том, что глобальные впечатления постоянно формируются на 2D-плоскости по мере того, как наблюдатель прокручивает глубину. Например, наблюдатель может быстрее зафиксировать аномалии с того момента, как они впервые появляются на экране (например, Helbren et al., 2014, 2015). В этом случае аналоги показателей отслеживания взгляда, связанных с глобальной обработкой при интерпретации 2D-изображений , следует перенести на объемные изображения (таблица ). Тем не менее, глобальное представление сцены также может быть сформировано путем быстрой прокрутки изображения в глубину перед использованием шаблона более фокусного поиска.Это предложение находит поддержку в литературе. В реальных задачах, таких как приготовление бутерброда, наблюдатели проводят начальное сканирование сцены, что помогает им быстрее находить целевые объекты во время выполнения задачи (Hayhoe, Shrivastava, Mruczek, & Pelz, 2003). Более того, возможно, что глобальная способность обработки по-разному выражается в зависимости от стратегии поиска наблюдателя. Для сканеров глобальные оттиски могут создаваться на 2D-плоскости при каждом переходе по глубине.Напротив, бурильщики могли создать общее впечатление, прокручивая глубину, а затем возвращаясь к слоям глубины, которые были статистически аномальными.

В дополнение к сканерам и сверлильным станкам были предложены другие показатели поведения прокрутки по глубине в отношении глобальной способности обработки (таблица): количество посещений на срез, количество колебаний (прокрутка назад и вперед менее чем на 25 %). глубины), количество полупроходов (прокрутка назад и вперед на 25–50 % глубины) и количество полных прогонов (прокрутка вперед и назад на > 50 % глубины) (Венякоб, Марниц, Малер, Зехельманн, и Роттинг, 2012).Считается, что рентгенологи, которые проводят более полные прогоны, используют более глобальный процесс поиска, который должен расширяться по мере увеличения опыта наблюдателя. Однако это предложение еще не было проверено, и эти меры не были широко использованы за пределами этого первоначального исследовательского исследования с использованием КТ-изображений черепа.

Таблица 3

Общие показатели отслеживания взгляда, их когнитивные корреляты и предлагаемые аналоги для объемных медицинских изображений. ROI, интересующая область

В других областях медицинской визуализации, которые можно считать похожими на объемные изображения, таких как виртуальная микроскопия, существует четкая связь между опытом и глобальными возможностями обработки (Krupinski, Graham, & Weinstein, 2013; Krupinski et др., 2006). Хотя патологоанатомы любого уровня опыта, вероятно, выбирали информативные области для мест, которые они хотели бы увеличить, более опытные патологоанатомы тратили меньше времени на оценку областей, которые в конечном итоге не будут выбраны для увеличения. Эти данные, в дополнение к ряду важных поведенческих и айтрекинговых показателей, позволяют предположить, что опытные патологоанатомы обладают повышенной способностью быстро извлекать наиболее важную информацию из медицинских изображений. Другие исследования выявили сходство стратегий поиска между цифровой патологией и объемной визуализацией (Mercan et al., 2018), но в значительной степени неясно, как эти выводы связаны с опытом в любой области. Кроме того, между этими изображениями есть четкие различия: просмотр видимой части изображения с большим разрешением — это не то же самое, что прокрутка для выявления визуальной информации, встроенной по всей глубине изображения. Мы считаем, что существует ряд многообещающих областей для будущих исследований, связанных с тем, как поведение при поиске может различаться в зависимости от опыта в самых разных областях (например,г., патология, УЗИ).

При обсуждении изменений в стратегии поиска с экспертом следует учитывать важное предостережение: различия в шаблонах поиска между экспертами и новичками не обязательно означают, что обучение новичков использованию этих стратегий улучшит производительность. Во многих случаях исследования показывают, что укрепление целевого шаблона за счет более широкого знакомства с примерами нормальных и аномальных изображений было бы гораздо полезнее для новичка, чем указание ему, где искать (Chen et al., 2017; Донован и Личфилд, 2013 г.; Кундель и Ла Фоллет-младший, 1972 год; Мэннинг и др., 2004 г.; Нодин и др., 1996, 1999). Хотя заманчиво найти короткие пути к опыту, большинство усилий по обучению новичков использованию новых стратегий или следованию пути сканирования экспертов имели скромный успех или ограниченную обобщаемость (Gegenfurtner, Lehtinen, Jarodska, & Saljo, 2017; Kok et al. , 2016; Личфилд, Болл, Донован, Мэннинг и Кроуфорд, 2010; Мелло-Томс, 2008; van Geel et al., 2017).При рассмотрении этого вопроса может оказаться полезным рассмотреть, какие аспекты визуального поиска можно улучшить с помощью этих методов. Обучение новичков имитировать поисковое поведение экспертов может улучшить общую стратегию поиска, но сомнительно, что эти методы существенно улучшат способность к глобальной обработке, которая считается отличительной чертой опыта. Скорее, глобальная способность обработки объясняется большей способностью быстро обнаруживать статистические аномалии 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, обусловлено глобальными свойствами каждого изображения (Manning, Ethell, & Crawford, 2003). Тем не менее, обученные рентгенологи, как правило, постоянно пропускают одни и те же области, что, вероятно, отражает стратегию, в большей степени зависящую от предшествующих вероятностей 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 мысленные представления, на которые можно положиться, чем новички.Будущие исследования, направленные на поиск более совершенных методов обучения, должны учитывать, какие элементы знаний требуют опыта, а какие являются усвоенными стратегиями. Кроме того, может быть полезно сосредоточиться на поддержке рентгенологов на разных стадиях развития, а не на поиске коротких путей между ними.

В дополнение к различиям на уровне группы между экспертами и новичками, может быть в равной степени полезно изучить, как идиосинкразии в движениях глаз связаны со значительной изменчивостью результатов, наблюдаемых среди экспертов.Хейс и Хендерсон (2017) обнаружили, что различия в шаблонах 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, паттерны сканирования многое говорят об индивидуальной поисковой стратегии, например, о предпочтениях скорости или точности (Hogeboom & van Leeuwen, 1997). Многие исследователи пытались определить, существуют ли общие когнитивные способности в области, связанные с опытом в области радиологии, которые могут помочь предсказать, кто может стать лучшим рентгенологом, или объяснить, почему равный опыт не приводит к эквивалентным результатам. Эти подходы в значительной степени оказались безуспешными и рисуют убедительную картину предметной специфики с опытом (Beck, Martin, Smitherman, & Gaschen, 2013; Evans et al., 2011; Келли, Рейнфорд, МакЭнти и Кавана, 2017 г .; Леонг и др., 2014 г.; Майлз-Уорсли, Джонстон и Саймонс, 1988 г .; Нодин и Крупински, 1998). Тем не менее, производительность при первом испытании задачи визуального поиска предсказывает, какие люди будут хорошо справляться с опытом, что предполагает, что могут быть важные индивидуальные характеристики, которые не учитывались в предыдущих исследованиях (Ericson, Kravitz, & Mitroff, 2017). Исследования из фундаментальной научной литературы показывают, что различия в движениях глаз могут дать представление об этих вопросах, но это еще не оценивалось в литературе.

Каковы последствия ограниченной памяти при объемном поиске изображений?

Управляемый поиск предполагает, что внимание будет направлено на подмножество элементов в вашей среде, которые, скорее всего, будут вашей целью. Например, если вы ищете салат ромен в продуктовом магазине, внимание к зеленым продуктам сократит общее количество продуктов, которые необходимо оценить. Однако само собой разумеется, что визуальный поиск был бы наиболее эффективным, если бы когнитивная система отслеживала, какие зеленые объекты уже были оценены, чтобы направить внимание на новые места и свести к минимуму непреднамеренные движения глаз к ранее посещенным местам.Такой механизм был бы особенно удобен для профессиональных специалистов по визуальному поиску, таких как рентгенологи, которым необходимо эффективно определять, какие области больших объемных изображений они уже оценили и когда пора переходить к другой задаче. Многие модели визуального поиска содержат неявное предположение, что ранее посещаемые объекты никогда не будут подвергаться повторной оценке (например, Treisman & Gelade, 1980). В соответствии с этим предположением исследования показали, что наблюдатели ведут поиск так, как если бы у них была имплицитная память о том, куда они недавно смотрели: саккады с большей вероятностью будут двигаться в том же направлении, что и предыдущая саккада, чем в противоположном направлении (Klein & MacInnes, 1999). латентность саккад выше для ранее посещенных мест, чем для новых мест (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 предполагаемым механизмом этого явления является торможение возврата (IOR), термин, используемый для описания замедленного времени реакции на запросы в недавно посещенных местах по сравнению с новыми местами (Posner & Cohen, 1984). Считается, что в реальных поисковых задачах IOR служит помощником при поиске пищи (Klein & MacInnes, 1999). В поддержку этой гипотезы Кляйн и Макиннес (1999) обнаружили, что саккады к зонду в поисковой задаче «Где Уолдо » задерживались в недавно зафиксированных местах (на 2–3 назад).Однако, несмотря на очевидную полезность механизма памяти при визуальном поиске, доказательства его использования оказались на удивление неоднозначными. Горовиц и Вулф (1998) обнаружили, что эффективность поиска не снижается, когда объекты перемещаются в сцене каждые 100 мс, что позволяет предположить, что память обычно практически не играет роли 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 визуальные поиск может потребовать меньше памяти для ранее посещенных мест, чем подсказывает наша интуиция.

Одно предложение, которое пытается примирить эти противоречивые данные, состоит в том, что IOR служит для предотвращения настойчивости в визуальном поиске, но слишком ограничен в возможностях (~ 4 элемента) и требует слишком много времени для разработки (~ 200–300 мс) для получения поиск, который «выборки без замены» (Wolfe, 2003). Эти ограничения также ставят под сомнение идею о том, что IOR может играть существенную роль при просмотре больших объемных медицинских изображений, требующих сотен фиксаций. Кроме того, IOR сильно нарушается из-за прерываний, особенно когда массив поиска больше не виден (Takeda & Yagi, 2000).Это говорит о том, что IOR может быть тесно связан с объектами на сцене, а не с пространственным положением. Если метод IOR эффективен только тогда, когда видны помеченные объекты, переход к новым слоям глубины может нарушить процесс и еще больше ограничить полезность механизма IOR при поиске объемных изображений.

Похоже, неявная память для ранее просмотренных местоположений довольно ограничена, но как насчет явной памяти? При поиске сложной сцены (например, Где Уолдо ) наблюдатели могут отличить собственные движения глаз от случайно сгенерированных путей сканирования (Foulsham and Kingstone, 2013a, 2013b; Võ, Aizenman, & Wolfe, 2016).Однако наблюдатели почти случайно могут отличить свои собственные фиксации от чужих, 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 свои знания о том, где было бы наиболее целесообразно посмотреть на изображение для выполнения задачи, а не на сохранение в памяти представления своего пути сканирования (Foulsham & Kingstone, 2013a, 2013b). ; Вы и др., 2016). В подтверждение этой точки зрения наблюдатели могут лучше различать свои собственные движения глаз в данной сцене, когда второй наблюдатель искал другой предмет, и завышают вероятность того, что объекты, которые легко доступны в памяти, были зафиксированы во время зрительного восприятия. поиск (Кларк, Махон, Ирвин и Хант, 2017 г.). В совокупности эти результаты указывают на удивительно плохое явное запоминание ранее посещенных мест, которое в основном обусловлено обоснованными предположениями о том, куда кто-то должен был смотреть в сцене, а не памятью как таковой.

Какие последствия плохая имплицитная и эксплицитная память имеет для рентгенологов, выполняющих поиск объемных изображений? Если вы забудете, где утром искали ключи, в худшем случае вы опоздаете на работу на несколько минут, потому что проверяли одни и те же места более одного раза. Однако для рентгенолога было бы очень важно забыть, проверяли ли они везде признаки травмы после автомобильной аварии. Это может быть особенно актуально для объемных изображений: когда изображения увеличиваются в размерах, может быть сложнее сохранить представление о том, где вы уже искали.Кроме того, если вы потеряете свое место, то на то, чтобы начать заново или проследить свои шаги в большом КТ-скане или на рентгенограмме, потребуется больше времени, что еще более важно в свете увеличения рабочей нагрузки рентгенологов из-за объемной визуализации (Andriole et al. и 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 особых оснований подозревать, что опытные радиологи будут отличаться от этого вывода, но у этой стратегии есть явные ограничения. Например, после перерыва, где рентгенолог решит возобновить поиск? Одна из возможностей заключается в том, что рентгенологи забыли, где они уже искали, и по незнанию повторно посещают те места, которые можно было наблюдать, отслеживая количество рефиксаций и точность возобновления поиска после прерывания (Williams & Drew, 2017).Однако из одних только этих мер неясно, повторно посещаются ли области, потому что они забыты, или они сознательно повторно посещают эти области, 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 фактически искали, эта стратегия может привести к неточному возобновлению поиска после прерывания.Одна из возможностей заключается в том, что соответствующие области будут иметь приоритет и станут более устойчивыми к последствиям перерывов. В качестве альтернативы, если воспроизведение памяти в первую очередь основано на том, какие области следует искать, наиболее релевантные структуры могут быть вызваны, несмотря на то, что их никогда не искали. Один из способов распутать эти возможности — объединить косвенные меры (например, отслеживание взгляда) с более прямыми мерами (например, периодические проверки), чтобы определить, какие области с большей вероятностью будут сообщены как обыскиваемые после прерывания.

В связи с плохой памятью рентгенологи часто ищут удивительно малую часть медицинских изображений, даже несмотря на то, что охват отрицательно связан с частотой ошибок в группе экспертов (Drew et al., 2013; Rubin et al., 2015; Thomas & Лансдаун, 1963). Например, Дрю и др. (2013) обнаружили, что только 69 % легких были исследованы во время скрининга рака легких с использованием оценки полезного поля зрения (UFOV) в 5°. Бурильщики охватили 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 составляет всего 26,7%. Как и в исследованиях с использованием 2D-изображений, более высокий охват был связан с пониженной чувствительностью. На самом деле, по их оценкам, для тщательного поиска изображений в каждом случае потребовалось бы почти 12 минут, но среднее время поиска было ближе к 3 минутам. При прямом сравнении двухмерного и объемного поиска изображений охват был выше для маммографии, чем для томосинтеза молочной железы, в широком диапазоне оценок UFOV (Aizenman et al., 2017). На самом деле, общий охват объемных изображений с максимальной оценкой UFOV (5°) составил менее 30%. Аналогичный результат уменьшения охвата объемного изображения наблюдался в исследовании, сравнивающем ДПТ с однослойным ДПТ (Lago et al., 2018).

Хотя на объемных изображениях ясно, что покрытие низкое, невозможно получить точную оценку покрытия без точной оценки UFOV (рис.  ). При рентгенографии грудной клетки обычной оценкой UFOV является 5°, поскольку подавляющее большинство легочных узелков можно обнаружить в этом окне (Kundel, Nodine, Thickman, & Toto, 1987).Однако известно, что UFOV уменьшается по мере увеличения сложности изображения и сложности задачи (Drew, Boettcher & Wolfe, 2017; Young & Hulleman, 2013), и исследования показывают, что эта оценка может быть слишком высокой для скрининга рака легких при КТ грудной клетки (Rubin et al., 2015). Также важно отметить, что UFOV существенно зависит от размера узелков, сложности изображения и читателя (Ebner et al., 2017). В будущих исследованиях может потребоваться эмпирическая проверка оценок UFOV для конкретной задачи или сообщение результатов для диапазона оценок UFOV (например,г., Айзенман и др., 2017). Например, Рубин и др. (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 менее от центральной фиксации (окно 2,6°). Примечательно, что 25% пропущенных узелков никогда не были в пределах UFOV, что подчеркивает потенциальные последствия плохого охвата изображения в больших объемных изображениях. Кроме того, важно понять, как UFOV изменяется в зависимости от опыта, чтобы протестировать модели опыта на объемных изображениях.Например, если эксперты могут более эффективно обнаруживать аномалии, используя парафовеальное зрение, они должны иметь более широкое 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 зафиксировался (представлено концентрическими кругами) на изображении с видимым узлом в легком (обозначен красным прямоугольником), но не сообщил об этом.При использовании меньшего UFOV пропущенная аномалия будет считаться ошибкой поиска. Однако это будет классифицироваться как ошибка распознавания или решения с использованием наибольшей оценки UFOV. Точно так же предполагаемое покрытие изображения значительно варьируется в зависимости 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 охватом изображения: очевидно, что не может быть никакого поведенческого преимущества, если фрагменты изображения, содержащие аномалию, никогда не видны.Например, могут возникнуть поведенческие затраты на экспертизу, если на изображении обнаружены неожиданные аномалии. Мы знаем, что контекстуальные подсказки вредны для производительности, если цель находится не в ожидаемом месте (Makovski & Jiang, 2010). Точно так же в медицинских изображениях первоначально неверные холистические решения редко возвращаются назад (Mello-Thoms, 2009), а история болезни значительно влияет на то, как интерпретируются изображения (Norman, Brooks, Coblentz, & Babcook, 1992). В объемных изображениях эти эффекты могут усугубляться повышенной потребностью в уменьшении общей области поиска и возможностью прокрутки непосредственно к интересующим областям.Например, наиболее логичный способ для рентгенолога оценить пациента на наличие камней в желчном пузыре — сосредоточиться на слоях изображения, где присутствует желчный пузырь. Однако такой подход может привести к негативным последствиям, если появятся неожиданные аномалии, такие как рак, которые видны на разных срезах изображения. Хотя пропущенные случайные находки не обязательно являются ошибкой в ​​контексте поставленной задачи, необнаруженный рак, тем не менее, может привести к отрицательным исходам для пациентов и/или заявлениям о врачебной халатности.Учитывая, что неполное покрытие изображения может привести к негативным последствиям как для пациента, так и для рентгенолога, 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 реальных задач предполагает, что люди постоянно исследуют окружающую среду для получения информации, а не полагаются на кратковременную память (Ballard, Hayhoe, & Pelz, 1995).На самом деле, некоторые исследователи предположили, что появление мнемонических механизмов при визуальном поиске может быть в большей степени обусловлено поисковыми стратегиями, а не памятью на ранее обыскиваемые места (Peterson, Beck, & Vomela, 2007). Наблюдатели часто применяют систематическую модель во время упорядоченных задач визуального поиска и проявляют склонность к горизонтальному сканированию сцены (Dickinson & Zelinsky, 2007; Findlay & Brown, 2006; Gilchrist & Harvey, 2006). Кроме того, обычно предполагается, что объем рабочей памяти (~ 4 элемента; Cowan, 2001) является ограничивающим фактором для количества предыдущих мест, которые могут быть сохранены в памяти (McCarley, Wang, Kramer, Irwin, & Peterson, 2003).Однако некоторые исследования показали, что наблюдатели с меньшей вероятностью рефиксируются на целых 12 предыдущих фиксациях и с высокой степенью достоверности сообщают, появлялась ли цель в этих местах (Dickinson & Zelinsky, 2007; Peterson et al., 2007). Ограничения объема рабочей памяти можно преодолеть, сохраняя грубое представление общего пути поиска, а не память с высоким разрешением о расположении дистракторов (Dickinson & Zelinsky, 2007; Godwin, Benson, & Drieghe, 2013; Peterson et al., 2007). Примечательно, что случайное развертывание внимания на значимых стимулах происходит быстрее, чем произвольное развертывание внимания, что может объяснить, почему наблюдатели часто не участвуют в систематическом поиске (Wolfe, Alvarez, & Horowitz, 2000). Это исследование показывает, что часто лучше быстро случайным образом сортировать большие объемы визуальной информации, чем выполнять медленные систематические поиски в окружающей среде. Тем не менее, можно обоснованно утверждать, что систематическая стратегия должна играть более важную роль в радиологии из-за необходимости отдавать предпочтение точности, а не скорости в медицине.Тем не менее, Кундель и соавт. (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 с, по мнению экспертов-наблюдателей в Christensen et al., 1981). Таким образом, кажется, что рентгенологи часто используют стратегии поиска, которые отдают предпочтение эффективности, а не исчерпывающему поиску.

Тем не менее, сам размер объемных изображений может потребовать определенной степени систематического поиска в 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 улучшению явного припоминания предыдущих целевых местоположений. Точно так же опытные дерматологи демонстрировали меньше рефиксаций, которые были разделены во времени, и с меньшей вероятностью воспроизводили путь сканирования, чем новички (Vaidyanathan, Pelz, Alm, Shi, & Haake, 2014). Кроме того, в других областях радиологии имеются убедительные доказательства того, что использование более структурированного подхода в целом может помочь компенсировать потребность в памяти и повысить производительность.Например, по сравнению с шаблонами диктовки в свободной форме, структурированные шаблоны улучшают качество диктовки (Marcal et al., 2015; Marcovici & Taylor, 2014; Schwartz, Panicek, Berk, & Hricak, 2011), поощряют соблюдение передового опыта (Kahn Jr. ., Heilbrun, & Applegate, 2013) и повысить точность диагностики (Bink et al., 2018; Lin, Powell, & Kagetsu, 2014; Rosskopf et al., 2015; Wildman-Tobriner et al., 2017). Точно так же использование контрольного списка с анатомическими структурами и часто пропускаемыми диагнозами улучшило диагностическую эффективность в группе студентов-медиков (Kok, Abed, & Robben, 2017, хотя см. Berbaum, Franken Jr., Колдуэлл и Шварц, 2006 г.). Кроме того, радиологи, как правило, чаще смотрят на свои экраны диктовки после перерыва, по-видимому, для того, чтобы вспомнить, где они уже искали (Drew, Williams, Aldred, Heilbrun, & Minoshima, 2018). В совокупности эти данные свидетельствуют о том, что вмешательство, нацеленное на ограничения памяти, является стоящим делом, но пока неизвестно, может ли принятие стратегии систематического поиска также помочь противодействовать этим ограничениям при объемном поиске.

Как радиологи решают прекратить поиск в больших объемных изображениях?

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 Honeycrisp в новом продуктовом магазине, вы перестанете искать, как только найдете их. Однако как узнать, когда прекратить поиски, если в магазине эти яблоки не продаются? В радиологии проблема становится еще более сложной; цели часто не указаны ни по внешнему виду, ни по количеству.Если рентгенолог обнаружит опухоль, могут быть и другие опухоли, расположенные в другом месте. Наиболее консервативным подходом будет поиск каждого соответствующего пикселя изображения. Однако временные ограничения, вероятно, препятствуют такой стратегии, особенно в свете увеличения размера и количества изображений, созданных методами объемной визуализации в последние годы (McDonald et al., 2015). Кроме того, даже если у рентгенолога есть неограниченное количество времени для проведения такого поиска, неспособность найти аномалию не означает, что аномалии нет.На самом деле многие аномалии в радиологии фиксируются, но никогда не регистрируются (Kundel et al., 1978). Так как же радиолог решает, когда прекратить поиск, учитывая всю эту неопределенность?

Была 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 достигнуто пороговое значение 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 пищу, например ягоды, потребление энергии максимизируется за счет перехода к следующему кусту, когда потребление падает ниже среднего потребления для этой среды, что известно как теория оптимального кормодобывания (Чарнов, 1976). Наблюдатели, кажется, следуют предсказаниям этой модели при поиске нескольких целей и собирают элементы в прогонах одной цели за раз при поиске нескольких разных типов целей (Cain et al., 2012; Вулф, 2013; Вулф, Айзенман, Бетчер и Кейн, 2016 г.). Однако менее ясно, как меняется поведение при отказе от курения, когда цель состоит не в том, чтобы собрать большое количество изобилующих очевидных целей, а в том, чтобы найти редкие, труднодоступные цели.

Хотя слишком раннее прекращение поиска может привести к негативным последствиям в радиологии, факторы, определяющие, когда рентгенолог решает прекратить поиск, плохо изучены. Существующие модели интерпретации медицинских изображений сосредоточены на том, что можно считать начальным этапом конечной задачи клинициста по точному диагнозу: на первоначальном восприятии (Drew et al., 2013; Нодин и Кундел, 1987; Свенссон, 1980). Важно отметить, что эти модели мало что делают для объяснения процесса принятия решений, следующего 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 современных моделей восприятия медицинских изображений не рассматривает вопрос о том, как клиницист в конечном счете решает, когда прекратить рассмотрение случая.Однако ясно, что большинство истинных 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 КТ вообще никогда не проводил 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, для оценки которых обычно требуется гораздо больше времени, чем для 2D-изображений.В этих обстоятельствах способность эффективно переходить от сканирования здорового пациента может быть критическим показателем опыта, который будет упущен существующими моделями. Например, в 2D-изображениях опытные рентгенологи, по-видимому, прекращают поиск, когда они все еще выявляют больше истинно положительных результатов, чем ложноположительных, но новички продолжают до тех пор, пока ложноположительные результаты не станут доминирующим ответом (Christensen et al., 1981; Nodine et al., 2002). ). Оценка динамики ошибок с опытом работы с объемными изображениями — это совершенно неизведанная область, которая, вероятно, станет 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 объемном поиске изображений.

Как взаимодействуют двигательные и перцептивные процессы при оценке объемных изображений?

В отличие от поиска по признакам, который часто встречается в литературе по зрительному вниманию, поиск в реальном мире часто включает в себя навигацию по большим трехмерным пространствам в поисках объектов, которые могут быть скрыты другими объектами.При поиске целей участники спонтанно выбирают систематический путь поиска (Riggs et al., 2017). Точно так же при поиске доказательств преступления пары участников проводят систематический поиск и часто перепроверяют свою работу (Riggs et al., 2018). Тем не менее, другие исследователи обнаружили, что в реальном визуальном поиске повторные посещения случаются редко, что связано с дополнительными усилиями, необходимыми для повторения ваших шагов в локомотивных задачах (Gilchrist, North, & Hood, 2001; Smith et al., 2008). В совокупности это исследование имеет большое значение для объемного поиска изображений, который включает в себя как двигательные, так и перцептивные компоненты, когда наблюдатель прокручивает глубину. В последние годы наблюдается растущий интерес к тому, как двигательные процессы влияют на визуальный поиск, когда целевые объекты должны быть обнаружены путем перемещения других объектов, что называется «ручным поиском». В некоторых случаях поиск с помощью ручного поиска воспроизводил результаты из литературы по визуальному поиску (например, «эффект низкой распространенности», Solman, Hickey, & Smilek, 2014).В других случаях были выявлены новые источники ошибок. Например, Solman, Cheyne и Smilek (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 говорит о том, что восприятие и действие могут быть разделены при визуальном поиске. Другими словами, решение о действии («отбросить выбранный элемент») может предшествовать решению об идентификации («выбранный элемент является моей целью»).Авторы предполагают, что натуралистический визуальный поиск включает процесс перцептивного поиска, который контролирует, но не направляет двигательный процесс «распаковки» (Solman, Wu, Cheyne, & Smilek, 2013).

В рентгенологии результаты могут означать, что двигательная система решает двигаться в глубину до того, как аномалия может быть идентифицирована на текущем срезе. Хотя словесные инструкции по замедлению двигательных движений оказались неэффективными, принуждение участников к замедлению значительно уменьшило количество ошибок при распаковке (Solman et al., 2013). В настоящее время неизвестно, как связана скорость прокрутки в глубину объемного медицинского изображения с диагностической точностью и встречаются ли эти ошибки «развязки» в радиологии. Представление КТ-сканов с разной частотой кадров привело к неоднозначным результатам: от отсутствия различий в точности (Bertram et al., 2013) до более низкой производительности при более высоких скоростях (Bertram et al., 2016). Скорость прокрутки также может дать представление об эффективности сигналов начала движения или развитии способности глобальной обработки в объемных изображениях.Если эксперты смогут извлекать необходимую информацию из изображений быстрее, чем новички, они могут быть менее уязвимы к потенциально негативным последствиям более быстрой прокрутки, таким как ошибки «расцепления». В задаче скрининга рака легких не наблюдалось разницы в скорости между радиологами и наивными наблюдателями (Diaz, Schmidt, Verdun, & Bochud, 2015). В среднем узелки обнаруживались со скоростью от 25 до 30 кадров в секунду (fps). Однако следует отметить, что производительность в этом задании была максимальной как для экспертов, так и для новичков, и не было различий в производительности между группами.Следовательно, остается возможным, что различия в поведении при прокрутке более важны, когда существует большая изменчивость в производительности. Бертрам и др. (2013) также не обнаружили различий в производительности, связанных с опытом, когда наблюдатели искали различные аномалии в КТ брюшной полости, представленные в виде видео с фиксированной 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 лучше адаптировались к увеличенной частоте представлений при КТ брюшной полости.Однако оба этих исследования опирались на видео с фиксированной скоростью, а не позволяли наблюдателям контролировать свою собственную скорость, что ограничивает экологическую достоверность. Понятно, что пока нет полной картины того, как скорость прокрутки влияет на производительность поиска в объемных изображениях. В будущих исследованиях также может быть полезно проанализировать распределение ошибок в зависимости от естественной скорости прокрутки. При этом важно учитывать свойства самой аномалии. Скорость прокрутки может быть важным предиктором обнаружения аномалий, когда аномалии вызывают сигналы начала движения или для более мелких аномалий, 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.

обзор литературы по фундаментальным наукам и медицинской литературе по восприятию изображений

Abstract

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 двухмерных медицинских изображений, остается открытым вопрос, могут ли выводы, сделанные на основе этих изображений, быть обобщены на объемные изображения. Важно отметить, что объемные изображения имеют определенные характеристики (например, прокрутку по глубине, плавное движение 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 можно использовать для прогнозирования опыта в интерпретации объемных изображений.Лучше понимая поиск по объемным изображениям, мы сможем определить распространенные источники ошибок, охарактеризовать оптимальные стратегии поиска по глубине или разработать новые методы обучения и оценки для резидентов-радиологов.

Ключевые слова: Восприятие медицинских изображений, Рентгенология, Визуальный поиск, Экспертиза, Объемные медицинские изображения изображения, позволяющие более точно представить трехмерную (3D) природу анатомических структур тела.В последние годы наблюдается неуклонный рост количества объемных медицинских изображений, интерпретируемых в диагностической радиологии. Хотя объемные изображения обычно ассоциируются с лучшими показателями, пропущенные или неправильные диагнозы по-прежнему широко распространены в радиологии. В этом обзоре мы обсудим результаты фундаментальных научных исследований зрительного внимания и памяти, которые могут помочь в нашем понимании поиска объемных медицинских изображений. Кроме того, мы обсудим то, что уже известно о поиске объемных изображений посредством обзора литературы по восприятию медицинских изображений.Хотя в настоящее время в наших знаниях о том, как лучше всего искать объемные изображения, существуют значительные пробелы, этот тип исследований может в конечном итоге выявить лучшие стратегии поиска для оценки объемных изображений, определить вероятность возникновения ошибок или привести к улучшению методов обучения для новых рентгенологов. .

Введение

Объемная медицинская визуализация, такая как КТ, магнитно-резонансная томография (МРТ) или цифровой томосинтез молочной железы (ДБТ), помогает сохранить трехмерную природу внутренних структур тела путем наложения нескольких изображений поперечного сечения.Этот метод визуализации часто приводит к тому, что рентгенолог должен оценить огромное количество информации (Andriole et al., 2011): один рентгенограмма грудной клетки теперь часто дополняется КТ грудной клетки со стопкой из 1000 изображений с высоким разрешением (рис.) . К сожалению, аномалии иногда очень малы по сравнению с общим размером изображения. Чтобы проиллюстрировать этот момент, Рубин (2015) подсчитал, что узелки рака легких размером от 4 до 10 мм составляют 0,01% или менее от общего объема при типичной КТ грудной клетки.Узелки рака легкого такого размера будут видны только на нескольких срезах, что делает их необнаружимыми в течение большей части общего времени поиска рентгенологом (Rubin, 2015). Как опытные радиологи эффективно сортируют всю эту информацию и обнаруживают потенциальные отклонения? Существуют ли оптимальные стратегии 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 центре внимания исследований восприятия медицинских изображений в ближайшие годы (McDonald et al., 2015).

Сравнение размеров двухмерных медицинских изображений и объемных медицинских изображений. Размеры изображений являются приблизительными, и фактические размеры изображений могут значительно различаться в зависимости от случая. Оценки размера легочных узелков предполагают использование монитора с разрешением 96 dpi. 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 достоинства 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 этой области (таблица ). В каждом из этих разделов мы обсудим соответствующие выводы из литературы по фундаментальной науке и медицинской литературе по восприятию изображений и выделим перспективные области для будущих исследований. Этот обзор не следует рассматривать как исчерпывающий обзор литературы.Например, дискуссия, связанная с переходом от аналоговой к цифровой радиологии, не будет подробно освещена. Хотя история объемных изображений сама по себе является интересной темой, 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 статьи — сосредоточиться на вопросах, наиболее важных для объемной визуализации, и послужить катализатором для будущих исследований в этой области.

Таблица 1

Важные области исследований восприятия объемных изображений

Что мы можем узнать о восприятии медицинских изображений из фундаментальных научных исследований?

В течение нескольких десятилетий исследователи пытались охарактеризовать, как опытные рентгенологи интерпретируют медицинские изображения.В то же время ученые-когнитивисты создали огромное количество литературы по визуальному поиску, используя строго контролируемые лабораторные задачи, такие как «найти горизонтальную линию среди вертикальных линий». На первый взгляд кажется, что эти искусственные задачи имеют мало общего со сложными рентгенологическими задачами, такими как выявление признаков рака молочной железы 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 к реальным задачам, таким как радиология (рис. ). Например, наблюдатели в лаборатории часто не замечают человека, идущего по баскетбольному матчу в костюме гориллы, когда они выполняют второстепенную задачу (например, подсчитывают количество пасов между игроками) — явление, известное как «невнимательная слепота» (Саймонс). и Шабрис, 1999). Точно так же 83% рентгенологов пропустили изображение гориллы размером со спичечный коробок, встроенное в срез компьютерной томографии грудной клетки, когда искали признаки рака легких (Drew, Võ, & Wolfe, 2013).Это исследование может помочь объяснить, почему случайные находки, представляющие собой неожиданные аномалии, которые не являются основным объектом поиска, иногда упускаются из виду в радиологии (Wolfe, Soce, & Schill, 2017).

Хотя многие результаты лабораторных задач визуального поиска были воспроизведены в литературе по восприятию медицинских 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 в области поиска объемных изображений может быть получено из результатов 2D-визуального поиска, а также растущих исследований в области вождения, визуального поиска в реальном мире, видеонаблюдения (CCTV) и виртуальной реальности.Ультразвуковое изображение перепечатано из Hansen et al. (2016). Ультрасонография почек: наглядный обзор. Диагностика , 6 (1), 2., и используется здесь по лицензии Creative Commons. Изображение патологии получено из коллекции консорциума по клиническому протеомному анализу опухолей Национального института рака (CPTAC-SAR) 2018 г. и используется здесь в соответствии с лицензией Creative Commons License

. ; Вулф и др., 2016), подчеркивают перспективы использования наших знаний о человеческом познании, чтобы делать прогнозы о том, как рентгенологи будут искать медицинские изображения и когда они будут наиболее подвержены ошибкам. Однако объемная визуализация создала новый набор проблем как для рентгенологов, так и для ученых, занимающихся восприятием, стремящихся лучше их понять. Объемная визуализация была впервые введена в клиническую практику в 1970-х годах, но в последние годы наблюдается резкое увеличение размера и количества объемных изображений, интерпретируемых в рентгенологическом читальном зале (Andriole et al., 2011; Макдональд и др., 2015). Например, количество изображений поперечного сечения в одном учреждении увеличилось в десять раз в период 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 фундаментальной науке существует обширная литература по визуальному поиску в двухмерных лабораторных задачах и растущая литература по поиску в трехмерном мире. Однако объемные изображения не попадают ни в одну 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 большая часть работы радиолога может быть охарактеризована как принятие решений, например, определение того, является ли подозрительная находка злокачественной или доброкачественной, в этом обзоре основное внимание будет уделено тому, как обнаруживаются и идентифицируются потенциальные аномалии с помощью визуального поиска. Чтобы сформулировать 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 особенностям сцены. Направление «снизу вверх» обусловлено свойствами самого стимула. Например, при отсутствии другой задачи ярко-красный мак в поле с ромашками, скорее всего, привлечет внимание. Напротив, руководство сверху вниз управляется внутренним состоянием наблюдателя и историей выбора. Внимание «сверху вниз» часто может преобладать над эффектами механизмов «снизу вверх».Например, целевые представления, хранящиеся в памяти, могут помочь перенаправить внимание от явных отвлекающих факторов (например, красного мака) 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 содержат цель.

Какие свойства стимула направляют внимание на объемных медицинских изображениях?

Наведение снизу вверх при визуальном поиске может быть очень эффективным, когда наиболее заметные объекты в сцене соответствуют вашим целям (например,например, идентификация большой опухоли головного мозга), но вредны, если ваша задача заключается в обнаружении малозаметных целей (например, небольших узелков рака легких). К сожалению, наиболее заметные области медицинских изображений не всегда являются наиболее информативными для рентгенолога. Одним из хорошо зарекомендовавших себя механизмов ограничения влияния восходящей информации является нисходящая информация о задаче. При прочих равных условиях эксперты должны лучше использовать нисходящую стратегию поиска медицинских изображений, чем новички, благодаря своим обширным медицинским знаниям и прошлому опыту работы с похожими изображениями.По той же причине самые большие различия между экспертами и новичками следует искать в задачах, которые не выигрывают от восходящей стратегии. В целом, эти прогнозы хорошо подтверждаются в радиологии, а также в ряде других задач и профессий (Cooper, Gale, Darker, Toms, & Saada, 2009; Humphrey & Underwood, 2009; Koide, Kubo, Nishida, Shibata, и Икеда, 2015; Лансдейл, Андервуд и Дэвис, 2010). Например, движения глаз новичков были точно предсказаны с помощью карты заметности при анализе односрезовой компьютерной томографии головного мозга на предмет цереброваскулярных инцидентов (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 ярко выражены, движения глаз экспертов и новичков не различались (Matsumoto et al., 2011).

Необходимы дальнейшие исследования для определения особенностей, влияющих на возможность обнаружения аномалий на объемных медицинских изображениях. На рентгенограммах грудной клетки исследователи использовали отслеживание взгляда, чтобы провести различие между свойствами поражения, которые первоначально привлекают внимание во время поиска (измеряемое временем до первого попадания), и теми, которые удерживают внимание после обнаружения аномалии (измеряемое временем задержки) (Krupinski , Бергер, Даллас и Рериг, 2003 г.).В контексте управляемого поиска «время до первого попадания» представляет собой индекс свойств стимула, которые более эффективно направляют внимание на поражение во время визуального поиска, тогда как время задержки, вероятно, отражает процессы распознавания или принятия решений. Хотя оценивался ряд характеристик (например, отношение сигнал-шум, заметность, местоположение и кальцификация), ни одна из этих характеристик не влияла на то, как быстро внимание будет направлено на соответствующее место на изображении. Тем не менее, как размер узелков, так и заметность влияли на время пребывания на поражении и предсказывали общую частоту обнаружения узелков.Напротив, Carmody, Nodine и Kundel (1981) обнаружили, что заметность узелков влияет как на процессы поиска, так и на процессы принятия решений. Менее заметные узелки выявлялись реже в парадигме просмотра со вспышкой и были связаны с более сравнительными сканами с нормальными структурами на изображении во время свободного просмотра (определяемого как фиксация 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 об идентификации легочного узла может включать сравнение изменения внешнего вида аномалии в зависимости от глубины по сравнению с нормальными структурами на изображении (например, кровеносными сосудами).

Чтобы определить, какие признаки стимула улучшают обнаруживаемость при поиске объемных изображений, может оказаться полезным опираться на фундаментальную научную литературу. Согласно Wolfe and Horowitz (2004), есть четыре основных атрибута, которые были хорошо установлены на основе сходящихся данных в литературе: движение, цвет, ориентация и размер.Хотя все эти функции, несомненно, важны для обнаружения аномалий на медицинских изображениях, движение является атрибутом, который однозначно применим к объемным изображениям. На объемных изображениях может казаться, что структуры движутся вдоль двумерной плоскости по мере того, как наблюдатель перемещается в глубину изображения, что, как считается, вызывает плавные следящие движения глаз, когда наблюдатель отслеживает эти структуры в глубине (Venjakob & Mello-Thoms, 2015). ). Кроме того, некоторые аномалии, такие как узелки рака легких, появляются и исчезают из поля зрения при прокрутке изображения в глубину из-за быстрых изменений диаметра структуры.Это явление может имитировать признаки резкого начала движения, которые, как известно, привлекают зрительное внимание (Abrams & Christ, 2003; Girelli & Luck, 1997; Jonides & Yantis, 1988; Theeuwes et al., 1999). Более того, движение может служить фильтрующим механизмом при визуальном поиске и точно предсказывает, на что будет направлено 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 определяющей чертой цели, наблюдатели узнают частые ассоциации между целями и их движениями и используют эту информацию для направления поиска (Scarince & Hout, 2018).

Хотя фундаментальная наука предполагает, что сигналы движения служат эффективной формой наведения на цель, лишь несколько исследований рассматривали эту тему в области восприятия медицинских изображений. Например, исследователи обнаружили, что искусственное добавление сигналов движения к статическим изображениям повышает способность обнаружения как на маммограммах, так и на рентгенограммах грудной клетки (Andia et al., 2009). Кроме того, исследователи проверили прогноз о том, что поиск в окнах меньшего размера будет лучше, чем поиск в окнах большего размера на объемных изображениях, поскольку это повысит способность обнаруживать сигналы движения с помощью фовеального зрения (Venjakob, Marnitz, Phillips, & Mello-Thoms, 2016). .Хотя общих различий в точности между условиями не было, меньший размер изображения был связан с более быстрым обнаружением аномалий. Наконец, Накашима и соавт. (2016) проверили, менее ли вероятно обнаружение узелков в легких на ранних этапах исследования, когда релевантные для задачи сигналы начала движения (например, легочные узлы), вероятно, скрыты одновременными сигналами начала движения из информации, не относящейся к задаче (например, кровеносные сосуды). . Они обнаружили значительное влияние расположения узелков на новичков, но не на 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 целей и расширенная целостная обработка, которые также помогают в обнаружении аномалий.

Каковы распространенные источники ошибок при интерпретации объемных медицинских изображений?

Считается, что во время визуального поиска репрезентации целей в памяти направляют внимание нисходящим образом на особенности в окружающей среде, которые соответствуют характеристикам цели (Olivers & Eimer, 2011; Olivers, Meijer, & Theeuwes, 2006; Soto, Heinke). , Хамфрис и Бланко, 2005).В типичных лабораторных парадигмах наблюдатель ищет единственную четко определенную цель, которая либо задается при каждом испытании, либо остается неизменной на протяжении всего эксперимента. Однако поиск целей в более реалистичных условиях, когда информация о цели ухудшается, может оказаться более сложной задачей. Эффективность поиска лучше всего, когда информация о цели является точной (например, подсказки в виде изображений), а поиск менее эффективно управляется неточными (например, словесными подсказками) или категоричными (например, кошки против Гарфилда) целевыми подсказками (Hout & Goldinger, 2015; Вулф, Горовиц, Кеннер, Хайл и Васан, 2004 г.).Кроме того, когда на изображении присутствует несколько целей (например, Гарфилд и Нермал), вероятность того, что вторая цель будет обнаружена после обнаружения первой цели, снижается (Berbaum et al., 1990; Cain & Mitroff, 2013). Первоначально это явление называлось «удовлетворительным поиском», что предполагало, что ошибка была вызвана преждевременным прекращением поиска после обнаружения первой цели (Berbaum et al., 1990; Tuddenham, 1962). Однако последующие исследования поставили это объяснение под сомнение (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 в качестве нейтральной с точки зрения теории альтернативы (Cain & Mitroff, 2013). К сожалению, задача радиолога часто представляет собой наихудший сценарий для целевых репрезентаций: выявление неопределенного количества плохо определенных аномалий.

Учитывая эти проблемы, особенно важно учитывать, как различные методы визуализации могут улучшить способность рентгенолога обнаруживать аномалии.Например, двухмерная медицинская визуализация вынуждает наблюдателя рассматривать органы как перекрывающиеся структуры, что может скрыть результаты и обеспечить неточные пространственные отношения между анатомическими структурами. Напротив, хотя объемное изображение не является настоящим 3D, меньше необходимости мысленно переводить анатомические структуры из их 2D-представлений в 3D-мир. Неперекрывающиеся структуры, а также наличие сигналов движения могут улучшить способность обнаруживать аномалии в объемных изображениях.Помимо скрининга рака молочной железы, прямые сравнения объемных изображений с их двумерными аналогами проводятся 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, показали, 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 обусловлены как увеличением частоты попаданий, так и уменьшением ложных срабатываний. Однако объемная визуализация также связана со значительными затратами: значительное увеличение времени поиска и снижение 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 существуют значительные возможности для улучшения.Кроме того, недавние исследования показывают, что объемная визуализация может быть не всегда полезной (Lago et al., 2018). При сравнении трехмерного томосинтеза молочной железы (DBT) и односрезового DBT не было выявлено различий в производительности, когда читателей просили идентифицировать образования. Напротив, 2D-изображение было связано с лучшим обнаружением микрокальцинатов. Исследователи предположили, что объемная визуализация приводит к меньшему охвату изображения и большей зависимости от парафовеальной обработки. Следовательно, объемная визуализация, вероятно, будет стоить денег, если 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 удалось ли ему его найти или он обнаружил его, но решил, что о нем не следует сообщать. По этой причине отслеживание движения глаз широко используется для определения того, почему аномалии упускаются из виду 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 изучением (Kundel, Nodine, & Krupinski, 1989; Manning, Barker-Mill, Donovan, & Crawford, 2006). ).Отслеживание взгляда также использовалось для выявления трех различных типов ошибок: ошибки поиска возникают, когда поражение никогда не обнаруживается, ошибки распознавания возникают, когда поражение фиксируется на короткое время (в течение < 1 с), но не сообщается, и возникает ошибка решения. когда поражение фиксируется в течение длительного периода времени (> 1 с), но о нем не сообщается (рис. а, Kundel, Nodine, & Carmody, 1978).

a Иллюстрация того, как пропущенный узел может быть классифицирован как ошибка поиска, распознавания или принятия решения с помощью отслеживания взгляда.Желтые кружки представляют фиксации, а красный квадрат представляет интересующую область аномалии. b Пример расчета охвата изображения

При скрининге рака легких с помощью рентгенограмм грудной клетки ошибки принятия решений являются наиболее распространенным типом ошибок, за которыми следуют ошибки распознавания и поиска (Donovan & Litchfield, 2013; Kundel et al., 1978). Тем не менее, Drew, et al., 2013 отметили относительно небольшую долю ошибок в принятии решений при скрининге рака легких с использованием КТ органов грудной клетки.В пролетной 3D-колонографии, виртуальной навигации по эндолюминальной реконструкции толстой кишки, большинство ошибок были идентифицированы как ошибки распознавания, а ошибки поиска практически отсутствовали (Phillips et al., 2013). Кроме того, ошибки были равномерно распределены между ошибками поиска и распознавания при идентификации микрокальцинатов в ДПТ (Lago et al., 2018). Однако ошибки были в первую очередь ошибками распознавания для идентификации масс. Эти исследования являются хорошими примерами распространения текущих показателей отслеживания взгляда на объемные изображения, что позволяет проводить прямое сравнение 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 непересекающихся структур (Drew et al., 2013; Lago et al. и др., 2018; Филипс и др., 2013). Однако распределение ошибок может существенно различаться в зависимости от характера задачи или даже между стратегиями поиска в рамках одной задачи (Drew et al., 2013; Lago et al., 2018). В будущих исследованиях также будет важно определить, как меняется распределение ошибок в ходе обучения интерпретации объемных медицинских изображений, что в конечном итоге может дать представление о типе помощи (например,г., обнаружение с помощью компьютера), которое было бы наиболее полезным для всех уровней опыта.

Хотя аналогичные подходы использовались для классификации ошибок в двумерных и объемных изображениях (Drew et al., 2013; Lago et al., 2018; Phillips et al., 2013), в значительной степени неясно, являются ли пороговые значения для этих категорий подходит для объемных изображений. Исследователям также важно учитывать целесообразность применения этих категорий к разным типам задач. Безусловно, аномалия, на которой не фиксируется фиксация, указывает на некоторый уровень ошибки поиска, но определяющая, является ли время удержания фиксации промежуточным временем (т.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 было ниже у экспертов, чем у обучающихся, что отражалось в увеличении количества ошибок распознавания по сравнению с ошибками принятия решений (Donovan & Litchfield, 2013).

Альтернативный подход к классической категоризации ошибок Кундела был недавно предложен Cain et al. (2013). Записав движения глаз для тысяч испытаний, они использовали подход, основанный на данных, для рассматриваемой задачи (в их случае это задача визуального поиска с несколькими целями) для описания различных типов ошибок.Подходы, основанные на данных, позволяют скорректировать порог между ошибками распознавания и принятия решения для данного 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 при восприятии медицинских изображений. Примечательно, что было мало доказательств, подтверждающих четкое качественное различие между ошибками распознавания и ошибками 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 объекте до тех пор, пока не будет достигнут порог принятия решения.С этой точки зрения ошибки распознавания и принятия решений возникают в континууме, а не в виде отдельных категорий. Кроме того, Каин и др. (2013) продемонстрировали, что ошибки поиска для второй цели могут быть дополнительно подразделены на новые категории. В некоторых испытаниях поиск прекращался, как только была идентифицирована первая цель, без попытки найти вторую цель (ошибка «стратегии»). В других испытаниях первая цель повторно фиксировалась во время поиска (ошибка «истощение ресурсов»), что предполагает истощение ресурсов рабочей памяти 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 возможность классификации на основе данных для получения дополнительной информации об источниках ошибок при визуальном поиске. Хотя для этого подхода требуется большой объем данных, которые может быть трудно собрать с помощью рентгенологов, может быть информативно использовать метод, основанный на данных, 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 на ней, но также может возникнуть ошибка пропуска, если фрагмент изображения, содержащий аномалию, никогда не посещался.Хотя они оба будут считаться ошибками поиска в системе классификации Кундела, 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 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 этих изображений (Stuijfzand et al., 2016). Этот вывод, по-видимому, подтверждается размером зрачка, физиологическим показателем когнитивной нагрузки (Porter, Troscianko, & Gilchrist, 2007; Unsworth & Robison, 2018), который увеличивается со временем поиска в объемных изображениях (Stuijfzand et al., 2016). В том же духе недавняя работа с патологами молочной железы, изучавшая слайды цифровой патологии, показала, что диаметр зрачка чувствителен к предполагаемой сложности случая: более сложные случаи обычно ассоциировались с большим диаметром зрачка (Brunyé et al., 2016). Выводы из самых разных источников свидетельствуют о том, что зрительный поиск ухудшается, когда рабочая память нагружается. Одновременная нагрузка на пространственную рабочую память снижает эффективность зрительного поиска как в лабораторных, так и в прикладных задачах, таких как вождение автомобиля (Oh & Kim, 2004; Recarte & Nunes, 2003). Кроме того, известно, что важные восходящие функции более эффективно привлекают внимание при когнитивной нагрузке (Matsukura, Brockmole, Boot, & Henderson, 2011). Как правило, наблюдатели за естественными задачами 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, уменьшают количество фигур на доске (Leone, Slezak, Cecchi, & Sigman, 2014).

В радиологии увеличение когнитивной нагрузки и утомляемости может отрицательно сказаться на уходе за пациентами. 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 КТ-изображений у наблюдателей снижается точность, увеличивается зрительная усталость и увеличивается зрительное напряжение (Krupinski et al., 2012). Точно так же протоколы «думай вслух» показывают, что рентгенологи чаще рассказывают 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 предполагает, что жители больше подвержены усталости, чем эксперты, при выявлении отклонений 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 наилучшие стратегии для глубокого поиска в различных задачах и модальностях?

Одним из особенно многообещающих направлений исследований является изучение того, как изменения в поведении при прокрутке могут быть связаны с эффективностью поиска. Дрю и др. (2013) обнаружили, что применение стратегии быстрого «сверления» в глубину при сохранении фиксации было лучше, чем «сканирование» плоскостей x и y при медленном перемещении в глубину во время скрининга рака легких (рис.). Хотя это исследование не проверяло использование сигналов движения напрямую, возможно, что сверление позволяет наблюдателю более эффективно использовать преимущества переходных сигналов движения, чтобы отличить кровеносные сосуды от узелков, которые, кажется, «всплывают и исчезают из поля зрения» при прокрутке. 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 могут лучше использовать явные признаки движения, тогда как поведение сканеров в поиске в значительной степени определяется 2D-видимостью.В дополнение к общим различиям в производительности распределение ошибок различалось между сканерами и бурильщиками: у буровиков, как правило, было больше ошибок распознавания, чем у сканеров, а сканеры, как правило, делали больше ошибок поиска, чем бурильщики. В настоящее время неясно, как эти поисковые стратегии проявляются в ходе обучения. Дрю и др. (2013) обнаружили, что бурильщики, как правило, читают больше случаев КТ в неделю, чем сканеры. Однако различий в стратегии поиска, основанных на многолетнем опыте, не было, а размер выборки был недостаточно большим, чтобы полностью разделить влияние стратегии поиска по сравнению с опытом в отношении общей производительности.

При поиске узелков в легких с помощью компьютерной томографии грудной клетки (КТ) возникают две стратегии: сканирование и сверление. Сканеры перемещают взгляд вдоль двухмерной плоскости, медленно прокручивая глубину. Напротив, бурильщики держат свой взгляд относительно неподвижным в одной области за раз, быстро прокручивая глубину. В настоящее время в значительной степени неизвестно, как эти стратегии переносятся на другие модальности или задачи. Рисунок перепечатан с разрешения Rubin et al. (2018).Восприятие объемных данных. В Справочник по восприятию медицинских изображений и технологии (Том 2). Кембридж, Соединенное Королевство: Издательство Кембриджского университета. Оригинальная фигурка была воссоздана из Drew, Võ, Olwal 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, которые являются наиболее эффективными для данной задачи (например, обнаружение очаговых аномалий, таких как узелки рака легкого), могут быть не оптимальными для аномалий, определяемых различными восходящими свойствами (например, обнаружение диффузных аномалий, таких как пневмония). Есть несколько хороших примеров таких 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 для 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 аномалии 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 в прямом сравнении томосинтеза молочной железы и КТ грудной клетки Aizenman et al. (2017) обнаружили, что томосинтез молочной железы приводит к более строгой стратегии сверления, чем КТ грудной клетки.Кроме того, ни один наблюдатель не принял стратегию сканирования. Точно так же, хотя при КТ брюшной полости и таза можно было идентифицировать как сканеров, так и сверлильщиков, не было никакого преимущества в точности, связанного с тем, чтобы быть сверлильщиком (Kelahan et al., 2019–2019). Различие между сканером и бормашиной также недавно было распространено на область цифровой патологии, где клиницисты панорамируют и масштабируют большие изображения, чтобы более внимательно рассмотреть подозрительные области (Mercan, Shapiro, Brunyé, Weaver, & Elmore, 2018). В этой области сканирование, по-видимому, является доминирующей стратегией, но различий в производительности не было.В будущих исследованиях может быть полезно более систематически оценить свойства стимула, влияющие на относительную долю этих стратегий в объемных изображениях.

Недавнее исследование подошло к вопросу о изменчивости шаблонов сканирования между наблюдателями с использованием нового инструмента под названием ScanMatch (Crowe, Gilchrist, & Kent, 2018). Метод ScanMatch сравнивает последовательности фиксации у наблюдателей, присваивая буквенное значение каждой области и создавая последовательность строк для каждого участника.Затем эти строки сравниваются между наблюдателями и получается оценка сходства. В этом исследовании наблюдатели просмотрели два прогона МРТ-сканирования головного мозга с фиксированной скоростью. В целом, эксперты использовали больше похожих шаблонов 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 несоответствиями, обнаруженными при первом предъявлении стимула, что подтверждается повышенными показателями сходства для истинно положительных результатов и более низкими показателями сходства для ложноотрицательных результатов.Однако такая же картина не была обнаружена для истинно отрицательных результатов, что побудило авторов предположить, что вместо этого эксперты могут использовать более систематические стратегии поиска при отсутствии статистических несоответствий. В соответствии с этой точкой зрения наблюдатели применяют эндогенные стратегии систематического поиска в визуальных дисплеях, которым не хватает функций, которые обычно определяют поисковое поведение, таких как значимость и семантическая информация (Solman & Kingstone, 2015). Кроме того, стратегии систематического поиска были более тесно связаны с самыми сильными исполнителями.В будущих исследованиях было бы интересно проверить эти прогнозы более непосредственно в объемном поиске 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 задаче поиска в лаборатории наблюдателя могут попросить указать, присутствует или отсутствует цель на дисплее, состоящем 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 парящая 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, желчные камни всегда возникают в желчном пузыре, расположенном под печенью.Это сильно ограничивает области КТ брюшной полости, которые необходимо оценить на наличие камней в желчном пузыре. Считается, что этот тип нисходящего знания изменяет области рентгенограмм грудной клетки, которые посещаются в ходе обучения, что приводит к качественно разным моделям поиска между экспертами и новичками (Kundel & La Follette, Jr., 1972; Manning, Ethell, Донован и Кроуфорд, 2006 г.). Важно отметить, что этот эффект, по-видимому, развивается органически без каких-либо четких инструкций о том, как искать на рентгенограммах грудной клетки, что предполагает, что он в значительной степени обусловлен нисходящим знанием 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 чужом доме, мы, скорее всего, быстрее найдем зубную щетку в собственной ванной благодаря повторяющемуся опыту. В лаборатории выигрыш во времени отклика от многократного воздействия одного и того же поискового массива называется контекстной подсказкой (Chun & Jiang, 1998). Хотя эти эффекты обычно наблюдаются в очень искусственных поисковых задачах, контекстуальные подсказки также встречаются в динамических задачах, где цели и отвлекающие факторы многократно перемещаются по определенной траектории, трехмерных отображениях глубины, внешней среде и виртуальных квартирах (Chun & Jiang, 1999; Jiang, Won, Swallow, & Mussack, 2014; Kit et al., 2014; Ли, Айвар, Кит, Тонг и Хейхо, 2016 г .; Занг, Ши, Мюллер и Кончи, 2017 г.). Кроме того, хотя объектная информация является сильной контекстной подсказкой (Koehler & Eckstein, 2017), контекстное руководство не обязательно зависит от объектов в сцене; эту информацию можно извлечь из статистических закономерностей низкоуровневых визуальных признаков (Torralba et al., 2006). Кроме того, контекстная подсказка терпима к ряду изменений между экспозициями (Song & Jiang, 2005).

Учитывая большой размер объемных медицинских изображений (Andriole et al., 2011; McDonald et al., 2015), радиологам, несомненно, важно опираться на некоторые из вышеупомянутых механизмов, чтобы сузить область поиска до соответствующих областей пространства. Просто непрактично искать каждый пиксель на большом снимке компьютерной томографии (рис. 1), и вполне вероятно, что это нисходящее руководство 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 2D-медицинских изображений, влияние нисходящих знаний на стратегию поиска наблюдателя в ходе обучения чтению 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, в зависимости от уровня 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 работе с искусственными объемными дисплеями и определение того, как поведение поиска меняется с опытом.

Каковы характеристики экспертизы в интерпретации объемных изображений?

Преимущество закономерностей в нашей среде заключается в том, что мы можем формировать подробные представления сцены, известные как схемы, для управления поведением при визуальном поиске. Например, контекстуальные подсказки, по-видимому, полагаются на ресурсы пространственной рабочей памяти для выражения, но не приобретения изученных дисплеев (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, что делает наблюдателя чувствительным к статистическим отклонениям в окружающей среде.Фактически, знакомые сцены, представленные в течение доли секунды, могут быть точно классифицированы (Potter, 1975), управлять последующими движениями глаз (Castelhano & Henderson, 2007) и повышать возможность обнаружения новых объектов в сцене (Brockmole & Henderson, 2005; Чен и Зелински, 2006). Это явление упоминается в литературе как «сущностная», «целостная» или «глобальная» обработка, и оно часто изучается с использованием парадигмы мгновенного движущегося окна (Castelhano & Henderson, 2007). В этой парадигме наблюдателям показывают краткий предварительный просмотр сцены, за которой следует маска и последующая целевая подсказка.Задача поиска выполняется с использованием окна контингента взгляда, которое устраняет влияние парафовеальной онлайн-обработки и изолирует влияние предварительного просмотра сцены (т. е. начального целостного впечатления) на поисковое поведение.

В радиологии положительные эффекты предварительного просмотра сцены кажутся более скромными, чем наблюдаемые в литературе по визуальному поиску. Предварительный просмотр сцен перед задачей обнаружения рака легких был связан с небольшим улучшением времени поиска и меньшим количеством общих фиксаций (Litchfield & Donovan, 2016).Однако эти преимущества не коррелировали с повышением точности и лишь слабо ассоциировались с опытом. Кроме того, предварительный просмотр сцен оказался вредным, если патология различалась между испытаниями. Тем не менее, есть убедительные доказательства того, что рентгенологи способны быстро обнаруживать статистические аномалии в медицинских изображениях. Kundel и Nodine (1975) обнаружили, что 70% легочных узлов выявляются после просмотра рентгенограмм грудной клетки в течение всего 200 мс. Точно так же исследование показало, что маммографы могут классифицировать изображения как нормальные или ненормальные со скоростью выше случайной 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 молочной железы и большая часть (33%) случаев рака легких фиксируются на первой секунде просмотра, чего просто не хватает для проведения тщательного поиска (Donovan & Litchfield 2013; Кундель, Нодин, Конант и Вайнштейн, 2007 г.; Кундел, Нодин, Крупински и Мелло-Томс, 2008 г.). Кроме того, отслеживание взгляда демонстрирует, что опыт связан с существенными различиями в поведении при поиске: эксперты демонстрируют более паттерны кругового сканирования, более короткое время до первой фиксации, большую продолжительность фиксации, меньшее количество фиксаций, меньший охват изображения и меньшую изменчивость взгляда. Кундель и Ла Фоллетт-мл., 1972; Маклафлин, Бонд, Хьюз, МакКоннелл и Макфадден, 2017 г.). Примечательно, что шаблоны сканирования, подобные экспертам, могут предшествовать принятию решений экспертами (Kelly, Rainford, Darcy, Kavanagh, & Toomey, 2016).

Эти результаты привели к созданию ряда моделей восприятия медицинских изображений, в каждой из которых целостная обработка является важным компонентом экспертизы (Drew et al., 2013; Nodine & Kundel, 1987; Swennson, 1980). Свенсон предложил двухэтапную модель. На первом этапе используется фильтр предварительного внимания, аналогичный теории интеграции признаков (FIT), который быстро выбирает определенные области изображения для обработки.На втором этапе области, отмеченные на первом этапе, подвергаются дальнейшему изучению. Точно так же Нодин и Кундел (1987) предложили модель глобального фокусного поиска. Во время первоначального общего впечатления изображение быстро сравнивается со схемой нормального изображения наблюдателя. На следующем этапе возмущения между изображением и ментальным представлением дополнительно оцениваются с помощью сфокусированного внимания. Наконец, Дрю и соавт. (2013) описали модель, основанную на двух параллельных путях (см. также Wolfe, Võ, Evans, & Greene, 2011).Неселективный путь извлекает глобальную информацию из изображения, используя большое поле зрения. Избирательный путь извлекает подробную визуальную информацию, которая поддерживает распознавание объектов с использованием более целенаправленного поиска. Хотя эти модели имеют нюансы, все они подчеркивают важность быстрого извлечения глобальной информации для управления поисковым поведением: считается, что эта способность возрастает с опытом.

Хотя многое известно об опыте работы с 2D-изображениями, гораздо меньше исследований посвящено опыту работы с объемными изображениями.Из существующих исследований несколько элементарных результатов были воспроизведены в объемных изображениях (таблица). Например, эксперты более точны, быстрее ищут, быстрее обнаруживают аномалии и чаще фиксируют интересующие области (Bertram, Helle, Kaakinen, & Svedstrom, 2013; Cooper et al., 2009, 2010; Mallett et al., 2014). Однако многие данные, полученные на основе 2D-медицинских изображений, не были воспроизведены с использованием объемных изображений (таблица). Например, Бертрам и др. (2013) не обнаружили различий в средней продолжительности фиксации между экспертами и новичками, которая обычно используется в качестве показателя повышенной способности обработки с опытом.Кроме того, исследователи не обнаружили групповых различий в амплитуде саккад, которая является ключевым показателем общей способности к обработке данных. Точно так же Маллетт и соавт. (2014) не смогли найти каких-либо различий в движениях глаз между экспертами и новичками при эндолюминальной КТ-колонографии с пролётом, за исключением сокращения времени до первого преследования. Однако в обоих этих исследованиях использовались задачи (например, увеличенные лимфатические узлы, 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. На самом деле, прямых сравнений айтрекинга между 2D и объемным поиском очень мало. В редком примере такого подхода Aizenman et al. (2017) обнаружили, что томосинтез груди связан с более длительной фиксацией и меньшим охватом изображения, чем традиционная маммография. Однако амплитуда саккад была эквивалентна, что предполагает равную способность полагаться на парафовеальную обработку в обеих модальностях.

Таблица 2

Список общих результатов, связанных с экспертизой в двухмерных изображениях. Многие из этих основных результатов экспертизы либо не были воспроизведены, либо еще не были проверены на объемных изображениях (особенно с использованием парадигмы свободной прокрутки с наложенными друг на друга изображениями)

Повышение способности целостной обработки с помощью опыта является одним из наиболее важных открытий в области медицинских изображений. литературе восприятия, но почти совершенно неизвестно, как эти способности могут проявляться в объемных изображениях.Одна возможность состоит в том, что глобальные впечатления постоянно формируются на 2D-плоскости по мере того, как наблюдатель прокручивает глубину. Например, наблюдатель может быстрее зафиксировать аномалии с того момента, как они впервые появляются на экране (например, Helbren et al., 2014, 2015). В этом случае аналоги показателей отслеживания взгляда, связанных с глобальной обработкой при интерпретации 2D-изображений , следует перенести на объемные изображения (таблица ). Тем не менее, глобальное представление сцены также может быть сформировано путем быстрой прокрутки изображения в глубину перед использованием шаблона более фокусного поиска.Это предложение находит поддержку в литературе. В реальных задачах, таких как приготовление бутерброда, наблюдатели проводят начальное сканирование сцены, что помогает им быстрее находить целевые объекты во время выполнения задачи (Hayhoe, Shrivastava, Mruczek, & Pelz, 2003). Более того, возможно, что глобальная способность обработки по-разному выражается в зависимости от стратегии поиска наблюдателя. Для сканеров глобальные оттиски могут создаваться на 2D-плоскости при каждом переходе по глубине.Напротив, бурильщики могли создать общее впечатление, прокручивая глубину, а затем возвращаясь к слоям глубины, которые были статистически аномальными.

В дополнение к сканерам и сверлильным станкам были предложены другие показатели поведения прокрутки по глубине в отношении глобальной способности обработки (таблица): количество посещений на срез, количество колебаний (прокрутка назад и вперед менее чем на 25 %). глубины), количество полупроходов (прокрутка назад и вперед на 25–50 % глубины) и количество полных прогонов (прокрутка вперед и назад на > 50 % глубины) (Венякоб, Марниц, Малер, Зехельманн, и Роттинг, 2012).Считается, что рентгенологи, которые проводят более полные прогоны, используют более глобальный процесс поиска, который должен расширяться по мере увеличения опыта наблюдателя. Однако это предложение еще не было проверено, и эти меры не были широко использованы за пределами этого первоначального исследовательского исследования с использованием КТ-изображений черепа.

Таблица 3

Общие показатели отслеживания взгляда, их когнитивные корреляты и предлагаемые аналоги для объемных медицинских изображений. ROI, интересующая область

В других областях медицинской визуализации, которые можно считать похожими на объемные изображения, таких как виртуальная микроскопия, существует четкая связь между опытом и глобальными возможностями обработки (Krupinski, Graham, & Weinstein, 2013; Krupinski et др., 2006). Хотя патологоанатомы любого уровня опыта, вероятно, выбирали информативные области для мест, которые они хотели бы увеличить, более опытные патологоанатомы тратили меньше времени на оценку областей, которые в конечном итоге не будут выбраны для увеличения. Эти данные, в дополнение к ряду важных поведенческих и айтрекинговых показателей, позволяют предположить, что опытные патологоанатомы обладают повышенной способностью быстро извлекать наиболее важную информацию из медицинских изображений. Другие исследования выявили сходство стратегий поиска между цифровой патологией и объемной визуализацией (Mercan et al., 2018), но в значительной степени неясно, как эти выводы связаны с опытом в любой области. Кроме того, между этими изображениями есть четкие различия: просмотр видимой части изображения с большим разрешением — это не то же самое, что прокрутка для выявления визуальной информации, встроенной по всей глубине изображения. Мы считаем, что существует ряд многообещающих областей для будущих исследований, связанных с тем, как поведение при поиске может различаться в зависимости от опыта в самых разных областях (например,г., патология, УЗИ).

При обсуждении изменений в стратегии поиска с экспертом следует учитывать важное предостережение: различия в шаблонах поиска между экспертами и новичками не обязательно означают, что обучение новичков использованию этих стратегий улучшит производительность. Во многих случаях исследования показывают, что укрепление целевого шаблона за счет более широкого знакомства с примерами нормальных и аномальных изображений было бы гораздо полезнее для новичка, чем указание ему, где искать (Chen et al., 2017; Донован и Личфилд, 2013 г.; Кундель и Ла Фоллет-младший, 1972 год; Мэннинг и др., 2004 г.; Нодин и др., 1996, 1999). Хотя заманчиво найти короткие пути к опыту, большинство усилий по обучению новичков использованию новых стратегий или следованию пути сканирования экспертов имели скромный успех или ограниченную обобщаемость (Gegenfurtner, Lehtinen, Jarodska, & Saljo, 2017; Kok et al. , 2016; Личфилд, Болл, Донован, Мэннинг и Кроуфорд, 2010; Мелло-Томс, 2008; van Geel et al., 2017).При рассмотрении этого вопроса может оказаться полезным рассмотреть, какие аспекты визуального поиска можно улучшить с помощью этих методов. Обучение новичков имитировать поисковое поведение экспертов может улучшить общую стратегию поиска, но сомнительно, что эти методы существенно улучшат способность к глобальной обработке, которая считается отличительной чертой опыта. Скорее, глобальная способность обработки объясняется большей способностью быстро обнаруживать статистические аномалии 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, обусловлено глобальными свойствами каждого изображения (Manning, Ethell, & Crawford, 2003). Тем не менее, обученные рентгенологи, как правило, постоянно пропускают одни и те же области, что, вероятно, отражает стратегию, в большей степени зависящую от предшествующих вероятностей 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 мысленные представления, на которые можно положиться, чем новички.Будущие исследования, направленные на поиск более совершенных методов обучения, должны учитывать, какие элементы знаний требуют опыта, а какие являются усвоенными стратегиями. Кроме того, может быть полезно сосредоточиться на поддержке рентгенологов на разных стадиях развития, а не на поиске коротких путей между ними.

В дополнение к различиям на уровне группы между экспертами и новичками, может быть в равной степени полезно изучить, как идиосинкразии в движениях глаз связаны со значительной изменчивостью результатов, наблюдаемых среди экспертов.Хейс и Хендерсон (2017) обнаружили, что различия в шаблонах 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, паттерны сканирования многое говорят об индивидуальной поисковой стратегии, например, о предпочтениях скорости или точности (Hogeboom & van Leeuwen, 1997). Многие исследователи пытались определить, существуют ли общие когнитивные способности в области, связанные с опытом в области радиологии, которые могут помочь предсказать, кто может стать лучшим рентгенологом, или объяснить, почему равный опыт не приводит к эквивалентным результатам. Эти подходы в значительной степени оказались безуспешными и рисуют убедительную картину предметной специфики с опытом (Beck, Martin, Smitherman, & Gaschen, 2013; Evans et al., 2011; Келли, Рейнфорд, МакЭнти и Кавана, 2017 г .; Леонг и др., 2014 г.; Майлз-Уорсли, Джонстон и Саймонс, 1988 г .; Нодин и Крупински, 1998). Тем не менее, производительность при первом испытании задачи визуального поиска предсказывает, какие люди будут хорошо справляться с опытом, что предполагает, что могут быть важные индивидуальные характеристики, которые не учитывались в предыдущих исследованиях (Ericson, Kravitz, & Mitroff, 2017). Исследования из фундаментальной научной литературы показывают, что различия в движениях глаз могут дать представление об этих вопросах, но это еще не оценивалось в литературе.

Каковы последствия ограниченной памяти при объемном поиске изображений?

Управляемый поиск предполагает, что внимание будет направлено на подмножество элементов в вашей среде, которые, скорее всего, будут вашей целью. Например, если вы ищете салат ромен в продуктовом магазине, внимание к зеленым продуктам сократит общее количество продуктов, которые необходимо оценить. Однако само собой разумеется, что визуальный поиск был бы наиболее эффективным, если бы когнитивная система отслеживала, какие зеленые объекты уже были оценены, чтобы направить внимание на новые места и свести к минимуму непреднамеренные движения глаз к ранее посещенным местам.Такой механизм был бы особенно удобен для профессиональных специалистов по визуальному поиску, таких как рентгенологи, которым необходимо эффективно определять, какие области больших объемных изображений они уже оценили и когда пора переходить к другой задаче. Многие модели визуального поиска содержат неявное предположение, что ранее посещаемые объекты никогда не будут подвергаться повторной оценке (например, Treisman & Gelade, 1980). В соответствии с этим предположением исследования показали, что наблюдатели ведут поиск так, как если бы у них была имплицитная память о том, куда они недавно смотрели: саккады с большей вероятностью будут двигаться в том же направлении, что и предыдущая саккада, чем в противоположном направлении (Klein & MacInnes, 1999). латентность саккад выше для ранее посещенных мест, чем для новых мест (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 предполагаемым механизмом этого явления является торможение возврата (IOR), термин, используемый для описания замедленного времени реакции на запросы в недавно посещенных местах по сравнению с новыми местами (Posner & Cohen, 1984). Считается, что в реальных поисковых задачах IOR служит помощником при поиске пищи (Klein & MacInnes, 1999). В поддержку этой гипотезы Кляйн и Макиннес (1999) обнаружили, что саккады к зонду в поисковой задаче «Где Уолдо » задерживались в недавно зафиксированных местах (на 2–3 назад).Однако, несмотря на очевидную полезность механизма памяти при визуальном поиске, доказательства его использования оказались на удивление неоднозначными. Горовиц и Вулф (1998) обнаружили, что эффективность поиска не снижается, когда объекты перемещаются в сцене каждые 100 мс, что позволяет предположить, что память обычно практически не играет роли 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 визуальные поиск может потребовать меньше памяти для ранее посещенных мест, чем подсказывает наша интуиция.

Одно предложение, которое пытается примирить эти противоречивые данные, состоит в том, что IOR служит для предотвращения настойчивости в визуальном поиске, но слишком ограничен в возможностях (~ 4 элемента) и требует слишком много времени для разработки (~ 200–300 мс) для получения поиск, который «выборки без замены» (Wolfe, 2003). Эти ограничения также ставят под сомнение идею о том, что IOR может играть существенную роль при просмотре больших объемных медицинских изображений, требующих сотен фиксаций. Кроме того, IOR сильно нарушается из-за прерываний, особенно когда массив поиска больше не виден (Takeda & Yagi, 2000).Это говорит о том, что IOR может быть тесно связан с объектами на сцене, а не с пространственным положением. Если метод IOR эффективен только тогда, когда видны помеченные объекты, переход к новым слоям глубины может нарушить процесс и еще больше ограничить полезность механизма IOR при поиске объемных изображений.

Похоже, неявная память для ранее просмотренных местоположений довольно ограничена, но как насчет явной памяти? При поиске сложной сцены (например, Где Уолдо ) наблюдатели могут отличить собственные движения глаз от случайно сгенерированных путей сканирования (Foulsham and Kingstone, 2013a, 2013b; Võ, Aizenman, & Wolfe, 2016).Однако наблюдатели почти случайно могут отличить свои собственные фиксации от чужих, 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 свои знания о том, где было бы наиболее целесообразно посмотреть на изображение для выполнения задачи, а не на сохранение в памяти представления своего пути сканирования (Foulsham & Kingstone, 2013a, 2013b). ; Вы и др., 2016). В подтверждение этой точки зрения наблюдатели могут лучше различать свои собственные движения глаз в данной сцене, когда второй наблюдатель искал другой предмет, и завышают вероятность того, что объекты, которые легко доступны в памяти, были зафиксированы во время зрительного восприятия. поиск (Кларк, Махон, Ирвин и Хант, 2017 г.). В совокупности эти результаты указывают на удивительно плохое явное запоминание ранее посещенных мест, которое в основном обусловлено обоснованными предположениями о том, куда кто-то должен был смотреть в сцене, а не памятью как таковой.

Какие последствия плохая имплицитная и эксплицитная память имеет для рентгенологов, выполняющих поиск объемных изображений? Если вы забудете, где утром искали ключи, в худшем случае вы опоздаете на работу на несколько минут, потому что проверяли одни и те же места более одного раза. Однако для рентгенолога было бы очень важно забыть, проверяли ли они везде признаки травмы после автомобильной аварии. Это может быть особенно актуально для объемных изображений: когда изображения увеличиваются в размерах, может быть сложнее сохранить представление о том, где вы уже искали.Кроме того, если вы потеряете свое место, то на то, чтобы начать заново или проследить свои шаги в большом КТ-скане или на рентгенограмме, потребуется больше времени, что еще более важно в свете увеличения рабочей нагрузки рентгенологов из-за объемной визуализации (Andriole et al. и 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 особых оснований подозревать, что опытные радиологи будут отличаться от этого вывода, но у этой стратегии есть явные ограничения. Например, после перерыва, где рентгенолог решит возобновить поиск? Одна из возможностей заключается в том, что рентгенологи забыли, где они уже искали, и по незнанию повторно посещают те места, которые можно было наблюдать, отслеживая количество рефиксаций и точность возобновления поиска после прерывания (Williams & Drew, 2017).Однако из одних только этих мер неясно, повторно посещаются ли области, потому что они забыты, или они сознательно повторно посещают эти области, 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 фактически искали, эта стратегия может привести к неточному возобновлению поиска после прерывания.Одна из возможностей заключается в том, что соответствующие области будут иметь приоритет и станут более устойчивыми к последствиям перерывов. В качестве альтернативы, если воспроизведение памяти в первую очередь основано на том, какие области следует искать, наиболее релевантные структуры могут быть вызваны, несмотря на то, что их никогда не искали. Один из способов распутать эти возможности — объединить косвенные меры (например, отслеживание взгляда) с более прямыми мерами (например, периодические проверки), чтобы определить, какие области с большей вероятностью будут сообщены как обыскиваемые после прерывания.

В связи с плохой памятью рентгенологи часто ищут удивительно малую часть медицинских изображений, даже несмотря на то, что охват отрицательно связан с частотой ошибок в группе экспертов (Drew et al., 2013; Rubin et al., 2015; Thomas & Лансдаун, 1963). Например, Дрю и др. (2013) обнаружили, что только 69 % легких были исследованы во время скрининга рака легких с использованием оценки полезного поля зрения (UFOV) в 5°. Бурильщики охватили 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 составляет всего 26,7%. Как и в исследованиях с использованием 2D-изображений, более высокий охват был связан с пониженной чувствительностью. На самом деле, по их оценкам, для тщательного поиска изображений в каждом случае потребовалось бы почти 12 минут, но среднее время поиска было ближе к 3 минутам. При прямом сравнении двухмерного и объемного поиска изображений охват был выше для маммографии, чем для томосинтеза молочной железы, в широком диапазоне оценок UFOV (Aizenman et al., 2017). На самом деле, общий охват объемных изображений с максимальной оценкой UFOV (5°) составил менее 30%. Аналогичный результат уменьшения охвата объемного изображения наблюдался в исследовании, сравнивающем ДПТ с однослойным ДПТ (Lago et al., 2018).

Хотя на объемных изображениях ясно, что покрытие низкое, невозможно получить точную оценку покрытия без точной оценки UFOV (рис.  ). При рентгенографии грудной клетки обычной оценкой UFOV является 5°, поскольку подавляющее большинство легочных узелков можно обнаружить в этом окне (Kundel, Nodine, Thickman, & Toto, 1987).Однако известно, что UFOV уменьшается по мере увеличения сложности изображения и сложности задачи (Drew, Boettcher & Wolfe, 2017; Young & Hulleman, 2013), и исследования показывают, что эта оценка может быть слишком высокой для скрининга рака легких при КТ грудной клетки (Rubin et al., 2015). Также важно отметить, что UFOV существенно зависит от размера узелков, сложности изображения и читателя (Ebner et al., 2017). В будущих исследованиях может потребоваться эмпирическая проверка оценок UFOV для конкретной задачи или сообщение результатов для диапазона оценок UFOV (например,г., Айзенман и др., 2017). Например, Рубин и др. (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 менее от центральной фиксации (окно 2,6°). Примечательно, что 25% пропущенных узелков никогда не были в пределах UFOV, что подчеркивает потенциальные последствия плохого охвата изображения в больших объемных изображениях. Кроме того, важно понять, как UFOV изменяется в зависимости от опыта, чтобы протестировать модели опыта на объемных изображениях.Например, если эксперты могут более эффективно обнаруживать аномалии, используя парафовеальное зрение, они должны иметь более широкое 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 зафиксировался (представлено концентрическими кругами) на изображении с видимым узлом в легком (обозначен красным прямоугольником), но не сообщил об этом.При использовании меньшего UFOV пропущенная аномалия будет считаться ошибкой поиска. Однако это будет классифицироваться как ошибка распознавания или решения с использованием наибольшей оценки UFOV. Точно так же предполагаемое покрытие изображения значительно варьируется в зависимости 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 охватом изображения: очевидно, что не может быть никакого поведенческого преимущества, если фрагменты изображения, содержащие аномалию, никогда не видны.Например, могут возникнуть поведенческие затраты на экспертизу, если на изображении обнаружены неожиданные аномалии. Мы знаем, что контекстуальные подсказки вредны для производительности, если цель находится не в ожидаемом месте (Makovski & Jiang, 2010). Точно так же в медицинских изображениях первоначально неверные холистические решения редко возвращаются назад (Mello-Thoms, 2009), а история болезни значительно влияет на то, как интерпретируются изображения (Norman, Brooks, Coblentz, & Babcook, 1992). В объемных изображениях эти эффекты могут усугубляться повышенной потребностью в уменьшении общей области поиска и возможностью прокрутки непосредственно к интересующим областям.Например, наиболее логичный способ для рентгенолога оценить пациента на наличие камней в желчном пузыре — сосредоточиться на слоях изображения, где присутствует желчный пузырь. Однако такой подход может привести к негативным последствиям, если появятся неожиданные аномалии, такие как рак, которые видны на разных срезах изображения. Хотя пропущенные случайные находки не обязательно являются ошибкой в ​​контексте поставленной задачи, необнаруженный рак, тем не менее, может привести к отрицательным исходам для пациентов и/или заявлениям о врачебной халатности.Учитывая, что неполное покрытие изображения может привести к негативным последствиям как для пациента, так и для рентгенолога, 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 реальных задач предполагает, что люди постоянно исследуют окружающую среду для получения информации, а не полагаются на кратковременную память (Ballard, Hayhoe, & Pelz, 1995).На самом деле, некоторые исследователи предположили, что появление мнемонических механизмов при визуальном поиске может быть в большей степени обусловлено поисковыми стратегиями, а не памятью на ранее обыскиваемые места (Peterson, Beck, & Vomela, 2007). Наблюдатели часто применяют систематическую модель во время упорядоченных задач визуального поиска и проявляют склонность к горизонтальному сканированию сцены (Dickinson & Zelinsky, 2007; Findlay & Brown, 2006; Gilchrist & Harvey, 2006). Кроме того, обычно предполагается, что объем рабочей памяти (~ 4 элемента; Cowan, 2001) является ограничивающим фактором для количества предыдущих мест, которые могут быть сохранены в памяти (McCarley, Wang, Kramer, Irwin, & Peterson, 2003).Однако некоторые исследования показали, что наблюдатели с меньшей вероятностью рефиксируются на целых 12 предыдущих фиксациях и с высокой степенью достоверности сообщают, появлялась ли цель в этих местах (Dickinson & Zelinsky, 2007; Peterson et al., 2007). Ограничения объема рабочей памяти можно преодолеть, сохраняя грубое представление общего пути поиска, а не память с высоким разрешением о расположении дистракторов (Dickinson & Zelinsky, 2007; Godwin, Benson, & Drieghe, 2013; Peterson et al., 2007). Примечательно, что случайное развертывание внимания на значимых стимулах происходит быстрее, чем произвольное развертывание внимания, что может объяснить, почему наблюдатели часто не участвуют в систематическом поиске (Wolfe, Alvarez, & Horowitz, 2000). Это исследование показывает, что часто лучше быстро случайным образом сортировать большие объемы визуальной информации, чем выполнять медленные систематические поиски в окружающей среде. Тем не менее, можно обоснованно утверждать, что систематическая стратегия должна играть более важную роль в радиологии из-за необходимости отдавать предпочтение точности, а не скорости в медицине.Тем не менее, Кундель и соавт. (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 с, по мнению экспертов-наблюдателей в Christensen et al., 1981). Таким образом, кажется, что рентгенологи часто используют стратегии поиска, которые отдают предпочтение эффективности, а не исчерпывающему поиску.

Тем не менее, сам размер объемных изображений может потребовать определенной степени систематического поиска в 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 улучшению явного припоминания предыдущих целевых местоположений. Точно так же опытные дерматологи демонстрировали меньше рефиксаций, которые были разделены во времени, и с меньшей вероятностью воспроизводили путь сканирования, чем новички (Vaidyanathan, Pelz, Alm, Shi, & Haake, 2014). Кроме того, в других областях радиологии имеются убедительные доказательства того, что использование более структурированного подхода в целом может помочь компенсировать потребность в памяти и повысить производительность.Например, по сравнению с шаблонами диктовки в свободной форме, структурированные шаблоны улучшают качество диктовки (Marcal et al., 2015; Marcovici & Taylor, 2014; Schwartz, Panicek, Berk, & Hricak, 2011), поощряют соблюдение передового опыта (Kahn Jr. ., Heilbrun, & Applegate, 2013) и повысить точность диагностики (Bink et al., 2018; Lin, Powell, & Kagetsu, 2014; Rosskopf et al., 2015; Wildman-Tobriner et al., 2017). Точно так же использование контрольного списка с анатомическими структурами и часто пропускаемыми диагнозами улучшило диагностическую эффективность в группе студентов-медиков (Kok, Abed, & Robben, 2017, хотя см. Berbaum, Franken Jr., Колдуэлл и Шварц, 2006 г.). Кроме того, радиологи, как правило, чаще смотрят на свои экраны диктовки после перерыва, по-видимому, для того, чтобы вспомнить, где они уже искали (Drew, Williams, Aldred, Heilbrun, & Minoshima, 2018). В совокупности эти данные свидетельствуют о том, что вмешательство, нацеленное на ограничения памяти, является стоящим делом, но пока неизвестно, может ли принятие стратегии систематического поиска также помочь противодействовать этим ограничениям при объемном поиске.

Как радиологи решают прекратить поиск в больших объемных изображениях?

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 Honeycrisp в новом продуктовом магазине, вы перестанете искать, как только найдете их. Однако как узнать, когда прекратить поиски, если в магазине эти яблоки не продаются? В радиологии проблема становится еще более сложной; цели часто не указаны ни по внешнему виду, ни по количеству.Если рентгенолог обнаружит опухоль, могут быть и другие опухоли, расположенные в другом месте. Наиболее консервативным подходом будет поиск каждого соответствующего пикселя изображения. Однако временные ограничения, вероятно, препятствуют такой стратегии, особенно в свете увеличения размера и количества изображений, созданных методами объемной визуализации в последние годы (McDonald et al., 2015). Кроме того, даже если у рентгенолога есть неограниченное количество времени для проведения такого поиска, неспособность найти аномалию не означает, что аномалии нет.На самом деле многие аномалии в радиологии фиксируются, но никогда не регистрируются (Kundel et al., 1978). Так как же радиолог решает, когда прекратить поиск, учитывая всю эту неопределенность?

Была 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 достигнуто пороговое значение 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 пищу, например ягоды, потребление энергии максимизируется за счет перехода к следующему кусту, когда потребление падает ниже среднего потребления для этой среды, что известно как теория оптимального кормодобывания (Чарнов, 1976). Наблюдатели, кажется, следуют предсказаниям этой модели при поиске нескольких целей и собирают элементы в прогонах одной цели за раз при поиске нескольких разных типов целей (Cain et al., 2012; Вулф, 2013; Вулф, Айзенман, Бетчер и Кейн, 2016 г.). Однако менее ясно, как меняется поведение при отказе от курения, когда цель состоит не в том, чтобы собрать большое количество изобилующих очевидных целей, а в том, чтобы найти редкие, труднодоступные цели.

Хотя слишком раннее прекращение поиска может привести к негативным последствиям в радиологии, факторы, определяющие, когда рентгенолог решает прекратить поиск, плохо изучены. Существующие модели интерпретации медицинских изображений сосредоточены на том, что можно считать начальным этапом конечной задачи клинициста по точному диагнозу: на первоначальном восприятии (Drew et al., 2013; Нодин и Кундел, 1987; Свенссон, 1980). Важно отметить, что эти модели мало что делают для объяснения процесса принятия решений, следующего 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 современных моделей восприятия медицинских изображений не рассматривает вопрос о том, как клиницист в конечном счете решает, когда прекратить рассмотрение случая.Однако ясно, что большинство истинных 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 КТ вообще никогда не проводил 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, для оценки которых обычно требуется гораздо больше времени, чем для 2D-изображений.В этих обстоятельствах способность эффективно переходить от сканирования здорового пациента может быть критическим показателем опыта, который будет упущен существующими моделями. Например, в 2D-изображениях опытные рентгенологи, по-видимому, прекращают поиск, когда они все еще выявляют больше истинно положительных результатов, чем ложноположительных, но новички продолжают до тех пор, пока ложноположительные результаты не станут доминирующим ответом (Christensen et al., 1981; Nodine et al., 2002). ). Оценка динамики ошибок с опытом работы с объемными изображениями — это совершенно неизведанная область, которая, вероятно, станет 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 объемном поиске изображений.

Как взаимодействуют двигательные и перцептивные процессы при оценке объемных изображений?

В отличие от поиска по признакам, который часто встречается в литературе по зрительному вниманию, поиск в реальном мире часто включает в себя навигацию по большим трехмерным пространствам в поисках объектов, которые могут быть скрыты другими объектами.При поиске целей участники спонтанно выбирают систематический путь поиска (Riggs et al., 2017). Точно так же при поиске доказательств преступления пары участников проводят систематический поиск и часто перепроверяют свою работу (Riggs et al., 2018). Тем не менее, другие исследователи обнаружили, что в реальном визуальном поиске повторные посещения случаются редко, что связано с дополнительными усилиями, необходимыми для повторения ваших шагов в локомотивных задачах (Gilchrist, North, & Hood, 2001; Smith et al., 2008). В совокупности это исследование имеет большое значение для объемного поиска изображений, который включает в себя как двигательные, так и перцептивные компоненты, когда наблюдатель прокручивает глубину. В последние годы наблюдается растущий интерес к тому, как двигательные процессы влияют на визуальный поиск, когда целевые объекты должны быть обнаружены путем перемещения других объектов, что называется «ручным поиском». В некоторых случаях поиск с помощью ручного поиска воспроизводил результаты из литературы по визуальному поиску (например, «эффект низкой распространенности», Solman, Hickey, & Smilek, 2014).В других случаях были выявлены новые источники ошибок. Например, Solman, Cheyne и Smilek (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 говорит о том, что восприятие и действие могут быть разделены при визуальном поиске. Другими словами, решение о действии («отбросить выбранный элемент») может предшествовать решению об идентификации («выбранный элемент является моей целью»).Авторы предполагают, что натуралистический визуальный поиск включает процесс перцептивного поиска, который контролирует, но не направляет двигательный процесс «распаковки» (Solman, Wu, Cheyne, & Smilek, 2013).

В рентгенологии результаты могут означать, что двигательная система решает двигаться в глубину до того, как аномалия может быть идентифицирована на текущем срезе. Хотя словесные инструкции по замедлению двигательных движений оказались неэффективными, принуждение участников к замедлению значительно уменьшило количество ошибок при распаковке (Solman et al., 2013). В настоящее время неизвестно, как связана скорость прокрутки в глубину объемного медицинского изображения с диагностической точностью и встречаются ли эти ошибки «развязки» в радиологии. Представление КТ-сканов с разной частотой кадров привело к неоднозначным результатам: от отсутствия различий в точности (Bertram et al., 2013) до более низкой производительности при более высоких скоростях (Bertram et al., 2016). Скорость прокрутки также может дать представление об эффективности сигналов начала движения или развитии способности глобальной обработки в объемных изображениях.Если эксперты смогут извлекать необходимую информацию из изображений быстрее, чем новички, они могут быть менее уязвимы к потенциально негативным последствиям более быстрой прокрутки, таким как ошибки «расцепления». В задаче скрининга рака легких не наблюдалось разницы в скорости между радиологами и наивными наблюдателями (Diaz, Schmidt, Verdun, & Bochud, 2015). В среднем узелки обнаруживались со скоростью от 25 до 30 кадров в секунду (fps). Однако следует отметить, что производительность в этом задании была максимальной как для экспертов, так и для новичков, и не было различий в производительности между группами.Следовательно, остается возможным, что различия в поведении при прокрутке более важны, когда существует большая изменчивость в производительности. Бертрам и др. (2013) также не обнаружили различий в производительности, связанных с опытом, когда наблюдатели искали различные аномалии в КТ брюшной полости, представленные в виде видео с фиксированной 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 лучше адаптировались к увеличенной частоте представлений при КТ брюшной полости.Однако оба этих исследования опирались на видео с фиксированной скоростью, а не позволяли наблюдателям контролировать свою собственную скорость, что ограничивает экологическую достоверность. Понятно, что пока нет полной картины того, как скорость прокрутки влияет на производительность поиска в объемных изображениях. В будущих исследованиях также может быть полезно проанализировать распределение ошибок в зависимости от естественной скорости прокрутки. При этом важно учитывать свойства самой аномалии. Скорость прокрутки может быть важным предиктором обнаружения аномалий, когда аномалии вызывают сигналы начала движения или для более мелких аномалий, 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.

Объемная визуализация | пс-медтех

Трехмерные объемные данные

3D-данные можно разделить на две категории: модели поверхности и объемные данные. Поверхностные модели обычно встречаются в индустрии дизайна, где объекты описываются их поверхностями, например, с использованием полигонов или параметрических поверхностей.На медицинских рынках данные являются объемными, что означает, что внутренняя часть данных также моделируется с использованием дискретно дискретного трехмерного набора.

Как правило, объемные данные описываются группой срезов 2D-изображения, сложенных вместе для формирования объема. Эти срезы часто получают с помощью сканеров, таких как компьютерная томография, магнитно-резонансная томография или ультразвук, через равные промежутки времени. Другие методы генерируют немедленные объемные данные. Например, 3D-УЗИ использует звуковые волны так же, как и 2D-УЗИ, но вместо того, чтобы передавать волны прямо через ткани и органы и обратно, они излучаются под разными углами.Это приводит к трехмерному изображению. Объемные 4D-данные показывают движение, используя компиляцию 3D-изображений. Можно увидеть движения, похожие на движения сердца. В отличие от большинства существующих программ для рендеринга, PS-Medtech разработала передовую технологию объемного рендеринга, которая сохраняет полное качество 3D-визуализации во время 3D-взаимодействия и не зависит от модальности, в которой были созданы данные.

Более быстрая и качественная интерпретация объемных изображений

‘Было бы чудесно визуально держать в руках пульсирующее сердце пациента и анализировать его изнутри и снаружи, интуитивно, быстрее и лучше? При необходимости вы можете передать сердце коллеге, который может находиться на другом континенте, и в то же время все ваши ученики могут видеть, что вы делаете — вживую».

Вместо просмотра пары изображений для каждого пациента врач имеет доступ к сотням срезов или облаков данных при использовании объемных изображений . Однако время, затрачиваемое на каждого пациента, остается прежним. Результатом является более быстрая и качественная интерпретация 3D-изображений и более качественное медицинское обслуживание при меньших затратах.

На практике набор 3D-данных сводится к удобоваримому формату (часто один или два среза, в 2D, а не в 3D), который используется для демонстрации другим специалистам (например,грамм. от рентгенолога до хирурга). Из-за этого теряется богатство исходного набора 3D-данных, а также теряется польза для других специалистов. Разве не часто хирурги жалуются на то, что не получают нужных изображений?

Взаимодействие двумя руками и 3D-рендеринг в реальном времени

Когда вы берете яблоко, проверяете его на наличие пятен, очищаете и нарезаете, вы используете обе руки. Делать это одной рукой, связанной за спиной, крайне сложно. Так почему же 3D-анализ выполняется с одной рукой, связанной за спиной?

Когда требуется взаимодействие с объемными 3D-изображениями (например,грамм. медицинские 3D-изображения) компьютерная система должна постоянно вычислять (рендерить) правильное изображение на основе действий пользователя. К сожалению, чем больше наборы данных, тем выше требуемая вычислительная мощность компьютерной системы, отображающей изображение. В результате качество изображения падает, а движение изображения становится рассеянным (падение частоты кадров). Настоящая реалистичная интерактивная объемная визуализация требует живого рендеринга с минимальной частотой кадров и без заметной потери качества изображения.
Для приложений, требующих эффективного анализа 3D-объемных данных, важна визуализация 3D-объемных данных в реальном времени в сочетании с интуитивно понятной 3D-навигацией.

PS-Medtech создала рабочие станции 3D и программное обеспечение Vesalius 3D для анализа и представления объемных данных 3D и 4D.

Забудьте о голографических изображениях, нам нужен трехмерный объемный дисплей

YouTube через Nature. Нажмите для оригинала.

В Голливуде уже давно изображают голографические технологии, возможно, наиболее известными они были в «Звездных войнах», когда R2-D2 доставляет сообщение принцессе Лее. Однако то, что вы увидели в тот момент, не может достичь голограмма — оно больше похоже на трехмерное объемное изображение, и исследователи из Университета Бригама Янга надеются продвинуть эту технологию.

Существует важное различие между голограммой и трехмерным объемным изображением. Последнюю можно увидеть спереди, сзади и практически под любым углом, тогда как голограмму можно увидеть только под определенным углом.

Дэниел Смолли, недавно назначенный доцент УБЯ, работает с группой физиков над созданием движущихся световых 3D-изображений, которые зрители могут видеть независимо от того, где они стоят. В статье, представленной журналу Nature, он и его команда сравнивают эту технику с высокоскоростным Etch-a-Sketch — почти невидимые лазерные лучи улавливают одну частицу растительного волокна, называемого целлюлозой, и нагревают ее неравномерно.Затем вторая группа лазеров проецирует видимый свет на частицу, поддерживая ее освещенность по мере ее движения в пространстве.

На начальном этапе созданные изображения были довольно маленькими, всего несколько миллиметров в поперечнике. Этого было достаточно, чтобы изобразить рисунок движущейся спиральной линии и статичный контур бабочки.

Это многообещающая технология, новейшая система уже способна создавать изображения с разрешением до 1600 точек на дюйм, что превышает разрешение обычного компьютерного монитора.Однако исследователям нужно будет выйти за рамки возможного и найти способы ускорить движение частиц, чтобы создавать реалистичные изображения с более крупными и сложными движущимися изображениями.

«Если за следующие четыре года мы добьемся такого же прогресса, как за последние, я думаю, нам удастся создать выставку полезного размера», — говорит Смолли.

У нас в голове крутится мысль о том, как это можно применить к играм, хотя, по крайней мере, сначала кажется, что фокус будет использоваться в области медицины для сложных процедур.Авиация — еще одна потенциальная область, поскольку она может предоставить авиадиспетчерам более точные и интуитивно понятные карты движения самолетов.

Крутая вещь, и вы можете посмотреть короткое видео на эту тему ниже.

Индивидуальная реконструкция объемных изображений компьютерной томографии из одной проекции с помощью глубокого обучения

  • Кандес, Э. Дж., Ромберг, Дж. К. и Тао, Т. Стабильное восстановление сигнала при неполных и неточных измерениях. Комм.Чистое приложение Мат. 59 , 1207–1223 (2006).

    Артикул Google ученый

  • Люстиг, М., Донохо, Д. и Поли, Дж. М. Разреженная МРТ: применение сжатого зондирования для быстрой МРТ-визуализации. Магн. Резон. Мед. 58 , 1182–1195 (2007).

    Артикул Google ученый

  • Сидки, Е. Ю. и Пан, X. Реконструкция изображения в круговой конусно-лучевой компьютерной томографии путем минимизации полной вариации с ограничениями. Физ. Мед. биол. 53 , 4777–4807 (2008).

    Артикул Google ученый

  • Чен, Г. Х., Тан, Дж. и Ленг, С. Предыдущее изображение с ограниченным сжатием (PICCS): метод точной реконструкции динамических КТ-изображений из наборов проекционных данных с высокой степенью дискретизации. Мед. физ. 35 , 660–663 (2008).

    Артикул Google ученый

  • Ю, Х.& Wang, G. Внутренняя томография на основе сжатого зондирования. Физ. Мед. биол. 54 , 2791–2805 (2009).

    Артикул Google ученый

  • Чой, К., Ван, Дж., Чжу, Л., Сух, Т.С., Бойд, С. и Син, Л. Реконструкция конусно-лучевой компьютерной томографии на основе сжатого зондирования с методом первого порядка. Мед. физ. 37 , 5113–5125 (2010).

    Артикул Google ученый

  • Фесслер, Дж.А. и Роджерс, В.Л. Свойства пространственного разрешения реконструкции изображений со штрафом правдоподобия: пространственно-инвариантные томографы. IEEE Trans. Image Process 5 , 1346–1358 (1996).

    КАС Статья Google ученый

  • Ji, S., Xue, Y. & Carin, L. Байесовское измерение сжатия. IEEE Trans. Сигнальный процесс. 56 , 2346–2356 (2008).

    Артикул Google ученый

  • Английский, Х.В., Ханке М. и Нойбауэр А. Регуляризация обратных задач , Vol. 375 (Springer Science & Business Media, 1996).

  • Стейман, Дж. В. и Фесслер, Дж. А. Регуляризация для однородных свойств пространственного разрешения при реконструкции изображений со штрафным правдоподобием. IEEE Trans. Мед. Imaging 19 , 601–615 (2000).

    КАС Статья Google ученый

  • Цзян М.& Ван, Г. Исследования сходимости итерационных алгоритмов реконструкции изображений. IEEE Trans. Мед. Imaging 22 , 569–579 (2003).

    Артикул Google ученый

  • Wang, J., Li, T., Lu, H. & Liang, Z. Взвешенный метод наименьших квадратов со штрафом для уменьшения шума синограммы и реконструкции изображения для низкодозовой рентгеновской компьютерной томографии. IEEE Trans. Мед. Imaging 25 , 1272–1283 (2006).

    Артикул Google ученый

  • Сюй, К. и др. Реконструкция низкодозовой рентгеновской КТ с помощью изучения словаря. IEEE Trans. Мед. Imaging 31 , 1682–1697 (2012).

    Артикул Google ученый

  • Preiswerk, F. et al. Гибридные МРТ-УЗИ и визуализация в режиме реального времени без использования сканера. Магн. Резон. Мед. 78 , 897–908 (2017).

    КАС Статья Google ученый

  • Чжу, Б., Лю, Дж. З., Коли, С. Ф., Розен, Б. Р. и Розен, М. С. Реконструкция изображения с помощью многообразного обучения с преобразованием домена. Природа 555 , 487–492 (2018).

    КАС Статья Google ученый

  • Henzler, P., Rasche, V., Ropinski, T. & Ritschel, T. Томография одного изображения: 3D-объемы из 2D-рентгенограммы черепа. Компьютерная графика. Форум 37 , 377–388 (2018).

    Артикул Google ученый

  • Монтойя, Дж. К., Чжан, К., Ли, К. и Чен, Г. Объемные разведывательные КТ-изображения, реконструированные из обычных рентгенографических локализаторов с двумя проекциями с использованием глубокого обучения. В проц. SPIE Medical Imaging 2019: Physics of Medical Imaging (под редакцией Schmidt, TG et al) 1094825 (SPIE, 2019).

  • Номура Ю., Сюй, К., Ширато, Х., Симидзу, С. и Син, Л. Коррекция рассеяния в проекционной области для конусно-лучевой компьютерной томографии с использованием остаточной сверточной нейронной сети. Мед. физ. 46 , 3142–3155 (2019).

    ПабМед Google ученый

  • Ву, Ю. и др. Включение предыдущих знаний с помощью объемной глубокой остаточной сети для оптимизации реконструкции МРТ с разреженной выборкой. Магн. Резон. Изображение https://doi.org/10.1016/j.mri.2019.03.012 (2019).

  • Eslami, S.A. et al. Нейронное представление сцены и рендеринг. Наука 360 , 1204–1210 (2018).

    КАС Статья Google ученый

  • ЛеКун Ю., Бенжио Ю. и Хинтон Г. Глубокое обучение. Природа 521 , 436–444 (2015).

    КАС Статья Google ученый

  • Шмидхубер, Дж.Глубокое обучение в нейронных сетях: обзор. Нейронная сеть. 61 , 85–117 (2015).

    Артикул Google ученый

  • Крижевский А., Суцкевер И. и Хинтон Г. Э. Классификация Imagenet с помощью глубоких сверточных нейронных сетей. В Proc 25th Conf. о достижениях в области систем обработки нейронной информации (под редакцией Перейры, Ф. и др.) 1097–1105 (NIPS, 2012).

  • Симонян К.и Зиссерман, А. Очень глубокие сверточные сети для крупномасштабного распознавания изображений. В проц. 3-я Международная конференция по обучающим представлениям (ICLR, 2015).

  • Шен, Л., Юнг, С., Хоффман, Дж., Мори, Г. и Фей-Фей, Л. Масштабирование распознавания взаимодействия человека и объекта с помощью обучения с нуля. В Зимняя конференция 2018 г. по приложениям компьютерного зрения 1568–1576 (IEEE, 2018).

  • Чен К., Сефф А., Корнхаузер А.и Сяо, Дж. Глубокое вождение: возможность обучения прямому восприятию при автономном вождении. Международная конференция по компьютерному зрению 2015 г. 2722–2730 (IEEE, 2015 г.).

  • Коллоберт Р. и Уэстон Дж. Унифицированная архитектура для обработки естественного языка: глубокие нейронные сети с многозадачным обучением. В проц. 25-я Международная конференция по машинному обучению (редакторы Коэн, В. и др.) 160–167 (ACM, 2008).

  • Ибрагимов Б., Toesca, D., Chang, D., Koong, A. & Xing, L. Разработка глубокой нейронной сети для индивидуального прогнозирования гепатобилиарной токсичности после SBRT печени. Мед. физ. 45 , 4763–4774 (2018).

    Артикул Google ученый

  • Поплин Р. и др. Прогнозирование сердечно-сосудистых факторов риска по фотографиям глазного дна сетчатки с помощью глубокого обучения. Нац. Биомед. англ. 2 , 158–164 (2018).

    Артикул Google ученый

  • Эстева А.и другие. Классификация рака кожи на уровне дерматологов с глубокими нейронными сетями. Природа 542 , 115–118 (2017).

    КАС Статья Google ученый

  • Гульшан В. и др. Разработка и валидация алгоритма глубокого обучения для выявления диабетической ретинопатии на фотографиях глазного дна сетчатки. JAMA 316 , 2402–2410 (2016).

    Артикул Google ученый

  • Тинг Д.С. В. и др. Разработка и проверка системы глубокого обучения для диабетической ретинопатии и связанных с ней заболеваний глаз с использованием изображений сетчатки из многоэтнических групп населения с диабетом. JAMA 318 , 2211–2223 (2017).

    Артикул Google ученый

  • Лю, Ф. и др. Глубокая сверточная нейронная сеть и трехмерный деформируемый подход для сегментации тканей в скелетно-мышечной магнитно-резонансной томографии. Магн.Резон. Мед. 79 , 2379–2391 (2018).

    Артикул Google ученый

  • Чжао В. и др. Включение информации изображений из слоев глубокой нейронной сети в лучевую терапию под визуальным контролем (IGRT). Радиотер. Онкол. 140 , 167–174 (2019).

    Артикул Google ученый

  • Лю, Ф., Фэн, Л. и Кижовски, Р. MANTIS: Модельно-дополненная нейронная сеть с некогерентной выборкой в ​​k-пространстве для эффективного сопоставления параметров mr. Магн. Резон. Мед. 82 , 174–188 (2019).

    Артикул Google ученый

  • Чжао В. и др. Локализация цели безмаркерной опухоли поджелудочной железы благодаря глубокому обучению. Междунар. Дж. Радиат. Онкол. биол. физ. 105 , 432–439 (2019).

    Артикул Google ученый

  • Ху-Чанг, С. и др. Глубокие сверточные нейронные сети для компьютерного обнаружения: архитектуры CNN, характеристики набора данных и трансферное обучение. IEEE Trans. Мед. Imaging 35 , 1285–1298 (2016).

    Артикул Google ученый

  • Ван дер Маатен Л. и Хинтон Г. Визуализация данных с использованием t -SNE. Дж. Маха. Учить. Рез. 9 , 2579–2605 (2008).

    Google ученый

  • Пейпернот, Н., Макдэниел, П. и Гудфеллоу, И. Переносимость в машинном обучении: от явлений к атакам черного ящика с использованием враждебных образцов.Препринт на https://arxiv.org/abs/1605.07277 (2016).

  • Эйкхольт, К. и др. Надежные атаки физического мира на визуальную классификацию глубокого обучения. В проц. Конференция IEEE по компьютерному зрению и распознаванию образов 1625–1634 (IEEE, 2018).

  • Метцен, Дж. Х., Геневейн, Т., Фишер, В. и Бишофф, Б. Об обнаружении враждебных возмущений. В проц. 5-я Международная конференция по обучающим представлениям (ICLR, 2017).

  • Ли, К., Ли, Х., Ли, К. и Шин, Дж. Обучение классификаторов с доверительной калибровкой для обнаружения образцов вне распределения. В проц. 6-я Международная конференция по обучающим представлениям (ICLR, 2018).

  • Ахтар, Н. и Миан, А. Угроза состязательных атак на глубокое обучение в компьютерном зрении: обзор. IEEE Access 6 , 14410–14430 (2018 г.).

    Артикул Google ученый

  • Ли, К., Ли, К., Ли, Х. и Шин, Дж. Простая унифицированная структура для обнаружения не распространяемых образцов и состязательных атак. В проц. 31-я конференция по достижениям в области систем обработки нейронной информации (под редакцией Бенджо, С. и др.) 7167–7177 (NIPS, 2018).

  • Су, Дж., Варгас, Д.В. и Сакураи, К. Атака одним пикселем для обмана глубоких нейронных сетей. IEEE транс. Эволюция. вычисл. 23 , 828–841 (2019).

    Артикул Google ученый

  • Юань, X., He, P., Zhu, Q. & Li, X. Состязательные примеры: атаки и защита для глубокого обучения. IEEE Trans. Нейронная сеть. Учить. Сист. 30 , 2805–2824 (2019).

    Артикул Google ученый

  • Хинтон Г. Э. и Салахутдинов Р. Р. Уменьшение размерности данных с помощью нейронных сетей. Наука 313 , 504–507 (2006).

    КАС Статья Google ученый

  • Хе, К., Zhang, X., Ren, S. & Sun, J. Глубокое остаточное обучение для распознавания изображений. В проц. Конференция IEEE по компьютерному зрению и распознаванию образов 770–778 (IEEE, 2016).

  • Иоффе С. и Сегеди К. Пакетная нормализация: ускорение обучения глубокой сети за счет уменьшения внутреннего ковариатного сдвига. В проц. 32-я Международная конференция по машинному обучению , Vol. 37 , 448–456 (JMLR, 2015).

  • Наир В. и Хинтон Г.E. Ректифицированные линейные блоки улучшают ограниченные машины Больцмана. В проц. 27-я Международная конференция по машинному обучению 807–814 (ICML, 2010 г.).

  • Изола, П., Чжу, Дж.-Ю., Чжоу, Т. и Эфрос, А. Преобразование изображения в изображение с помощью условных состязательных сетей. В проц. Конференция IEEE по компьютерному зрению и распознаванию образов 1125–1134 (IEEE, 2017).

  • Пашке, А. и др. Автоматическая дифференциация в pytorch. В проц.30-я конференция по достижениям в области нейронных систем обработки информации Autodiff. Семинар (НИПС, 2017).

  • Кингма, Д. П. и Ба, Дж. Адам: Метод стохастической оптимизации. В проц. 3-я Международная конференция по обучающим представлениям (ICLR, 2015).

  • Ван З., Бовик А.С., Шейх Х.Р. и Симончелли Е.П. Оценка качества изображения: от видимости ошибок до структурного сходства. IEEE Trans. Image Process 13 , 600–612 (2004).

    Артикул Google ученый

  • Ли, Р. и др. Реконструкция объемного изображения в реальном времени и трехмерная локализация опухоли на основе одного рентгеновского проекционного изображения для лучевой терапии рака легких. Мед. физ. 37 , 2822–2826 (2010).

    Артикул Google ученый

  • Ли, Р. и др. Трехмерная локализация опухоли с помощью объемной рентгеновской визуализации в реальном времени для лучевой терапии рака легких. Мед. физ. 38 , 2783–2794 (2011).

    Артикул Google ученый

  • Сюй Ю. и др. Метод объемной визуализации в лучевой терапии с использованием одиночной рентгеновской проекции. Мед. физ. 42 , 2498–2509 (2015).

    Артикул Google ученый

  • Объемные изображения | Бесплатные векторы, стоковые фото и PSD

    Сортировать по

    Популярный Недавний

    Категория

    Все Векторы Фотографии PSD Иконки

    Лицензия

    Все Бесплатно Премиум

    Показать варианты Цвет Ориентация

    Все Горизонтальный Вертикальный Квадратный Панорамный

    Стиль

    Применимо только к векторам.

    Все Акварель Мультфильм Геометрический Градиент Изометрический 3D Нарисованный от руки Плоский

    Изменить онлайн Фильтруйте по ресурсам, которые можно редактировать онлайн с помощью Wepik и Storyset

    Посмотреть редактируемые ресурсы

    Люди

    Применимо только к фотографиям

    Все Исключать Включать Количество человек
    Возраст Младенец Ребенок Подросток Молодой взрослый Взрослый Старший Старейшина Пол Мужчина Женский Этническая принадлежность южноазиатский Ближневосточный Восточная Азия Чернить испанец индийский белый Выбор Freepik

    Ежедневно смотрите высококачественные ресурсы, отобранные нашей командой.

    Смотрите наши любимые

    Дата публикации

    ЛюбойПоследние 3 месяцаПоследние 6 месяцевПоследний год

    Объемный метод построения сложных моделей из изображений дальности

    Объемный метод построения сложных моделей из изображений полигонов

    Объемный метод построения сложных моделей из изображений полигонов

    Брайан Керлесс и Марк Левой,
    Проц. СИГГРАФ ’96.

    Реферат:

    Разработан ряд методов реконструкции поверхностей. путем интеграции групп выровненных изображений диапазона.Желаемый набор свойства для таких алгоритмов включают в себя: добавочное обновление, представление о направленной неопределенности, способность заполнять пробелы в реконструкция и надежность при наличии выбросов. Прежний алгоритмы обладают подмножествами этих свойств. В этой статье мы представить объемный метод интегрирования изображений дальности, который обладает всеми этими свойствами.

    Наше объемное представление состоит из кумулятивного взвешенного знакового функция расстояния. Работая с одним изображением диапазона за раз, мы сначала сканирование-преобразуйте его в функцию расстояния, затем объедините это с уже полученные данные с использованием простой аддитивной схемы.Достигать эффективность использования пространства, мы используем последовательное кодирование объема. К для достижения эффективности времени мы передискретизируем изображение диапазона, чтобы выровнять его с сетку вокселей и синхронно перемещаться по диапазону и линиям развертки вокселей. Мы генерируем конечное многообразие, извлекая изоповерхность из объемная сетка. Покажем, что при определенных предположениях это изоповерхность оптимальна в смысле наименьших квадратов. Для восполнения пробелов в модели, мы наносим мозаику на границы между областями, которые видны как пустые и регионы никогда не наблюдались.

    Используя этот метод, мы можем интегрировать большое количество диапазонов изображений (до 70), в результате чего получаются бесшовные высокодетализированные модели размером до 2,6 миллиона треугольников.

    Дополнительная информация доступна:

    Примечание. Цветные рисунки включены в оба формата PostScript. и формат изображения JPEG. Если вы хотите просмотреть цифры на вашем монитор, мы рекомендуем изображения в формате JPEG. Если вы хотите распечатать рисунки на цветном принтере высокого качества, затем используйте постскриптум файлы.Файлы PostScript были скорректированы гамма-коррекцией, чтобы сделать их ярче. для печати.

    Мы не рекомендуем просматривать файлы цветных рисунков Postscript высокого разрешения с Postscript Viewer, поскольку они большие, могут отображаться медленно, и многие зрители сглаживают изображения, чтобы получить результаты низкого качества. К сожалению, многие веб-браузеры автоматически загружают эти файлы и либо отображают их с помощью программы просмотра PostScript или загрузите текст PostScript в браузер. Обратитесь к документации вашего веб-браузера для получения подробной информации о том, как скачать файл, не просматривая его.При использовании Netscape Навигатор, например, удерживайте нажатой клавишу Shift (клавиша выбора на Macintosh) при нажатии на нужную ссылку.

    • PDF-версия статьи (678 КБ)
    • Слайды из выступления на SIGGRAPH ’96
    • HTML-версия статьи, одним файлом
    • HTML-версия статьи, разбитая на разделы
    • Постскриптум без цветных рисунков (113 КБ в сжатом виде, 360 КБ в несжатом виде)
    • Бумага для постскриптума с цветными рисунками низкого разрешения (0.8 МБ со сжатием, 5,5 МБ без сжатия)
    • Изображение рисунка 4 в формате JPEG (91 КБ)
      Функции расстояния и веса со знаком в двух измерениях
    • Изображение рисунка 6 в формате JPEG (85 КБ)
      Объемная сетка с объемной резьбой и заполнением отверстий
    • Изображение рисунка 9 в формате JPEG (64 КБ)
      Объединение изображений диапазона бурового долота
    • Изображение рисунка 11 в формате JPEG (185 КБ)
      Реконструкция дракона
    • Изображение рисунка 12 в формате JPEG (200 КБ)
      Реконструкция «Счастливого Будды».
    • Постскриптум высокого разрешения рисунков 4, 6 и 9 (сохранить на диск!) (0.5 МБ со сжатием, 15 МБ без сжатия)
      Функции в 2D, вырезание и заполнение отверстий, сверло.
    • Постскриптум высокого разрешения рисунок 11 (сохранить на диск!) (1,3 МБ со сжатием, 11 МБ без сжатия)
      Реконструкция дракона
    • Постскриптум высокого разрешения рисунок 12 (сохранить на диск!) (1,8 МБ со сжатием, 9,5 МБ без сжатия)
      Реконструкция «Счастливого Будды».

    Демонстрации, программное обеспечение и данные


    [email protected]
    .

    Leave a Reply

    Your email address will not be published. Required fields are marked *