¿Cuáles son las características de un buen trabajo académico?
Los trabajos académicos permiten a los estudiantes descubrir sus fortalezas y debilidades para que puedan superar sus deficiencias de manera específica en trabajos futuros. A continuación, compartiré con ustedes algunas características de los buenos trabajos académicos. Disfrútala.
Características de los buenos artículos académicos
Tomando como ejemplo los artículos académicos médicos, los buenos artículos médicos tienen las siguientes características: El nacimiento de un buen artículo médico sobre SCI requiere una buena selección del tema, una buena Diseño, pero también implementación específica y resumen cuidadoso, el autor debe captar cada vínculo y ser serio, riguroso y preciso. Algunas personas quieren escribir un artículo temporalmente, pero generalmente no tienen selección de temas, ni diseño, ni materiales, y mucho menos acumulación. ¿Cómo pueden escribir un artículo temporalmente? Por lo tanto, al escribir artículos médicos sobre SCI, ¡debe prestar atención a la acumulación!
Clasificación por fuente de artículos médicos:
Se dividen en obras originales (que incluyen tratados, escritos e informes breves) y obras editadas (que incluyen libros de texto, libros de referencia, monografías, literatura, reseñas, conferencias, charlas escritas especiales, debates especiales, etc.);
Según el propósito de redacción del artículo, se divide en dos categorías: artículos académicos y disertaciones;
Según la disciplina médica y la naturaleza de la materia, se divide en: medicina básica, medicina clínica, medicina preventiva, medicina de rehabilitación, etc.;
Según el contenido de investigación del artículo, es dividido en cinco categorías: trabajo de investigación experimental, trabajo de investigación de encuesta, trabajo de investigación experimental, trabajo de análisis de datos y trabajo de experiencia;
Según el género de discusión del artículo, se divide en: tratados, literatura, revisiones, reseñas, conferencias, técnicas y métodos, informes de casos y artículos de ciencias médicas, etc. Por lo tanto, el autor debe elegir la forma de expresión adecuada para el trabajo en función del contenido de su trabajo de investigación y de los materiales de investigación.
Todo experimento u observación clínica debe tener planes y procedimientos estrictos. Mientras aplica operaciones estrictas y procedimientos relacionados, no se le permite cambiar el diseño y la demostración de su investigación científica a voluntad. Los expertos suelen ver que cuando muchos autores escriben artículos, suelen utilizar palabras como "tal vez", "probablemente", "estimación" o dicen que existe un efecto curativo obvio sin un análisis estadístico de los datos. Estas palabras no son rigurosas. .
Artículos académicos sobre medicina
Aplicación de algoritmos en la reconstrucción tridimensional de imágenes médicas
Resumen:
Las primeras técnicas tridimensionales Tecnología de reconstrucción de imágenes médicas que data de principios de los años 1970. Debido a razones objetivas como el alto precio de los equipos de imágenes médicas que integran plataformas de reconstrucción tridimensional, el diagnóstico visual tridimensional interno de imágenes médicas comenzó tarde. No fue hasta la década de 1990 que algunas universidades comenzaron a realizar investigaciones en todos los niveles [1. ]. Con el desarrollo de la tecnología informática, en tan solo unos años, la tecnología de reconstrucción tridimensional se ha convertido en un medio importante para que las personas exploren los misterios de la vida, así como el diagnóstico de enfermedades y la planificación quirúrgica.
1 Materiales médicos comunes de reconstrucción tridimensional
La tomografía computarizada, conocida como TC, es una novedosa tecnología de diagnóstico que combina computadoras y rayos X. Su característica principal es su resolución de alta densidad, que es de 10 a 20 veces mayor que la de las fotografías de rayos X normales [2]. La TC puede medir con precisión las pequeñas diferencias en las características de atenuación de la radiación entre varios tejidos en un determinado plano y mostrarlas como imágenes digitales. Puede distinguir las diferentes densidades de varios tejidos blandos de manera extremadamente fina, formando así un contraste. Por ejemplo, una radiografía simple de la cabeza no puede diferenciar entre tejido cerebral y líquido cefalorraquídeo, pero la TC no sólo puede mostrar el sistema ventricular, sino también distinguir la materia gris y la materia blanca del parénquima cerebral. Si se introducen agentes de contraste en la TC para mejorar el contraste, la resolución será aún mayor, lo que puede ampliar el alcance del diagnóstico de enfermedades y mejorar la precisión del diagnóstico.
Resonancia Magnética, denominada MRI. La resonancia magnética es un tipo de tomografía que utiliza fenómenos de resonancia magnética para obtener señales electromagnéticas del cuerpo humano y reconstruir información del cuerpo humano. En 1946, Flelix Bloch de la Universidad de Stanford y Edward Purcell de la Universidad de Harvard descubrieron de forma independiente el fenómeno de la resonancia magnética nuclear. En 1972, Paul Lauterbur desarrolló un método de codificación espacial de señales de resonancia magnética que permite reconstruir imágenes del cuerpo humano. La tecnología de imágenes por resonancia magnética tiene algunas similitudes con otras tecnologías de imágenes tomográficas. Por ejemplo, ambas pueden mostrar la distribución de una determinada cantidad física (como la densidad) en el espacio.
Al mismo tiempo, la resonancia magnética también tiene sus propias características: puede obtener imágenes tomográficas, imágenes tridimensionales en cualquier dirección e incluso imágenes cuatridimensionales de distribución del espectro espacial.
En la actualidad, los métodos de reconstrucción tridimensional de imágenes médicas incluyen principalmente representación de superficie, representación de volumen y el método de reconstrucción de la forma geométrica tridimensional a partir de la imagen bidimensional en escala de grises de la superficie del objeto o el método de recuperación de formas claras y oscuras.
2 Principios básicos del algoritmo Marching Cubes
El algoritmo Marching Cubes[3] del cubo móvil es un método de construcción de isosuperficies propuesto por Lorensen et al en 1987. Se ha utilizado hasta el día de hoy. y es un algoritmo basado en vóxeles representativo de la tecnología de extracción de isosuperficies dentro de la unidad [4]. La llamada isosuperficie se refiere al conjunto de todos los puntos en un espacio de cuadrícula cuyo valor de muestreo es igual a un valor dado. La esencia de este algoritmo es considerar una serie de datos de corte bidimensionales como un campo de datos tridimensional, del cual se extraen sustancias con ciertos valores de dominio y se conectan en triángulos en una determinada forma topológica.
La isosuperficie es un conjunto de todos los puntos vóxel con el mismo valor en el espacio. El valor del punto vóxel es el resultado de la interpolación trilineal de ocho puntos de V0 a V7 en el área del vóxel. Se puede expresar como: c es una constante. F(f) es la isosuperficie en los datos de volumen f. La fórmula de cálculo se puede expresar como:
⑴
¿Dónde?0,?1,?,?7 son constantes determinadas por los valores de ocho puntos fijos V0~V7.
En el algoritmo MC, se supone que los datos originales son un campo de datos regulares de espacio tridimensional discreto, como se muestra en la Figura 1. A este tipo pertenecen las imágenes producidas por tomografía (CT) y resonancia magnética (MRI) utilizadas para el diagnóstico médico.
La idea básica del algoritmo MC es procesar los vóxeles en el campo de datos uno por uno, como se muestra en la Figura 2, clasificar los vóxeles que se cruzan con la isosuperficie y utilizar la interpolación para calcular la isosuperficie. y bordes de vóxel Los puntos de intersección de los bordes (V0 ~ V7). Según la posición relativa de cada vértice en el vóxel y la isosuperficie, los puntos de intersección de la isosuperficie y las aristas del cubo se conectan de cierta manera para generar una isosuperficie, que sirve como una representación aproximada de la isosuperficie dentro del cubo. . Después de calcular los parámetros relevantes de la isosuperficie en el campo de datos de volumen, la isosuperficie se dibuja utilizando la función de dibujo de superficie proporcionada por el paquete de software o hardware de gráficos de uso común [5].
La isosuperficie generalmente se dibuja utilizando el método de binarización, es decir, el valor del punto (0 o 1) se determina comparándolo con un umbral dado. El valor de densidad de vértice < el valor del dominio está fuera. El valor de densidad de vértice es 1 y el valor de dominio interior es 0. Cada vértice de V0 ~ V7 tiene 2 estados, exterior e interior, por lo que los 8 vértices tienen un total de 256 estados combinados. Según la simetría complementaria y la simetría rotacional, hay 15 configuraciones triangulares. Cuando se busca según el índice durante la reconstrucción, cada índice se divide en tres partes: índice, rotación y modelo de triángulo. El proceso principal del algoritmo Marching Cubes es el siguiente:
⑴ Lea el campo de datos regulares discretos tridimensionales en la memoria en capas.
⑵ Escanee dos capas de datos y construya vóxeles uno por uno. Los 8 puntos de esquina de cada vóxel se toman de las dos capas adyacentes y los 8 puntos fijos se pueden definir como (i, j, k). , (i+1, j, k), (i+1, j+1, k), (i+1, j, k+1), (i+1, j+1, k+1), ( i, j+1,k+1), (i,j+1,k), (i,j,k+1) (como se muestra en la Figura 3).
⑶ Compare el valor de la función de cada punto de esquina del vóxel con el isovalor c dado y construya la tabla de estado del vóxel según el resultado de la comparación.
⑷Según la tabla de estados, obtenga los vóxeles límite que se cruzarán con la isosuperficie.
⑸ Calcula el punto de intersección del borde del vóxel y la isosuperficie mediante interpolación lineal.
⑹Utilice el método de diferencia central para encontrar el vector normal en cada punto de esquina del vóxel y luego use el método de interpolación lineal para encontrar la dirección normal en cada vértice del parche triangular.
⑺Dibuja una imagen de isosuperficie basada en las coordenadas y los vectores normales de cada vértice en cada parche triangular.
3 Juicio de puntos equivalentes espaciales y cálculo de puntos de intersección de isosuperficie y límite de vóxel
Tome cualquier borde de cuadrícula discreto y suponga que los dos nodos en el borde son respectivamente: Mi( xi, yi, zi, qi) y Mj (xj, yj, zj, qj toman el valor equivalente de la magnitud como C, cuando se cumple (q-c)(q-c)?0 (expresión condicional de determinación de punto equivalente); el punto equivalente Mo entre Mi y Mj. Además, suponiendo que las coordenadas del punto equivalente Mo son (xo, yo, zo), la fórmula ⑵ se puede obtener a partir de los dos puntos Mi y Mj según interpolación lineal:
⑵
Donde k= (qi-c)(qj-c)?0. De acuerdo con la fórmula condicional de determinación de isosuperficie (1) y la fórmula de coordenadas de puntos de isovalor (2), los bordes de la cuadrícula se pueden buscar y juzgar de acuerdo con la información estructural discreta, encontrando así todos los puntos de isovalor de la estructura en el dominio especificado. Después de encontrar los puntos de isovalor, puedes conectar estos puntos de isovalor en triángulos o polígonos para formar parte de la superficie de isovalor.
4 Cálculo del vector normal de la isosuperficie
Para utilizar hardware gráfico para mostrar la imagen de la isosuperficie, se debe dar la dirección normal de la isosuperficie del parche triangular y ser apropiada. Se debe seleccionar la iluminación. El modelo se renderiza para generar gráficos fotorrealistas. Para cada punto de la isosuperficie, su componente de gradiente a lo largo de la dirección tangente de la superficie debe ser cero, por lo que la dirección del vector de gradiente a lo largo del punto también representa la dirección normal de la isosuperficie en ese punto. La isosuperficie es a menudo la interfaz entre materiales con diferentes densidades, por lo que su valor del vector gradiente no es cero, es decir, la fórmula ⑶:
⑶
La dirección normal del parche triangular es Calculado directamente como Consumo de tiempo, para eliminar los cambios discontinuos en la claridad y la oscuridad entre los parches triangulares, solo se proporciona la dirección normal en cada vértice del parche triangular y se utiliza el modelo de Gouraud para dibujar cada parche triangular. Aquí utilizamos el método de interpolación central para calcular el gradiente de cada punto de esquina de cada vóxel. En el caso de triángulos, calcule el vector normal de cada parche de triángulo, luego use el vector normal de la superficie triangular para encontrar el vector normal de cada vértice y finalmente use los tres vectores normales de los tres vértices del triángulo para interpolar a Encuentre el vector normal a la superficie triangular en un punto determinado. Para isosuperficies existe una forma sencilla de calcular los vectores normales de los vértices. Teniendo en cuenta que la dirección del gradiente de la línea de contorno es perpendicular a la línea tangente de la línea de contorno, se puede utilizar el vector de gradiente en lugar de la línea vertical de la línea de contorno. En el caso tridimensional, la dirección del gradiente de la isosuperficie es la dirección normal de la isosuperficie. A partir de esto, se puede obtener la fórmula ⑷:
⑷
5 Optimización de los cubos de marcha: algoritmo de simplificación del modelo de cuadrícula
Se ha logrado el algoritmo de simplificación del modelo de cuadrícula Una serie de resultados. La mayoría de los algoritmos de simplificación actuales consideran el cambio en la posición geométrica del modelo antes y después del plegado de los bordes como el costo de plegado, reduciendo así el número de polígonos y logrando el propósito de mejorar la eficiencia informática. El propósito del algoritmo de simplificación de la cuadrícula es mejorar la eficiencia y al mismo tiempo garantizar la mayor precisión de la imagen. Por lo tanto, el principio de selección de puntos de coordenadas es estar lo más cerca posible de la cuadrícula original. Generalmente, existen dos métodos de selección de subconjunto: método de selección de subconjunto y método de selección de optimización [6], es decir, simplemente seleccione el menos costoso. los dos puntos finales del borde., La regla de selección de optimización es seleccionar el punto v con el error cuadrático más pequeño como el punto de plegado. La medida del error cuadrático correspondiente a este punto es, y el error cuadrático del punto v es una ecuación cuadrática. Encontrar su valor mínimo es encontrar la ecuación para x. En el punto donde las derivadas parciales de y y z son cero, las x, y, z resueltas son las nuevas coordenadas del vértice. Este proceso equivale a resolver la ecuación matricial de fórmula ⑸.
⑸
Medición del coste de plegado
El cálculo del coste de plegado se divide en dos pasos. El primer paso: al calcular la lateralidad del error cuadrático de cada vértice, basándose en la medida de error cuadrático estándar de Garland, teniendo en cuenta la influencia del área de los triángulos circundantes, calcule el valor medio de la medida de error cuadrático de cada vértice; Segundo paso: al calcular el costo de plegado del borde, la longitud del borde y el grado de cambio en la forma del triángulo causado por el plegado del borde se utilizan como factores de ponderación.
El método de cálculo específico es: en el espacio tridimensional, el plano P se puede expresar como ax+by+cz+d=0, o también se puede expresar como PTv=0. =[a, b, c] T es el vector unitario normal del plano P, y d es una constante.
El cuadrado de la distancia desde cualquier punto v=[x, y, z, 1]T en el espacio modelo al plano es la fórmula ⑹:
⑹
Cualquier punto en el modelo de cuadrícula El error cuadrático de v=[x, y, z, 1]T? (v) se define como la suma de cuadrados desde el vértice hasta el plano relacionado con el punto fijo, que se puede expresar como la fórmula ⑺:
⑺
Entre ellos, los planos (v) representan un conjunto de todos los planos triangulares que contienen el punto fijo v, que se denomina conjunto de planos relevantes del vértice v. En el estado inicial, el error cuadrático de cada punto en el modelo de cuadrícula es 0. Una vez deformada la fórmula anterior, se puede obtener la fórmula ⑻.
⑻
Donde kp es la medida del error cuadrático del plano P.
⑼
Se llama matriz cuadrática de v=[x, y, z, 1]T.
Se llama error cuadrático del punto v. Al realizar el plegado de bordes, se puede utilizar una regla adicional (Garland et al., 1987) para obtener la medida del error cuadrático en el punto v. El valor del error cuadrático del vértice es el costo de plegado del borde.
6 Aplicación del algoritmo de simplificación de cuadrícula en la reconstrucción médica 3D
El algoritmo de cuadrícula se usa generalmente para acelerar la reconstrucción 3D, pero el algoritmo de cuadrícula puro carece de valor práctico. En comparación con su dibujo de alta velocidad, la pérdida de precisión es inaceptable. Por lo tanto, ¿el algoritmo de simplificación de malla se ha optimizado aún más? El algoritmo de simplificación de malla basado en la representación de volumen.
La renderización de volumen consiste en mostrar todos los materiales del corte (piel, huesos, músculos, etc.) en una sola imagen. Pero cuando sólo es necesario observar los huesos, muchos dibujos de triángulos no tienen sentido. Ignorar superficies triangulares innecesarias puede aumentar efectivamente la velocidad de reconstrucción y al mismo tiempo garantizar la precisión.
7 Conclusión
El algoritmo MC determina el polígono del vóxel comparando el valor umbral. Cuando se enfrenta a datos de gran capacidad, a menudo tiene el inconveniente inevitable de ser lento, pero. ahora varios métodos Esta mejora específica le da un mayor potencial de desarrollo, por lo que el algoritmo MC no es solo un algoritmo simple, sino que está más cerca del concepto de "vóxel". Muchos algoritmos populares de reconstrucción 3D se mejoran basándose en MC para obtener el modelo 3D específico requerido. Los algoritmos de fusión de imágenes médicas basados en la transformada wavelet, los algoritmos de interpolación de imágenes médicas tomográficas, etc. se utilizan principalmente para hacer que la TC y otros datos sean susceptibles de segmentación por umbrales en el algoritmo MC. Ahora, el uso de bibliotecas de funciones de imágenes como OpenGL y VTK ha simplificado el modelado de imágenes tridimensionales. Se espera que la aplicación de la tecnología de reconstrucción tridimensional en medicina se desarrolle aún más.
Referencias:
[1] Pu Chao, Zhang Yumin. Algoritmo de procesamiento tridimensional y aplicación de imágenes médicas [J]. >
[2] Luo Shuqian, Zhou Guohong, Shi Jiaoying. Modelo poliédrico simplificado basado en el criterio de eliminación de triángulos [J] Journal of Computer Science, 2008.2:135~138
[3] Nielson GM. .Dual Marching Cubes.IEEE Visualization 2004.
[4] Tian Jie, Bao Shanglian, Zhou Mingquan Procesamiento y análisis de imágenes médicas[M]. 5 ] Jin Tianhong, Liu Zhenzhai. Investigación sobre reconstrucción tridimensional de imágenes médicas [J]. Equipos médicos y de salud, 2008.2:34
¿Cuáles son las características? de buenos trabajos académicos? La gente también lee:
1. Características de un trabajo académico exitoso
2. Características de un trabajo académico exitoso (2)
3 Importante para un artículo académico Comprensión del sexo
4. Experiencia en la publicación de artículos académicos
5. ¿Qué es un artículo académico, formato del artículo académico, cómo escribir un artículo académico? p>