Cinética de renderizado y relación de hardware para la digitalización de imágenes del Neurobanco de la Universidad de Antioquia
Rendering Kinetics and Hardware Relationship for the Digitization of Images of the Neurobank of the University of Antioquia
Contenido principal del artículo
Resumen
Los cortes encefálicos en regiones anatómicas específicas, son claves para el entendimiento y descripción de algunas patologías relacionadas con enfermedades neurodegenerativas, el procesamiento de imágenes es un área emergente que permite la digitalización de la información, para la creación de un banco digital a partir de las imágenes de los cortes de encéfalo en la línea de investigación del Neurobanco del Grupo de Neurociencias de Antioquia. El software utilizado para el procesamiento de las imágenes fue Agisoft© Metashape, con el cual se hace el renderizado tridimensional de las fotos, ya que es clave conocer las condiciones de hardware para explorar las potencialidades del render en el software, para un menor tiempo, considerando conceptos de mask_tie point y mask_key point, unidades de procesamiento de cómputo y unidades de procesamiento gráfico. Los conjuntos de software obtenidos, cálculos cinéticos y relación de procesamiento independiente y combinado de gráfico, se determina que el mejor conjunto de hardware desde un aspecto técnico y funcional es un computador de escritorio con la combinación de una unidad de procesamiento Intel-i7 8700 con una tarjeta de video GTX 1060. No obstante, respecto a una relación de economía, el mejor hardware es Intel i5 9400 con una tarjeta de video GTX 1660, dado a que esta combinación da una mayor potencia en el procesamiento de imagen tridimensional, que un hardware con solo procesador, así este sea de alta potencia. Finalmente, como aspecto relevante, se espera complementar el análisis a partir del estudio de un conjunto de hardware de la compañía Radeon, que ofrece alternativas como las tarjetas de video AMD Rx 5700XT.
Descargas
Detalles del artículo
Referencias (VER)
Beltran, R. S. et al. (2018) ‘An evaluation of three-dimensional photogrammetric and morphometric techniques for estimating volume and mass in Weddell seals Leptonychotes weddellii’, PLoS ONE, 13(1), pp. 1–15. doi: 10.1371/journal.pone.0189865.
Fathi, H. and Brilakis, I. (2011) ‘Automated sparse 3D point cloud generation of infrastructure using its distinctive visual features’, Advanced Engineering Informatics. Elsevier Ltd, 25(4), pp. 760–770. doi: 10.1016/j.aei.2011.06.001.
Goodbody, T. R. H., Coops, N. C. and White, J. C. (2019) ‘Digital Aerial Photogrammetry for Updating Area-Based Forest Inventories: A Review of Opportunities, Challenges, and Future Directions’, Current Forestry Reports. Current Forestry Reports, pp. 55–75. doi: 10.1007/s40725-019-00087-2.
Gray, P. C. et al. (2019) ‘Drones and convolutional neural networks facilitate automated and accurate cetacean species identification and photogrammetry’, Methods in Ecology and Evolution, 10(9), pp. 1490–1500. doi: 10.1111/2041-210X.13246.
Harris Geospatial Solutions, I. (2020) Collect and Edit Tie Points, L3Harris Geospatial solutions. Available at: https://www.harrisgeospatial.com/docs/CollectingEditingTiePoints.html (Accessed: 11 February 2020).
Julien, Fauqueur, Nick , Kingsbury and Ryan, A. (2006) ‘Multiscale keypoint detection using the dual-tree complex wavelet tranform’, IEEE Computer Graphics and Applications. doi: 10.1109/ICIP.2006.312656.
Lai, J. Y. et al. (2018) ‘A high-resolution texture mapping technique for 3D textured model’, Applied Sciences (Switzerland), 8(11). doi: 10.3390/app8112228.
Lane, S. N., Richards, K. S. and Chandler, J. H. (1993) ‘Developments in photogrammetry; the geomorphological potential’, Progress in Physical Geography, 17(3), pp. 306–328. doi: 10.1177/030913339301700302.
Levine, J. A., Paulsen, R. R. and Zhang, Y. (2012) ‘Mesh processing in medical-image analysis-a Tutorial’, IEEE Computer Graphics and Applications. IEEE, 32(5), pp. 22–28. doi: 10.1109/MCG.2012.91.
Mikrut, S., Mikrut, Z. (1992) ‘Neural Networks in the Automation of Photogrammetric’, The international archives of the photogrammetry, remote sensing and spatial information sciences, 1988(4), pp. 331–336.
Nvidia (1995) GEForces-Gtx serie 10, Nvidia Corporation. Available at: https://www.nvidia.com/es-la/geforce/products/ (Accessed: 11 February 2020).
R&D work Agisoft LLC (2006) Agisoft-metashape software, Agisoft software solution. Available at: https://www.agisoft.com/ (Accessed: 11 February 2020).
Radeon (1969) AMD-Radeon Rx-5700 XT, Silicon valley. Available at: https://www.amd.com/es/corporate/about-amd (Accessed: 11 February 2020).
Schenk, T. (2005) Introduction of Photogrammetry, The Ohio State University. Available at: http://www.mat.uc.pt/~gil/downloads/IntroPhoto.pdf (Accessed: 11 February 2020).
Song, Z., Mu, X. and Zhou, H. X. (2017) ‘High Performance Computing of Complex Electromagnetic Algorithms Based on GPU/CPU Heterogeneous Platform and Its Applications to em Scattering and Multilayered Medium Structure’, International Journal of Antennas and Propagation, 2017. doi: 10.1155/2017/9173062.
Su, Hang, Jampani, Varun, Sun, Deqing, Maji, Subhransu, Kalogerakis, evangelos, Yang, Ming Hsuan, Kautz, J. (2018) ‘SPLATNet : Sparse Lattice Networks for Point Cloud Processing’, Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, pp. 2530–2539. Available at: http://openaccess.thecvf.com/content_cvpr_2018/papers/Su_SPLATNet_Sparse_Lattice_CVPR_2018_paper.pdf.
Teodoro, G. et al. (2017) ‘Application Performance Analysis and Efficient Execution on Systems with multi-core CPUs, GPUs and MICs: A Case Study with Microscopy Image Analysis’, International Journal of High Performance Computing Applications, pp. 1–39. doi: 10.1177/1094342015594519.Application.
Uchida, S. (2013) ‘Image processing and recognition for biological images’, Development Growth and Differentiation, 55(4), pp. 523–549. doi: 10.1111/dgd.12054.