8.1 Automatyzacja tworzenia modeli wirtualnych z Rezonansu Magnetycznego
W ramach prowadzonych w doktoracie badań opracowano między innymi metodę au-tomatycznego tworzenia modeli wirtualnych z danych uzyskanych metodą Rezonan-su Magnetycznego. Przedstawione w pracy rozwiązania zostały zaimplementowane i przetestowane. Sama metoda do pełnej automatyzacji wymaga jednak dalszej pracy związanej między innymi z implementacją algorytmów wymiany danych pomiędzy poszczególnymi etapami.
Wykorzystywane w pracy dane pochodziły z bazy danych zawierającej standar-dowe badania wykonywane w klinice Rehasport Clinic sp. z o.o. Stosowane w klinice protokoły badań ukierunkowane są na wizualizację tkanek umożliwiającą prawidłową ocenę przez wyszkolonych radiologów i lekarzy, ekspertów w dziedzinie interpretacji obrazów medycznych, a nie na automatyczną interpretację komputerową. Zgodnie z podziałem przedstawionym w [47] obrazy uzyskane metodą Rezonansu Magnetyczne-go ukierunkowane na wizualizację tkanki kostnej zaliczyć można do grupy obrazów o niższej jakości (cechujących się szumem i mniejszą rozdzielczością). Dodatkowym problemem okazała się odległość pomiędzy kolejnymi warstwami wynosząca 4.8 𝑚𝑚, wynikająca z przyjętego (zalecanego przez producenta urządzenia) protokołu badań,
co biorąc pod uwagę rozmiary poszczególnych kręgów daje w efekcie 6 - 8 przekrojów na pojedynczy kręg. Ze względu na przedstawioną charakterystykę danych powszech-nie wykorzystywane metody segmentacji, takie jak Progowapowszech-nie (ang. Thresholding) [180], Wylewanie Wody (ang. Watershed ) [20] lub Zbiory Poziomicowe (ang. Level-set ) [154] oraz metody budowy modeli trójwymiarowych, takie jak Algorytm Maszerują-cych Sześcianów (ang. Marching Cubes Algorithm) [132], nie są w stanie prawidłowo odwzorować geometrii.
Aktualnie standardem wykorzystywanym do trójwymiarowej wizualizacji tkanki kostnej jest badanie metodą Tomografii Komputerowej, dające zdecydowanie lepszej jakości i łatwiej interpretowane wyniki. Jest ono jednak inwazyjne, narażając pacjenta na dużą dawkę promieniowania rentgenowskiego, w przeciwieństwie do nieinwazyjnego badania metodą Rezonansu Magnetycznego. Co więcej, podczas prowadzonych wraz z Kliniką Chorób Kręgosłupa i Ortopedii Dziecięcej Ortopedyczno-Rehabilitacyjnego Szpitala Klinicznego im. W. Degi Uniwersytetu Medycznego w Poznaniu i kliniką Rehasport Clinic sp. z o.o. badań zauważono, iż ze względu na charakterystykę dzia-łania Rezonansu Magnetycznego i uzyskiwaną jakość badań niemożliwe jest dokładne określenie rzeczywistej granicy pomiędzy tkankami, nawet przez radiologów i lekarzy wyszkolonych w interpretacji obrazów medycznych. Jest to związane z niską rozdziel-czością badania (na pojedynczy obraz kręgu przypada około 56 × 56 pikseli) oraz taką samą odpowiedzią (a w efekcie intensywnością pikseli) poszczególnych sąsiadujących tkanek, np. kości zbitej trzonu kręgu i blaszki granicznej znajdującej się pomiędzy trzonem kręgu, a krążkiem międzykręgowym. W aspekcie tym zauważyć należy rów-nież, iż większość nawet najnowszych prac skupiających się na segmentacji kolumny kręgosłupa z danych uzyskanych metodą Rezonansu Magnetycznego, ignoruje istnie-nie tkanki zbitej trzonu kręgu i blaszek granicznych, przypisując je często do krążka międzykręgowego [54, 219]. Ułatwiona w ten sposób segmentacja, wprowadza duży błąd odwzorowania rzeczywistych tkanek pomijany dalej w analizach statystycznych.
Przedstawiona w pracy metoda dąży do poprawnej segmentacji tkanki kostnej, znajdując zarówno strukturę gąbczastą, jak i strukturę zbitą kości. Wyznaczony auto-matycznie obszar, w celach statystycznych, porównywany jest z ręcznymi
oznaczenia-mi ekspertów przedstawiającyoznaczenia-mi najbardziej prawdopodobny przebieg granicy oznaczenia-między tkankami, m.in. między tkanką zbitą trzonu kręgu i blaszkami granicznymi. Zauważyć można również, iż w przypadku próby prawidłowej segmentacji (włączającej do obsza-ru segmentowanego kość zbitą) standardowe metody segmentacji, oparte na dyskretnej klasyfikacji pikseli, ze względu na podobieństwo sąsiadujących fragmentów tkanek na obrazie do kości zbitej, nie radzą sobie z prawidłową segmentacją. Zaprezentowana w pracy metoda, dzięki wykorzystaniu Analizy Składowych Głównych, nie tylko jest nieczuła na tego typu problemy, ale tworzony przez nią Model Aktywnego Wyglądu, przechowujący m.in. informacje o średnim kształcie kręgów na obrazie i możliwych odchyleniach, pozwala na poprawną segmentację nawet częściowo uszkodzonych lub zasłoniętych (np. fragmentami układu krwionośnego lub nerwowego) obrazów.
Pierwszym etapem przedstawionej w pracy metody była filtracja wstępna. Na tym etapie, poza wykorzystaniem znanych algorytmów skalowania i zwiększenia rozdziel-czości oraz filtracji szumów, opracowano własny algorytm korekcji niejednorodności nasycenia. Podejście takie było konieczne, gdyż zdecydowana większość istniejących algorytmów korekcyjnych skupia się wyłącznie na obrazach mózgu [205] uzyskanych metodą Rezonansu Magnetycznego. Należy jednak zwrócić uwagę na fakt, iż opra-cowana metoda wykorzystuje informacje o kontraście pomiędzy tkanką tłuszczową i skórą, dlatego jej zastosowanie ogranicza się tylko do obrazów na których widoczna jest tkanka tłuszczowa.
W kolejnym etapie prac skupiono się na detekcji i klasyfikacji kręgów z Obrazo-wania Rezonansu Magnetycznego. W tym celu zaimplementowano głębokie Konwo-lucyjne Sieci Neuronowe wykazujące się w ostatnich latach najlepszymi wynikami w tej dziedzinie. W badaniach skupiono się głównie na etapie klasyfikacji ze względu na występujący w tym zagadnieniu aspekt badawczy. Zauważyć należy, iż dla uzyskania pełnej automatyzacji detekcji kręgów, w przyszłości należałoby dodatkowo zaimple-mentować algorytm pozwalający na wyznaczenie Obszaru Zainteresowania (ang. Re-gion of Interest ) na analizowanym obrazie. Znanym od wielu lat rozwiązaniem jest połączenie metody ruchomego okna (ang. sliding window ) z piramidą obrazów (ang.
image pyramids) [3] wykorzystywaną przez jeden z najpopularniejszych algorytmów
detekcji obiektów [203, 204] oparty na Kaskadzie Wzmocnionych Klasyfikatorów (ang.
Cascade of Boosted Classifiers) [72, 71] i rozszerzonym zestawie cech Haar’a (ang.
Haar-like Features) [128]. Algorytm ten został przetestowany, jednak ze względu na długie czasy uczenia i występującą nadmierną klasyfikację (ang. overclassification) po-rzucono to rozwiązanie na rzecz Konwolucyjnych Sieci Neuronowych. Połączenie Sieci Neuronowych i algorytmu ruchomego okna do detekcji obiektów jest metodą zna-ną, przetestowaną i dalej powszechnie wykorzystywaną [167, 179], dlatego też należy spodziewać się uzyskania prawidłowych wyników. Alternatywnie, w celu uzyskania pełnej automatyzacji detekcji, w przyszłości należałoby rozwinąć opracowaną Konwo-lucyjną Sieć Neuronową zgodnie z nowoczesnymi rozwiązaniami zaproponowanymi w [78, 79, 96, 161]. Co więcej uzyskane wyniki klasyfikacji kręgów z Obrazowania Rezo-nansu Magnetycznego, mimo iż były bardzo dobre, można poprawić poprzez zwięk-szenie bazy danych uczących oraz zaimplementowanie najnowszych rozwiązań w tej dziedzinie [98, 161, 193, 192, 214].
Następny etap prac polegał na opracowaniu algorytmu szczegółowej segmenta-cji wybranych tkanek z badań uzyskanych metodą Rezonansu Magnetycznego. Do tego celu zaimplementowano Model Aktywnego Wyglądu służący do poszukiwania cech charakterystycznych (ang. landmark localization). Model ten, dzięki połączeniu Modelu Kształtu z Modelem Wyglądu, pozwala na częściowe ignorowanie niedosko-nałości analizowanego obrazu, a znajdowane cechy charakterystyczne pozwalają na interpolację informacji zarówno na poszczególnych obrazach, jak i pomiędzy kolejnymi przekrojami. Zauważyć należy jednak, iż wyniki uzyskiwane przez Model Aktywnego Wyglądu są w dużej mierze zależne od inicjalizacji rozmieszczenia cech charaktery-stycznych [14]. W celach statycharaktery-stycznych inicjalizację przeprowadzono zgodnie z meto-dą polegającą na wprowadzeniu 5% szumu do bazowego (ang. ground truth) kształtu odwzorowanego przy pomocy Analizy Składowych Głównych. W celu uzyskania lep-szych wyników i pełnej automatyzacji, w przyszłości, do wykorzystywanej metody należałoby wprowadzić własny algorytm inicjalizacji cech charakterystycznych oparty na podstawowych metodach segmentacji takich jak Wylewanie Wody (ang. Water-shed ) [20] lub Zbiory Poziomicowe (ang. Level-set ). Pozwoliłoby to na zdecydowanie
dokładniejszą inicjalizację (w stosunku do metody wykorzystanej do przeprowadze-nia analizy statystycznej), co przełożyłoby się na podniesienie jakości segmentacji.
Szczegółowa analiza wyników segmentacji wykazała również, iż największym błędem obarczone były wyniki segmentacji obrazów kręgu S1. Jest to związane z charakte-rystycznym kształtem kręgu, odbiegającym od pozostałych kręgów oraz znacznym pochyleniem tego kręgu w przestrzeni. W przyszłości, w celu uzyskania lepszych wy-ników segmentacji, należałoby wyuczyć osobny Model Aktywnego Wyglądu dla kręgu S1. Pozwoliłoby to na lepsze przystosowanie osobnego modelu do charakterystycznego kształtu kręgu S1 jednocześnie zmniejszając wariancję ogólnego modelu pozostałych kręgów.
Opracowana metoda budowy modelu trójwymiarowego z uzyskanych w procesie segmentacji cech charakterystycznych jest aktualnie w trakcie implementacji. Uzyska-ne daUzyska-ne pozwalają na stworzenie dwóch typów modeli trójwymiarowych: dyskretUzyska-nego (STL) oraz parametrycznego (IGES). Dzięki wykorzystaniu cech charakterystycznych i interpolowanej informacji możliwe było opracowanie metody zwiększania rozdzielczo-ści modelu dyskretnego jednocześnie zwiększającej dokładność odwzorowania tkanek, w przeciwieństwie do standardowych metod [131, 187], wykorzystywanych z Algoryt-mem Maszerujących Sześcianów (ang. Marching Cubes Algorithm) [132], powodują-cych odkształcenia rzeczywistej geometrii. Co więcej przedstawiona metoda budowy modeli trójwymiarowych, ze względu na ciągłość interpolacji, tworzy poprawnie za-mknięte, pełne modele trójwymiarowe, pozwalając na natychmiastowe tworzenie siatki elementów skończonych, w przeciwieństwie do modeli tworzonych przez standardowe metody, wymagających dodatkowej, często żmudnej, ręcznej obróbki. Tworzenie mo-delu parametrycznego (IGES) z uzyskiwanych cech charakterystycznych wydaje się być naturalnym krokiem ze względu na wykorzystywane w formacie krzywe i po-wierzchnie interpolujące. Dodatkowo segmentacja oparta o cechy charakterystyczne pozwala również ograniczyć objętość plików poprzez wykorzystywanie do budowy geo-metrii tylko 16 punktów na przekrój.
8.2 Specjalistyczne metody pomiarowe w przygo-towaniu przedoperacyjnym
8.2.1 Rozszerzona wizualizacja osiowa kręgosłupa
W ramach prowadzonych w doktoracie badań, wraz z Kliniką Chorób Kręgosłupa i Ortopedii Dziecięcej Uniwersytetu Medycznego im. Karola Marcinkowskiego w Po-znaniu, rozwinięto metodę wizualizacji kręgosłupa w płaszczyźnie osiowej.
Analiza rozwiniętej metody Wizualizacji Osiowej Kręgosłupa, przeprowadzona przez specjalistów z Uniwersytetu Medycznego, wykazała przydatność rozwiązania w przy-gotowaniu przedoperacyjnym lekarza specjalisty.
Cyfrowo Zrekonstruowany Radiogram
Opracowana metoda Cyfrowo Rekonstruowanego Radiogramu (ang. Digitally Recon-structed Radiograph) [73] pozwala na tworzenie obrazów z badań metodą Tomografii Komputerowej (ang. Computed Tomography) [29, 107]. Wyniki uzyskane na podsta-wie Tomografii Komputerowej cechują się wysoką jakością. Dodatkowe analizy i wyni-ki działania opracownej procedury Cyfrowo Rekonstruowanego Radiogramu uzyskane na podstawie badań metodą Rezonansu Magnetycznego (ang. Magnetic Resonance Imaging) [91, 102] są akceptowalne, jednak ze względu na niską rozdzielczość pod-stawowego badania oraz wynikającą z niej niską rozdzielczość finalnego Cyfrowo Zre-konstruowanego Radiogramu, nie są one w stanie zastąpić oryginalnego Radiogramu Komputerowego (ang. Computed Radiography) [52, 166, 184].
Jakość uzyskiwanych, na podstawie Tomografii Komputerowej, Cyfrowo Zrekon-struowanych Radiogramów pozwala na prawidłową analizę, wskazując na możliwe praktyczne zastosowanie Radiogramów Komputerowych i opracowanej metody Cy-frowo Rekonstruowanego Radiogramu (ang. Digitally Reconstructed Radiograph) [73]
w przygotowaniu przedoperacyjnym.
8.2.2 Dostępna trójwymiarowa wizualizacja danych medycz-nych
Zaprezentowana w pracy metoda dostępnej trójwymiarowej wizualizacji danych me-dycznych [74, 76] pozwala na tworzenie, wizualizację i analizę geometrii tkanek w prosty i szybki sposób. Co więcej, rozmiar plików .pdf, przenoszących uzyskaną in-formację trójwymiarową, jest nieporównywalnie mały [74] w stosunku do standardo-wych badań przechowywanych w formacie DICOM, często mających kilkaset mega-bajtów. Wizualizacje w formacie PDF mogą zostać otwarte na dowolnym komputerze z zainstalowanym darmowym oprogramowaniem Adobe Reader oraz współczesnych urządzeniach mobilnych, znacznie ułatwiając wymianę informacji. Takie rozwiązanie pozwala również małym instytucjom, nie posiadającym własnego laboratorium Tomo-grafii Komputerowej, na wykorzystanie trójwymiarowych wizualizacji tkanek w celach diagnostycznych, podnosząc jakość leczenia.
Rozdział 9
Podsumowanie
Rozprawa doktorska pod tytułem ”Nowe procedury tworzenia modeli wirtualnych dla potrzeb medycyny klinicznej” opracowana została w Katedrze Inżynierii Wirtualnej na Wydziale Maszyn Roboczych i Transportu Politechniki Poznańskiej.
Określony w rozdziale trzecim cel i zakres pracy został osiągnięty i zrealizowany poprzez przygotowanie, implementację i szczegółową analizę opracowanych nowych procedur tworzenia modeli wirtualnych dla potrzeb medycyny klinicznej oraz rozwój specjalistycznych metod pomiarowych wykorzystywanych w przygotowaniu przedope-racyjnym.
W pracy skupiono się na odtworzeniu trójwymiarowej geometrii tkanek na pod-stawie niskiej jakości obrazów uzyskanych metodą Rezonansu Magnetycznego zgodnie ze standardowymi protokołami badań. Ze względu na specyfikę współpracy z Klini-ką Chorób Kręgosłupa i Ortopedii Dziecięcej Uniwersytetu Medycznego im. Karola Marcinkowskiego w Poznaniu szczególną uwagę skupiono na wizualizacji kolumny krę-gosłupa. W pracy przedstawiono oryginalną próbę wykorzystania metod Uczenia Ma-szynowego i Głębokiego Uczenia do segmentacji tkanki kostnej z obrazów uzyskanych metodą Rezonansu Magnetycznego. Zrealizowane zostały zadania: opracowania me-tody filtracji i korekcji niejednorodności nasycenia niskiej jakości danych uzyskanych metodą Rezonansu Magnetycznego, opracowania metody wstępnej klasyfikacji tkanek z danych uzyskanych metodą Rezonansu Magnetycznego, szczegółowej segmentacji tkanek z danych uzyskanych metodą Rezonansu Magnetycznego oraz budowy modeli
trójwymiarowych na podstawie uzyskanych wyników.
Dodatkowo w pracy przedstawiono rozwiniętą i ocenioną wraz z Kliniką Chorób Kręgosłupa i Ortopedii Dziecięcej Uniwersytetu Medycznego im. Karola Marcinkow-skiego w Poznaniu metodę wizualizacji kręgosłupa w płaszczyźnie osiowej wykorzy-stującą opracowany na Politechnice Poznańskiej algorytm tworzenia Cyfrowo Zrekon-struowanego Radiogramu.
W celu wizualizacji uzyskanych wyników i umożliwienia wykonywania pomiarów w pracy przedstawiono również metodę dostępnej trójwymiarowej wizualizacji danych medycznych wykorzystującą do przenoszenia informacji format PDF.
Co więcej, w trakcie trwania prac przygotowano niezbędne oprogramowanie, prze-prowadzono szczegółowe analizy statystyczne potwierdzające poprawność działa opra-cowanych procedur oraz wytyczono dalsze kierunki i możliwości badań.
Przedstawiona rozprawa doktorska dotyczy aktualnej problematyki badawczej i stanowi nowoczesne podejście do problemu analizy i wizualizacji danych uzyskanych metodami Obrazowania Medycznego. Warto zwrócić uwagę na fakt, iż opracowane w pracy metody zostały w dużym stopniu oprogramowane, a uzyskane wyniki poddane szczegółowej analizie statystycznej, udowadniającej poprawność działania procedur.
Przedstawione w pracy wyniki pozwalają mieć nadzieję na efektywne wykorzystanie opracowanych metod w praktyce klinicznej.
Do najważniejszych osiągnięć uzyskanych w pracy zaliczyć można:
∙ podjęcie tematu segmentacji tkanki kostnej z niskiej jakości danych uzyskanych nieinwazyjną metodą Rezonansu Magnetycznego i uzyskanie dodatkowej wiedzy niezbędnej do przeprowadzenia badań,
∙ analizę, wybór i oprogramowanie rozwiązań komputerowej analizy obrazu opar-tych na metodach sztucznej inteligencji - uczeniu maszynowym i głębokim ucze-niu,
∙ opracowanie i oprogramowanie własnej metody korekcji niejednorodności nasy-cenia obrazów uzyskanych metodą Rezonansu Magnetycznego, przystosowanej dla wizualizacji tkanki kostnej,
∙ przygotowanie bazy danych oraz własnego oprogramowania, wykorzystywanych do uczenia modeli klasyfikacji i segmentacji danych uzyskanych metodą Rezo-nansu Magnetycznego,
∙ przeprowadzenie szczegółowych testów statystycznych dla różnych metod i al-gorytmów dostępnych w literaturze, pozwalających na wybór najlepszego roz-wiązania,
∙ przeprowadzenie szczegółowej analizy statystycznej wybranego rozwiązania oraz jego generalizacji na niezależne zbiory danych,
∙ opracowanie metody budowy modeli trójwymiarowych na bazie uzyskanych wy-ników segmentacji niskiej jakości danych z badań metodą Rezonansu Magne-tycznego,
∙ opracowanie metody Cyfrowo Rekonstruowanego Radiogramu z danych uzyska-nych metodą Tomografii Komputerowej,
∙ opracowanie i oprogramowanie metody dostępnej trójwymiarowej wizualizacji danych medycznych.
Ze względu na szeroki zakres badań prowadzonych w celu opracowania metod i znalezienia statystycznie najlepszych rozwiązań, niektóre procedury do pełnej auto-matyzacji wymagają implementacji dodatkowych algorytmów znanych z literatury i w większości dostępnych w postaci otwartego kodu lub gotowych bibliotek. W pra-ce skupiono się głównie na zagadnieniach naukowo-badawczych, częściowo pomijając wspomniane aspekty techniczne.
9.1 Automatyzacja tworzenia modeli wirtualnych z Rezonansu Magnetycznego
Niska jakość danych (Rozdz. 2.1, 5.1.1 i 7.1.1), przystosowanych do ręcznej analizy wy-konywanej przez ekspertów (lekarzy radiologów) sprawia, że standardowe, powszechnie wykorzystywane metody segmentacji (Rozdz. 2.3) i budowy modeli trójwymiarowych (Rozdz. 2.4) nie są w stanie poprawnie odwzorować geometrii (Rozdz. 8.1) tkanek.
Opracowana metoda pokonała problem niskiej jakości danych poprzez zastosowa-nie wieloetapowego Uczenia Maszynowego (Rozdz. 5.1) opartego na Konwolucyjnych Sieciach Neuronowych (Rozdz. 4.2) oraz Modelu Aktywnego Wyglądu (Rozdz. 4.3).
Opracowane rozwiązanie podzielić można na etapy: filtracji wstępnej (Rozdz. 5.1.2), detekcji kręgów (Rozdz. 5.1.3), segmentacji wykorzystującej cechy charakterystyczne kręgów (Rozdz. 5.1.4) oraz budowy modeli trójwymiarowych (Rozdz. 5.1.5). Szczegó-łowe podsumowanie działania metody oraz kierunki dalszych działań znaleźć można w rozdziale Dyskusja i wnioski (Rozdz. 8.1).
Uzyskane na poszczególnych etapach działania algorytmu wyniki, na poziomie 99.06% (Rozdz. 6.1.1) dla klasyfikacji z wykorzystaniem głębokich Konwolucyjnych Sieci Neuronowych i 91.37% (Rozdz. 6.1.2 - 6.1.5) dla szczegółowej segmentacji tkanek z wykorzystaniem Modelu Aktywnego Wyglądu, można uznać za bardzo dobre.
Uzyskane wyniki klasyfikacji obrazów (Rozdz. 6.1.1) można poprawić poprzez opracowanie lepszej Konwolucyjnej Sieci Neuronowej opartej na najnowszych rozwią-zaniach w tej dziedzinie [78, 79, 96, 161] oraz zwiększenie i podniesienie jakości bazy danych uczących (Rozdz. 8.1).
W celu uzyskania lepszych wyników segmentacji tkanek (Rozdz. 6.1.2 - 6.1.5), do przedstawionej metody wykorzystującej Model Aktywnego Wyglądu, należałoby wprowadzić własny algorytm inicjalizacji cech charakterystycznych. Co więcej, podob-nie jak w procesie klasyfikacji, zwiększepodob-nie i podpodob-niesiepodob-nie jakości bazy danych uczących również poprawiłoby wyniki i stabilność działania metody (Rozdz. 8.1).
9.2 Specjalistyczne metody pomiarowe w przygo-towaniu przedoperacyjnym
9.2.1 Rozszerzona Wizualizacja Osiowa Kręgosłupa
W pracy przedstawiono również rozwiniętą wraz z Kliniką Chorób Kręgosłupa i Orto-pedii Dziecięcej Uniwersytetu Medycznego im. Karola Marcinkowskiego w Poznaniu metodę wizualizacji kręgosłupa w płaszczyźnie osiowej (Rozdz. 5.2.1). Ze względu na różne pozycje pacjenta podczas badań dla prawidłowej analizy opracowano metodę Cyfrowo Rekonstruowanego Radiogramu.
Opracowana metoda Cyfrowo Rekonstruowanego Radiogramu (Rozdz. 5.2.1) po-zwala na tworzenie obrazów z badań metodą Tomografii Komputerowej, a uzyskiwane za jej pomocą wyniki rekonstrukcji cechują się wysoką jakością (Rozdz. 6.2.1). Dzia-łanie algorytmu przetestowano również na badaniach uzyskanych metodą Rezonansu Magnetycznego, jednak ze względu na niską rozdzielczość podstawowego badania oraz wynikającą z niej niską rozdzielczość finalnego Cyfrowo Zrekonstruowanego Radiogra-mu, nie były one w stanie zastąpić oryginalnego Radiogramu Komputerowego (Rozdz.
7.2.1).
9.2.2 Dostępna trójwymiarowa wizualizacja danych medycz-nych
Opracowana i przedstawiona w pracy metoda dostępnej trójwymiarowej wizualizacji danych medycznych (Rozdz. 5.2.2) pozwala na łatwą i szybką wizualizację oraz ana-lizę geometrii tkanek na dowolnym komputerze i współczesnych urządzeniach mobil-nych (Rozdz. 7.2.2). Rozwiązanie to zwiększa dostępność instytucji nie posiadających własnej pracowni Tomografii Komputerowej lub Rezonansu Magnetycznego do spe-cjalistycznych metod pomiarowych. Co więcej, mały rozmiar wyjściowych plików .pdf (Rozdz. 6.2.2) pozwala na łatwe przesyłanie wyników pomiędzy poszczególnymi pla-cówkami i lekarzami, ułatwiając konsultacje z najlepszymi specjalistami z dowolnego miejsca na świecie.