3 d авто: Автотовары и автоаксессуары оптом. Продажа автомобильных аксессуаров с доставкой по всей России. Товары торговой марки SKYWAY. // Интернет-магазин 3Davto.ru

За 30 лет в бизнесе

Мы внедряли, развивались и производственные услуги по уходу за автомобилями для сообщества DIE, DIE, DIE, для сообщества DIE, DIE, DIE, для сообщества DIE, DIE, для сообщества DIE, DIE, для сообщества DIE, DIE, для сообщества DIE, DIE,

. Профессиональные деталировщики и кузовные мастерские по всему миру. Мы работаем на доверии и стремимся предоставлять продукцию высочайшего качества по лучшей цене!

Популярный

Новый

Нет в наличии

Бусины это вверх

Артикул: 440OZ16

ТИП ПРОДУКТА: Решения для автомойки

$14,99

Размер: 16 унций

16 унций

1 галлон

16 унций 1 галлон

Популярный

Новый

Нет в наличии

Последнее прикосновение

Артикул: 403OZ16

ТИП ПРОДУКТА: Решения для автомойки

$14,99

ВЫБЕРИТЕ ВАРИАНТ:16 унций

16 унций

1 галлон

16 унций 1 галлон

Горячий

Новый

Нет в наличии

Очиститель салона LVP

Артикул: 112OZ16

ТИП ПРОДУКТА: Кожа и винил

$14,99

ВЫБЕРИТЕ ВАРИАНТ:16 унций

16 унций

1 галлон

16 унций 1 галлон

Горячий

Новый

Нет в наличии

Розовое автомобильное мыло

Артикул: 202OZ16

ТИП ПРОДУКТА: Решения для автомоек

$13,99

ВЫБЕРИТЕ ВАРИАНТ:16 унций

16 унций

1 галлон

16 унций 1 галлон

Популярный

Новый

Нет в наличии

Зеленые полотенца из микрофибры

Артикул: G-41G

ТИП ПРОДУКТА: Полотенца

1,99 доллара США

Размер: 1 полотенце

1 полотенце

1 полотенце

Популярный

Новый

Нет в наличии

Полироль для металла

Артикул: 602OZ16

ТИП ПРОДУКТА: Решения для автомойки

19,99 долларов США

Размер: 16 унций

16 унций

1 галлон

16 унций 1 галлон

Популярный

Новый

Нет в наличии

ОДИН

Артикул: 400OZ8

ТИП ПРОДУКТА: Решения для автомойки

19,99 долларов США

ВЫБЕРИТЕ ВАРИАНТ:8 унций

8 унций

16 унций

32 унции

1 галлон

8 унций16 унций32 унции1 галлон

Популярный

Новый

Нет в наличии

СКОРОСТЬ

Артикул: 425OZ8

ТИП ПРОДУКТА: Решения для мойки автомобилей

19,99 долларов США

ВЫБЕРИТЕ ВАРИАНТ:8 унций

8 унций

16 унций

32 унции

8 унций16 унций32 унции

Популярный

Новый

Нет в наличии

ACA 510 Премиальная полировальная паста

Артикул: 510OZ8

ТИП ПРОДУКТА: Автомобильные воски, полироли и защитные средства

29,99 долларов США

Размер: 8 унций

8 унций

32 унции

1 галлон

8 унций32 унции1 галлон

Популярный

Новый

Нет в наличии

ПОКСИ

Артикул: 422OZ8

ТИП ПРОДУКТА: Решения для автомойки

19,99 долларов США

ВЫБЕРИТЕ ВАРИАНТ:8 унций

8 унций

16 унций

32 унции

8 унций16 унций32 унции

ПОПУЛЯРНЫЕ КАТЕГОРИИ

КРАСКА И ОТДЕЛКА

ИНТЕРЬЕР

КОЛЕСА И ДВИГАТЕЛИ

ПОКРЫТИЯ И ГЕРМЕТИКИ

Действительно ли работает чистка фар зубной пастой?

Автомобильные фары являются важным компонентом вашего автомобиля. Ведь без них практически невозможно ездить ночью или в плохую видимость. Дополнительно фары уведомляют водителей о

14 сентября 2022 г.

ПОДРОБНЕЕ

6 простых альтернатив автомойке зимой

Большинство водителей избегают мойки зимой. В конце концов, у всех машины зимой выглядят немного грязными, верно? Хотя полный отказ от мойки автомобиля может показаться заманчивым, мы не рекомендуем этого делать. Depen

14 сентября 2022 г.

ПОДРОБНЕЕ

Как удалить жуков из автомобиля и держать их подальше

Летающие насекомые и жуки — они могут быть маленькими, но они могут быть огромной проблемой! Неизбежно врезаться в летающих жуков. Если вы едете на машине на любое расстояние, велика вероятность, что вы пролетите

08 сентября 2022 г.

ПОДРОБНЕЕ

Жидкий воск или пастообразный воск? Что светит дольше всех?

Вопрос: Что светит дольше, пастообразный воск или жидкий воск? Ответ: Если вы выберете воск качественной марки, блеск будет сохраняться примерно одинаковое время, независимо от формы воска. Чем больше я

08 сентября 2022 г.

ПОДРОБНЕЕ

3D ONE

Быстрый и простой в использовании.

3D ОРАНЖЕВЫЙ ОБЕЗЖИРИВАТЕЛЬ

Очистите с помощью силы D-лимонена.

3D SPEED

Best All In One Полироль и герметик.

3D-печать для автомобилей | 3D Системы

Применение аддитивного производства в автомобильной промышленности

• Оптимизируйте физическое, функциональное и визуальное восприятие кабины. Не требуя дорогостоящих инструментов, наши решения для аддитивного производства позволяют создавать лучшие прототипы концептуальных автомобилей. Вы можете сделать их с реалистичной текстурой и отделкой поверхности, которые можно напечатать, покрыть, покрасить и обернуть напрямую. Кроме того, вы можете создавать такие инновации, как системы крепления и встроенные защелки, чтобы обеспечить новые методы проектирования для производства и обслуживания.

Сотрудничество с вами для улучшения автомобильного дизайна и разработки

Посмотрите один из наших автомобильных вебинаров

Поговорите с экспертом

Для использования этой формы у вас должен быть включен JavaScript.

Имя

Фамилия

Деловая электронная почта

Компания

Страна — Select Country —AfghanistanAlbaniaAlgeriaAmerican SamoaAndorraAngolaAnguillaAntarcticaAntigua & BarbudaArgentinaArmeniaArubaAscension IslandAustraliaAustriaAzerbaijanBahamasBahrainBangladeshBarbadosBelarusBelgiumBelizeBeninBermudaBhutanBoliviaBosnia & HerzegovinaBotswanaBouvet IslandBrazilBritish Indian Ocean TerritoryBritish Virgin IslandsBruneiBulgariaBurkina FasoBurundiCambodiaCameroonCanadaCanary IslandsCape VerdeCaribbean NetherlandsCayman IslandsCentral African RepublicCeuta & MelillaChadChileChinaChristmas IslandClipperton IslandCocos (Keeling) IslandsColombiaComorosCongo — BrazzavilleCongo — KinshasaCook IslandsCosta RicaCroatiaCuraçaoCyprusCzechiaCôte d’IvoireDenmarkDiego GarciaDjiboutiDominicaDominican RepublicEcuadorEgyptEl SalvadorEquatorial GuineaEritreaEstoniaEswatiniEthiopiaFalkland IslandsFaroe IslandsFijiFinlandFranceFrench GuianaFrench ПолинезияФранцузские южные территорииГабонГамбияГрузияГерманияГанаГибралтарГрецияГренландияГренадаГваделупаГуамГватемалаГернсиГу ineaGuinea-BissauGuyanaHaitiHeard & McDonald IslandsHondurasHong Kong SAR ChinaHungaryIcelandIndiaIndonesiaIraqIrelandIsle of ManIsraelItalyJamaicaJapanJerseyJordanKazakhstanKenyaKiribatiKosovoKuwaitKyrgyzstanLaosLatviaLebanonLesothoLiberiaLibyaLiechtensteinLithuaniaLuxembourgMacao SAR ChinaMadagascarMalawiMalaysiaMaldivesMaliMaltaMarshall IslandsMartiniqueMauritaniaMauritiusMayotteMexicoMicronesiaMoldovaMonacoMongoliaMontenegroMontserratMoroccoMozambiqueMyanmar (Burma)NamibiaNauruNepalNetherlandsNetherlands AntillesNew CaledoniaNew ZealandNicaraguaNigerNigeriaNiueNorfolk IslandNorthern Mariana IslandsNorth MacedoniaNorwayOmanOutlying OceaniaPakistanPalauPalestinian TerritoriesPanamaPapua New GuineaParaguayPeruPhilippinesPitcairn IslandsPolandPortugalPuerto RicoQatarRomaniaRussiaRwandaRéunionSamoaSan MarinoSaudi ArabiaSenegalSerbiaSeychellesSierra LeoneSingaporeSint MaartenSlovakiaSloveniaSolomon IslandsSomaliaSouth AfricaSouth Georgia & South Sandwich IslandsSouth KoreaSouth SudanSpai nШри-ЛанкаРеспублика Судан (Северный Судан)St. Бартелеми Св. ЕленаСв. Китс и НевисСент. Люсия Св. МартинСт. Пьер и МикелонСв. Винсент и ГренадиныСуринамШпицберген и Ян-МайенШвецияШвейцарияСан-Томе и ПринсипиТайваньТаджикистанТанзанияТаиландТимор-ЛештиТогоТокелауТонгаТринидад и ТобагоТристан-да-КуньяТунисТурцияТуркменистанОстрова Теркс и КайкосТувалуСША. Отдалённые островаСША Виргинские островаУгандаУкраинаОбъединенные Арабские ЭмиратыВеликобританияСоединенные ШтатыУругвайУзбекистанВануатуВатиканВенесуэлаВьетнамУоллис и ФутунаЗападная СахараЙеменЗамбияЗимбабвеАландские острова

Состояние — Select State —Buenos AiresCatamarcaChacoChubutCiudad Autónoma de Buenos AiresCórdobaCorrientesEntre RíosFormosaJujuyLa PampaLa RiojaMendozaMisionesNeuquénRío NegroSaltaSan JuanSan LuisSanta CruzSanta FeSantiago del EsteroTierra del FuegoTucumánAustralian Capital TerritoryNew South WalesNorthern TerritoryQueenslandSouth AustraliaTasmaniaVictoriaWestern AustraliaBurgenlandKärntenNiederösterreichOberösterreichSalzburgSteiermarkTirolVorarlbergWienAcreAlagoasAmapáAmazonasBahiaCearáDistrito FederalEspírito SantoGoiásMaranhãoMato GrossoMato Grosso do SulMinas GeraisParáParaíbaParanáPernambucoPiauíRio de JaneiroRio Grande do NorteRio Grande do SulRondôniaRoraimaSanta CatarinaSão PauloSergipeTocantinsAlbertaBritish ColumbiaManitobaNew BrunswickNewfoundland и ЛабрадорСеверо-Западные территорииНовая ШотландияНунавутОнтариоОстров Принца ЭдуардаКвебекСаскачеванЮконские территорииАйсен-дель-Хенерал Карлос Ибаньес дель КампоАнтофагастаАрауканияАрика-и-ПаринакотаАтакамаБио-БиоКокимбоЛибертадор-Генерал Берна rdo O’HigginsLos LagosLos RíosMagallanesMauleRegión Metropolitana de SantiagoTarapacáValparaísoAnhuiBeijingChinese TaipeiChongqingFujianGansuGuangdongGuangxiGuizhouHainanHebeiHeilongjiangHenanHong KongHubeiHunanJiangsuJiangxiJilinLiaoningMacaoNei MongolNingxiaQinghaiShaanxiShandongShanghaiShanxiSichuanTianjinXinjiangXizangYunnanZhejiangÎle-de-FranceOccitanieAuvergne-Rhône-AlpesBourgogne-Franche-ComtéBretagneCentre-Val de LoireCorseGrand EstHauts-de-FranceJuraNormandieNouvelle-AquitainePays de la LoireProvence-Alpes-Côte d’AzurBaden-WürttembergBayernBerlinBrandenburgBremenHamburgHessenMecklenburg-VorpommernNiedersachsenNordrhein- WestfalenRheinland-PfalzSaarlandSachsenSachsen-AnhaltSchleswig-HolsteinThüringenAndaman and Nicobar IslandsAndhra PradeshArunachal PradeshAssamBiharChandigarhChhattisgarhDadra and Nagar HaveliDaman and DiuDelhiGoaGujaratHaryanaHimachal PradeshJammu and KashmirJharkhandKarnatakaKeralaLakshadweepMadhya PradeshMaharashtraManipurMeghalayaMizoramNagalandOdishaPuduche rryPunjabRajasthanSikkimTamil NaduTripuraUttar PradeshUttarakhandWest BengalCarlowCavanClareCorkDonegalDublinGalwayKerryKildareKilkennyLaoisLeitrimLimerickLongfordLouthMayoMeathMonaghanOffalyRoscommonSligoTipperaryWaterfordWestmeathWexfordWicklowAgrigentoAlessandriaAnconaAostaArezzoAscoli PicenoAstiAvellinoBariBarletta-Andria-TraniBellunoBeneventoBergamoBiellaBolognaBolzanoBresciaBrindisiCagliariCaltanissettaCampobassoCarbonia-IglesiasCasertaCataniaCatanzaroChietiComoCosenzaCremonaCrotoneCuneoEnnaFermoFerraraFirenzeFoggiaForlì-CesenaFrosinoneGenovaGoriziaGrossetoImperiaIserniaLa SpeziaL’AquilaLatinaLecceLeccoLivornoLodiLuccaMacerataMantovaMassa — CarraraMateraMedio CampidanoMessinaMilanoModenaMonza e BrianzaNapoliNovaraNuoroOgliastraOlbia-TempioOristanoPadovaPalermoParmaPaviaPerugiaPesaro e UrbinoPescaraPiacenzaPisaPistoiaPordenonePotenzaPratoRagusaRavennaReggio CalabriaReggio EmiliaRietiRiminiRomaRovigoSalernoSassariSavonaSienaSondrioSiracusaTarantoTeramoTerniTrapaniTrentoTrevisoTries teTorinoUdineVareseVeneziaVerbano-Cusio-OssolaVercelliVeronaVibo ValentiaVicenzaViterboAichiAkitaAomoriChibaEhimeFukuiFukuokaFukushimaGifuGunmaHiroshimaHokkaidoHyogoIbarakiIshikawaIwateKagawaKagoshimaKanagawaKochiKumamotoKyotoMieMiyagiMiyazakiNaganoNagasakiNaraNiigataOitaOkayamaOkinawaOsakaSagaSaitamaShigaShimaneShizuokaTochigiTokushimaTokyoTottoriToyamaWakayamaYamagataYamaguchiYamanashiBusanDaeguDaejeonGangwonGwangjuGyeonggiIncheonJejuNorth ChungcheongNorth GyeongsangNorth JeollaSeoulSouth ChungcheongSouth GyeongsangSouth JeollaUlsanJohorKedahKelantanMelakaNegeri SembilanPahangPerakPerlisPulau PinangSabahSarawakSelangorTerengganuWilayah Persekutuan Kuala LumpurWilayah Persekutuan LabuanWilayah Persekutuan PutrajayaAguascalientesBaja CaliforniaBaja California SurCampecheChiapasChihuahuaCoahuilaColimaDurangoFederal DistrictGuanajuatoGuerreroHidalgoJaliscoMexico StateMichoacánMorelosNayaritNuevo LeónOaxacaPueblaQuerétaroQuintana RooSan Luis PotosíSinaloaSonoraTabascoTamaulipasTlaxcalaVer acruzYucatánZacatecasŚląskieŁódzkieŚwiętokrzyskieDolnośląskieKujawsko-pomorskieLubelskieLubuskieMałopolskieMazowieckieOpolskiePodkarpackiePodlaskiePomorskieWarmińsko-mazurskieWielkopolskieZachodniopomorskieAdygeya, RespublikaAltay, RespublikaAltayskiy krayAmurskaya oblast’Arkhangel’skaya oblast’Astrakhanskaya oblast’Bashkortostan, RespublikaBelgorodskaya oblast’Bryanskaya oblast’Buryatiya, RespublikaChechenskaya RespublikaChelyabinskaya oblast’Chukotskiy avtonomnyy okrugChuvashskaya RespublikaDagestan, RespublikaIngushetiya, RespublikaIrkutskaya oblast’Ivanovskaya oblast’Kabardino-Balkarskaya RespublikaKaliningradskaya oblast’Kalmykiya, RespublikaKaluzhskaya oblast’Kamchatskiy krayKarachayevo-Cherkesskaya RespublikaKareliya, RespublikaKemerovskaya oblast’Khabarovskiy krayKhakasiya, RespublikaKhanty-Mansiyskiy avtonomnyy okrug-YugraKirovskaya oblast’Komi, RespublikaKostromskaya oblast’Krasnodarskiy krayKrasnoyarskiy krayKurganskaya oblast’Kurskaya oblast’Leningradskaya oblast’Lipetskaya oblast’Magadanskaya oblast’Mariy El, RespublikaMordoviya, RespublikaMoskovskaya oblast’MoskvaMurmanskaya oblast’Nenetskiy avtonomnyy okrugNizhegorodskaya oblast’Novgorodskaya oblast’Novosibirskaya oblast’Omskaya oblast’Orenburgskaya oblast’Orlovskaya oblast’Penzenskaya oblast’Permskiy krayPrimorskiy krayPskovskaya oblast’Rostovskaya oblast’Ryazanskaya oblast’ Саха, РеспубликаСахалинская область’Самарская область’Санкт-ПетербургСаратовская область’Северная Осетия-Алания, РеспубликаСмоленская область’Ставропольский крайСвердловская область’Тамбовская область’Татарстан, РеспубликаТомская область’Тульская область’Тверская областьУниверситетская РеспубликаТюменская область,Тюменская область ‘Яновская область’Владимирская область’Волгоградская область’Вологодская область’Воронежская область’Ямало-Ненецкий автономный округЯрославская область’Еврейская автономная область’Забайкальский крайЦентральный СингапурСеверо-ВостокСеверо-ЗападЮг ВостокЮг-ЗападКоруньяАлава / АрабаАльбасетеАликанте / AlacantAlmeríaAsturiasÁvilaBadajozBalearsBarcelonaBurgosCáceresCádizCantabriaCastellón / CastellóCiudad RealCórdobaCuencaGironaGranadaGuadalajaraGuipúzcoa / GipuzkoaHuelvaHuescaJaénLa RiojaLas PalmasLeónLleidaLugoMadridMálagaMurciaNavarra / NafarroaOurensePalenciaPontevedraSalamancaSanta Cruz de TenerifeSegoviaSevillaSoriaTarragonaTeruelToledoValencia / ValènciaValladolidVizcaya / BizkaiaZamoraZaragozaAargauAppenzell AusserrhodenAppenzell InnerrhodenBasel-LandschaftBasel-StadtBernFribourgGenèveGlarusGraubündenJuraLuzernNeuchâtelNidwaldenObwaldenSankt GallenSchaffhausenSchwyzSolothurnThurgauTicinoUriValaisVaudZugZürichChanghua CountyChiayi CityChiayi CountyHsinchu CityHsinchu CountyHualien CountyKaohsiung CityKaohsiung CountyKeelung CityMiaoli CountyNantou CountyPenghu CountyPingtung CountyTaichung CityTaichung CountyTainan CityTainan CountyTaipei CityTaipei CountyTaitung CountyTaoyuan CountyYilan CountyYunlin CountyŞırnakŞanlıurfaİstanbulİzmirAğrıAd?yamanAdanaAfyonkarahisarAksarayAmas yaAnkaraAntalyaArdahanArtvinAydınBalıkesirBartınBatmanBayburtBilecikBingölBitlisBoluBurdurBursaÇanakkaleÇankırıÇorumDenizliDiyarbakırDüzceEdirneElazığErzincanErzurumEskişehirGaziantepGiresunGümüşhaneHakkâriHatayIğdırIspartaKırşehirKırıkkaleKırklareliKahramanmaraşKarabükKaramanKarsKastamonuKayseriKilisKocaeliKonyaKütahyaMalatyaManisaMardinMersinMuşMuğlaNevşehirNiğdeOrduOsmaniyeRizeSakaryaSamsunSiirtSinopSivasTekirdağTokatTrabzonTunceliUşakVanYalovaYozgatZonguldakCrimeaCherkasyChernihivChernivtsiDnipropetrovskDonetskIvano-FrankivskKharkivKhersonKhmelnytskyiKirovohradKyivLuhanskLvivMykolaivOdesaPoltavaRivneSumyTernopilVinnytsiaVolynZakarpattiaZaporzhzhiaZhytomyrAberdeen CityAberdeenshireAngusAntrimArgyll and ButeArmaghAvonBanffshireBedfordshireBerkshireBlaenau GwentBordersBridgendBristolBuckinghamshireCaerphillyCambridgeshireCardiffCarmarthenshireCeredigionChannel IslandsCheshireClackmannanshireClevelandConwyCornwallCumbriaDenbighshireDerbyshireDevonDorsetDownDumfries and GallowayDurhamEa st AyrshireEast DunbartonshireEast LothianEast RenfrewshireEast Riding of YorkshireEast SussexEdinburghEssexFalkirkFermanaghFifeFlintshireGlasgowGloucestershireGreater ManchesterGwyneddHampshireHerefordshireHertfordshireHighlandHumbersideInverclydeIsle of AngleseyIsle of ManIsle of WightIsles of ScillyKentLancashireLeicestershireLincolnshireLondonLondonderryMerseysideMerthyr TydfilMiddlesexMidlothianMonmouthshireMorayNeath Port TalbotNewportNorfolkNorth AyrshireNorth East LincolnshireNorth LanarkshireNorth YorkshireNorthamptonshireNorthumberlandNottinghamshireOrkneyOuter HebridesOxfordshirePembrokeshirePerthshire and KinrossPowysRenfrewshireRhondda, Cynon, TaffRoxburghshireRutlandShetlandShropshireSomersetSouth AyrshireSouth LanarkshireSouth YorkshireStaffordshireStirlingSuffolkSurreySwanseaTorfaenTyne and WearTyroneVale of GlamorganWarwickshireWest DunbartonshireWest LothianWest MidlandsWest SussexWest YorkshireWiltshireWorcestershireWrexhamAlabamaAlaskaAmerican SamoaArizonaArkansasCa liforniaColoradoConnecticutDelawareDistrict of ColumbiaFederated MicronesiaFloridaGeorgiaGuamHawaiiIdahoIllinoisIndianaIowaKansasKentuckyLouisianaMaineMarshall IslandsMarylandMassachusettsMichiganMinnesotaMississippiMissouriMontanaNebraskaNevadaNew HampshireNew JerseyNew MexicoNew YorkNorth CarolinaNorth DakotaNorthern Mariana IslandsOhioOklahomaOregonPalauPennsylvaniaPuerto RicoRhode IslandSouth CarolinaSouth DakotaTennesseeTexasUnited States Minor Outlying IslandsUS Virgin IslandsUtahVermontVirginiaWashingtonWest VirginiaWisconsinWyoming

Промышленность — Нет — Академические и исследовательские Авиакосмическая и оборонная промышленностьСтоматологияЗдравоохранениеПроизводство и прототипированиеТранспорт и автоспорт

Подотрасль — Select -Medical Device ManufacturersMedical Contract ManufacturersHospital or Medical ClinicMedical SchoolsOther HealthcareDental ClinicsDental Equipment ManufacturersDental LabsDental SchoolsOther DentalMilitary AviationCommercial AviationDefenseSpace & UAVOther Aerospace & DefenseAutomotiveTruck, Bus & RailMotorsportsAftermarket & ServiceRecreation & MarineOther Transportation3D Printing Service BureausFoundriesElectronics & ConnectorsSemiconductorTurbomachineryJewelryConsumer & Durable GoodsOther Manufacturing

Адрес

Почтовый индекс

Должностной уровень — Выберите уровень работы —C-LevelPresident или VPDirectorManagerProfessional StaffConsultant or ContractorIntern or StudentHobbyist

Должностная функция — Выберите должность —Инженерия — Разработка программного обеспечения — Производство оборудования Финансы IT Юридические услуги Маркетинг Закупки Техник по обслуживанию продаж — Техник по обслуживанию оборудования — Другое

Уровень интереса — Выберите интересующий вас уровень —Начало исследованияОценка решений и конкурентовЗаинтересованы в покупке через 1-3 месяцаЗаинтересованы в покупке в течение 3-6 месяцевЗаинтересованы в покупке в течение 6-12 месяцевЯ хотел бы поговорить со специалистом по решениямУ меня проблема или вопрос

Область интереса — Выберите -Принтеры• Профессиональный принтер (ColorJet, MultiJet)• Производственный принтер (SLA, SLS, Metal/DMP)• Рисунок 4• Titan Additive• Другое программное обеспечениеHaptics• HapticsHealthcare• Виртуальное хирургическое планирование• Анатомическое моделирование• Kumovis Additive

3D-принтер — Выберите -MJP• ProJet 2500• ProJet 2500 Plus• ProJet 2500W• ProJet 2500 IC• ProJet 3600• ProJet 5600CJP• ProJet 260 Plus• Projet 360• ProJet 460 Plus• ProJet 660Pro• ProJet 860ProDMP• DMP Flex 100• DMP 200• ProX 200 Flex 200• DMP Flex 350• DMP Factory 350• DMP Factory 500• ProX 100• ProX 300SLS• SLS 6100• SLS 380• sPro 140• sPro 230SLA• SLA 750• ProJet 6000• ProJet 7000• ProX 800• ProX 950Рисунок 4• Рисунок 4 Автономный• Рисунок 4 Модульный• Рисунок 4 Производство• Рисунок 4 Ювелирные изделияNextDent• NextDent 5100Kumovis• Kumovis R1Atlas• Atlas H• Atlas HSMaterialsBioprinter

Программный продукт — Выберите -3D Connect Manage3D Connect Service3D Modeling Services3D Sprint3D Sprint Pro для SLA3DXpertGeomagic Control XGeomagic Design XGeomagic для SOLIDWORKSGeomagic FreeformGeomagic SculptGeomagic TouchGeomagic Touch XGeomagic WrapOpenHapticsPhantom Premium

Область интереса — Select -Проектирование и производство медицинских устройствМедицинские симуляторыАнатомические моделиПрограммное обеспечение D2PСтоматологические услуги по производству и дизайну

Хотите получать специальные предложения, обновления продуктов и новости о событиях от 3D Systems? Нажимая «Да», вы соглашаетесь получать последующие сообщения от 3D Systems или наших партнеров. Вы также можете отказаться от общения в любое время. Нажмите здесь, чтобы ознакомиться с нашей Политикой конфиденциальности, или нажмите здесь, чтобы управлять своими настройками.

Зона интереса — Нет -Модели внешнего видаЛитье из уретанаCJPCNCCNC МеталлЧПУ пластикЛитье под давлениемЦифровая обработка/сканированиеDMPИнженерные проектыFDMЛитье под давлениемИнструментальная оснасткаЛитье по выплавляемым моделямВыкройка для литья по выплавляемым моделямМеталлическое литьеMJPMJP-ElastomersQuick Cast PatternsRIMЛистовой металлSLASLSИнструментыВакуумное литьеВакуумная формовка

Пользовательская область интереса

PPP

PST

Программное обеспечение

Здравоохранение

ODM

Область интереса Требуется

Этот сайт защищен reCAPTCHA. Применяются Политика конфиденциальности и Условия использования Google.

Трехмерные автоконтекстно-ориентированные адаптивные мультимодальные сети GAN для синтеза ПЭТ

[1] Чен В. , «Клинические применения ПЭТ при опухолях головного мозга», Журнал ядерной медицины, том. 48, нет. 9, стр. 1468–1481, 2007. [PubMed] [Google Scholar]

[2] Alessio A, Vesselle H, Lewis D, Matesan M, Behnia F, Suhy J, de Boer B, Maniawski P, and Minoshima S, «Возможность применения низких доз ФДГ для TOF ПЭТ/КТ всего тела в онкологии. workup», Journal of Nuclear Medicine, vol. 53, нет. дополнение 1, стр. 476–476, 2012 г. [Google Scholar]

[3] Lee BJ, Grant AM, Chang C-M, Watkins RD, Glover GH, and Levin CS, «Производительность МРТ в присутствии радиочастотного проникающая вставка для позитронно-эмиссионной томографии (ПЭТ) для одновременной ПЭТ/МРТ», IEEE Transactions on Medical Imaging, 2018. [Бесплатная статья PMC] [PubMed] [Google Scholar]

[4] Delbeke D, Coleman RE, Guiberteau MJ, Brown ML, Royal HD, Siegel BA, Townsend DW, Berland LL, Parker JA и Hubner K, «Руководство по процедуре визуализации опухолей с помощью 18F-FDG PET/CT 1.0 », Журнал ядерной медицины, том. 47, нет. 5, pp. 885–895, 2006. [PubMed] [Google Scholar]

[5] Song Y, Cai W, Huang H, Wang X, Zhou Y, Fulham MJ и Feng DD, «Обнаружение и характеристика поражений с помощью контекстно-зависимая аппроксимация в торакальных ПЭТ-КТ-изображениях ФДГ исследований НМРЛ», транзакции IEEE по медицинской визуализации, том. 33, нет. 2, стр. 408–421, 2014. [PubMed] [Google Scholar]

[6] Huang Y, Shao L, and Frangi AF, «Кросс-модальный синтез изображений посредством слабосвязанного и геометрического совместного обучения словарей», IEEE Transactions on Medical Imaging, 2017. [PubMed] [Google Scholar]

[7] Cao X, Gao Y, Yang J, Wu G и Shen D, «Мультимодальная регистрация изображений на основе обучения для лучевой терапии рака предстательной железы», Международная конференция по вычислениям медицинских изображений и компьютерным вмешательствам, 2016 г., стр. 1–9: Спрингер. [Бесплатная статья PMC] [PubMed] [Google Scholar]

[8] Kang J, Gao Y, Shi F, Lalush DS, Lin W и Shen D, «Прогнозирование изображения ПЭТ головного мозга со стандартной дозой с помощью МРТ и изображений ПЭТ головного мозга с низкой дозой [18F] FDG», Medical физика, вып. 42, нет. 9, pp. 5301–5309, 2015. [Бесплатная статья PMC] [PubMed] [Google Scholar]

[9] Wang Y, Zhang P, An L, Ma G, Kang J, Shi F, Wu X, Zhou J , Лалуш Д.С. и Лин В. «Прогнозирование ПЭТ-изображения со стандартной дозой на основе ПЭТ-изображений с низкой дозой и мультимодальных МРТ-изображений с использованием разреженного представления на основе картирования», Physics in Medicine & Biology, vol. 61, нет. 2, с. 791, 2016. [PubMed] [Google Scholar]

[10] Wang Y, Ma G, An L, Shi F, Zhang P, Lalush DS, Wu X, Pu Y, Zhou J, and Shen D, «Semisupervised изучение словаря для прогнозирования изображения ПЭТ со стандартной дозой с использованием ПЭТ с низкой дозой и мультимодальной МРТ», IEEE Transactions on Biomedical Engineering, vol. 64, нет. 3, pp. 569–579, 2017. [Бесплатная статья PMC] [PubMed] [Google Scholar]

[11] An L, Zhang P, Adeli E, Wang Y, Ma G, Shi F, Lalush DS, Lin W и Шен Д., «Многоуровневый канонический корреляционный анализ для оценки изображения ПЭТ со стандартной дозой», IEEE Transactions on Image Processing, vol. 25, нет. 7, стр. 3303–3315, 2016. [Бесплатная статья PMC] [PubMed] [Google Scholar]

[12] Лю М., Ченг Д., Ван К., Ван Ю и А. с. Инициатива Д. Н., «Многомодальные каскадные сверточные нейронные сети для диагностики болезни Альцгеймера», Нейроинформатика, стр. 1–14, 2018 г. [PubMed] [Google Scholar]

[13] Schlemper J, Caballero J, Hajnal JV, Price A и Рюкерт Д., «Глубокий каскад сверточных нейронных сетей для динамической реконструкции МР-изображений», препринт arXiv arXiv:170402422, 2017. [PubMed] [Google Scholar]

[14] Бахрами К., Ши Ф., Рекик И. и Шен Д., «Сверточная нейронная сеть для реконструкции 7T-подобных изображений с 3T МРТ с использованием внешнего вида и анатомических особенностей», в Deep Learning and Data Labeling for Medical Applications: Springer, 2016, стр. 39.–47. [Google Scholar]

[15] Yuan Y, Chao M и Lo Y-C, «Автоматическая сегментация кожных поражений с использованием глубоких полностью сверточных сетей с расстоянием Жаккара», IEEE Transactions on Medical Imaging, vol. 36, нет. 9, стр. 1876–1886, 2017. [PubMed] [Google Scholar]

[16] де Вос Б.Д., Вольтеринк Дж.М., де Йонг П.А., Лейнер Т., Вьергевер М.А., Ишгум И., «Локализация анатомических Структуры в трехмерных медицинских изображениях», Транзакции IEEE по медицинской визуализации, том. 36, нет. 7, стр. 1470–1481, 2017. [PubMed] [Google Scholar]

[17] Dong C, Loy CC, He K и Tang X, «Суперразрешение изображения с использованием глубоких сверточных сетей», транзакции IEEE по анализу паттернов и машинному интеллекту, том. 38, нет. 2, стр. 295–307, 2016. [PubMed] [Google Scholar]

[18] Li R, Zhang W, Suk H-I, Wang L, Li J, Shen D, and Ji S, «Данные визуализации на основе глубокого обучения завершение для улучшения диагностики заболеваний головного мозга», в Международной конференции по вычислениям медицинских изображений и компьютерным вмешательствам, 2014 г., стр. 305–312: Springer. [Бесплатная статья PMC] [PubMed] [Google Scholar]

[19] Xiang L, Qiao Y, Nie D, An L, Lin W, Wang Q, and Shen D, «Глубокие автоконтекстные сверточные нейронные сети для оценки изображения ПЭТ со стандартной дозой на основе ПЭТ/МРТ с низкой дозой, Нейрокомпьютинг, вып. 267, стр. 406–416, 2017. [Бесплатная статья PMC] [PubMed] [Google Scholar]

[20] Nie D, Trullo R, Lian J, Wang L, Petitjean C, Ruan S, Wang Q и Shen D, «Синтез медицинских изображений с помощью глубоких сверточных состязательных сетей», IEEE Transactions on Biomedical Engineering, 2018, vol. 62, стр. 2720–2730. [Бесплатная статья PMC] [PubMed] [Google Scholar]

[21] Лонг Дж., Шелхамер Э. и Даррелл Т., «Полностью сверточные сети для семантической сегментации», в материалах конференции IEEE по компьютерному зрению и распознаванию образов, 2015 г., стр. 3431–3440. [Google Scholar]

[22] Li Y, Shen L, and Yu S, «Сегментация и классификация изображений образцов HEp-2 с использованием очень глубокой полностью сверточной сети», IEEE Transactions on Medical Imaging, vol. 36, нет. 7, pp. 1561–1572, 2017. [PubMed] [Google Scholar]

[23] Nie D, Trullo R, Lian J, Petitjean C, Ruan S, Wang Q, and Shen D, «Медицинский синтез изображений с учетом контекста». -осведомленные генеративные состязательные сети», в Международной конференции по вычислениям медицинских изображений и компьютерному вмешательству, 2017 г. , стр. 417–425: Springer. [Бесплатная статья PMC] [PubMed] [Google Scholar]

[24] Xiang L, Wang Q, Nie D, Qiao Y и Shen D, «Глубокая встраивание сверточной нейронной сети для синтеза КТ-изображения из T1-взвешенного MR-изображения», препринт arXiv arXiv:170

[25] Роннебергер О., Фишер П. и Брокс Т., «U-net: сверточные сети для сегментации биомедицинских изображений», Международная конференция по обработке медицинских изображений и компьютерному вмешательству, 2015, стр. 234–241: Springer. [Академия Google]

[26] Салехи ССМ, Эрдогмус Д. и Голипур А., «Сверточная нейронная сеть с автоматическим контекстом (авто-сеть) для извлечения мозга при магнитно-резонансной томографии», IEEE транзакции по медицинской визуализации, том. 36, нет. 11, стр. 2319–2330, 2017. [Бесплатная статья PMC] [PubMed] [Google Scholar]

[27] Чичек О., Абдулкадир А., Линкамп С.С., Брокс Т. и Роннебергер О., «3D U-Net: обучение плотная объемная сегментация из разреженных аннотаций», Международная конференция по вычислениям медицинских изображений и компьютерным вмешательствам, 2016 г. , стр. 424–432: Springer. [Академия Google]

[28] Салиманс Т., Гудфеллоу И., Заремба В., Ченг В., Рэдфорд А. и Чен Х. «Улучшенные методы тренировки оружия», в Достижениях в области систем обработки нейронной информации, 2016 г., стр. 2234–2242. [Google Scholar]

[29] Zhang H, Xu T, Li H, Zhang S, Huang X, Wang X и Metaxas D, «Stackgan: преобразование текста в фотореалистичный синтез изображений с помощью сложенных генеративных состязательных сетей», в IEEE. Междунар. конф. вычисл. Видение (ICCV), 2017 г., стр. 5907–5915. [Google Scholar]

[30] Мирза М. и Осиндеро С., «Условные генеративные состязательные сети», препринт arXiv arXiv: 14111784, 2014. [Google Scholar]

[31] Дентон Э.Л., Чинтала С. и Фергус Р., «Глубокие генеративные модели изображений с использованием лапласовской пирамиды состязательных сетей», в Достижениях в области нейронных систем обработки информации, 2015, стр. 1486–1494. [Google Scholar]

[32] Chen X, Duan Y, Houthooft R, Schulman J, Sutskever I, and Abbeel P, «Infogan: интерпретируемое репрезентативное обучение с помощью информации, максимизирующей генеративные состязательные сети», в Advances in Neural Information Processing Systems, 2016. С. 2172–2180. [Академия Google]

[33] Arjovsky M, Chintala S, and Bottou L, «Wasserstein gan», препринт arXiv arXiv:170107875, 2017. [Google Scholar]

[34] Wang Y, Yu B, Wang L, Zu C, Lalush Д.С., Линь В., Ву С., Чжоу Дж., Шен Д. и Чжоу Л., «3D условно-генеративные состязательные сети для оценки высококачественного ПЭТ-изображения при низкой дозе», NeuroImage, 2018. [бесплатная статья PMC] [PubMed] [Google Scholar]

[35] Би Л., Ким Дж., Кумар А., Фенг Д. и Фулхэм М., «Синтез изображений позитронно-эмиссионной томографии (ПЭТ) с помощью многоканальных генеративно-состязательных сетей (GAN)», в книге «Молекулярная визуализация, реконструкция». и анализ движущихся органов тела, визуализация и лечение инсульта: Springer, 2017, стр. 43–51. [Академия Google]

[36] Ни Д., Ван Л., Гао И. и Шен Д., «Полностью сверточные сети для мультимодальной изоинтенсивной сегментации изображений мозга младенцев», в журнале «Биомедицинская визуализация» (ISBI), 2016 г., 13-й международный симпозиум IEEE, 2016 г. , стр. 1342–1345: IEEE. [Бесплатная статья PMC] [PubMed] [Google Scholar]

[37] Рэдфорд А., Мец Л. и Чинтала С. «Неконтролируемое репрезентативное обучение с помощью глубоких сверточных генеративно-состязательных сетей», препринт arXiv arXiv: 151106434, 2015. [Google Scholar ]

[38] Гудфеллоу И., Пуже-Абади Дж., Мирза М., Сюй Б., Уорд-Фарли Д., Озаир С., Курвиль А. и Бенжио И., «Генеративные состязательные сети», Достижения в системах обработки нейронной информации, 2014, стр. 2672–2680. [Google Scholar]

[39] Aubert-Broche B, Griffin M, Pike GB, Evans AC и Collins DL, «Двадцать новых цифровых мозговых фантомов для создания баз данных проверочных изображений», IEEE транзакции по медицинской визуализации, том. 25, нет. 11, стр. 1410–1416, 2006. [PubMed] [Google Scholar]

[40] Aubert-Broche B, Evans AC и Collins L, «Новая улучшенная версия реалистичного цифрового фантома мозга», NeuroImage, vol. 32, нет. 1, стр. 138–145, 2006. [PubMed] [Google Scholar]

[41] Wang Z, Bovik AC, Sheikh HR и Simoncelli EP, «Оценка качества изображения: от видимости ошибок к структурному сходству», IEEE Trans. Процесс изображения, том. 13, нет. 4, pp.600–612, 2004. [PubMed] [Google Scholar]

[42] Smith SM, Jenkinson M, Woolrich MW, Beckmann CF, Behrens TE, Johansen-Berg H, Bannister PR, De Luca M, Drobnjak I и Флитни Д.Е., «Достижения в функциональном и структурном анализе МР-изображений и реализации в виде FSL», Neuroimage, vol. 23, стр. S208–S219, 2004. [PubMed] [Google Scholar]

[43] Oehmigen M, Susanne Z, Bjoern WJ, Georgi J, Paulus DH и Harald HQ, «Снижение дозы радиофармпрепарата при интегрированной ПЭТ/МР: последствия от Национальной ассоциации производителей электротехники Фантомные исследования», Journal of Nuclear Medicine, vol. 55, нет. 8, стр. 1361–1367, 2014. [PubMed] [Google Scholar]

[44] Havaei M, Guizard N, Chapados N, and Bengio Y, «HeMIS: Hetero-Modal Image Segmentation», Международная конференция по вычислениям медицинских изображений и компьютерное вмешательство Спрингер, Чам, том. 3896, стр. 469–477, 2016. [Google Scholar]

[45] Чартсиас А. , Джойс Т., Джуффрида М.В. и Цафтарис С.А., «Мультимодальный синтез МР с помощью модально-инвариантного скрытого представления». IEEE Trans Med Imaging, том. 37, нет. 3, pp. 803–814, 2018. [Бесплатная статья PMC] [PubMed] [Google Scholar]

[46] Baete K, Nuyts J, Van PW, Suetens P, and Dupont P, «Анатомический ФДГ-ПЭТ реконструкция для обнаружения гипометаболических областей при эпилепсии». IEEE Trans Med Imaging, том. 23, нет. 4, стр. 510–519.., 2004. [PubMed] [Google Scholar]

[47] Vunckx K, Atre A, Baete K, Reilhac A, Deroose CM, Laere KV и Nuyts J, «Evaluation of Three MRI-Based Anatomical Priors for Quantitative PET Мозговая визуализация». IEEE Transactions on Medical Imaging, vol. 31, нет. 3, pp. 599–612, 2012. [PubMed] [Google Scholar]

[48] Vunckx K, Dupont P, Goffin K, Van PW, Van LK, and Nuyts J, «Воксельное сравнение состояния -современные алгоритмы реконструкции для 18F-FDG ПЭТ-визуализации головного мозга с использованием смоделированных и клинических данных». Neuroimage, vol.102, pp. 875–884, 2014. [PubMed] [Google Scholar]

Руководство по обновлению Auto Bed Leveling для 3D-принтеров Creality — эксперты Creality

Благодаря датчику автоматического выравнивания 3D-принтер может измерять высоту платформы во многих точках на платформе и учитывать небольшие несоответствия, например, более высокие задние углы на этой поверхности печати. Это известно как «выравнивание сетки».

Модернизация вашего 3D-принтера Creality для включения функции автоматического выравнивания платформы гарантирует, что ваши отпечатки каждый раз будут иметь идеальные первые слои, и значительно уменьшит проблемы с адгезией платформы. При использовании системы автоматического выравнивания, такой как датчик BLTouch, датчик обеспечивает лучшую устойчивость к слегка искривленным печатным платформам, измеряя и компенсируя любые несоответствия. Многие 3D-принтеры премиум-класса включают эту функцию в стандартную комплектацию, но, к счастью, ее также можно установить на многие более дешевые 3D-принтеры в качестве обновления.

В этой статье мы подробно рассмотрим, как работает автоматическое выравнивание и какое оборудование мы рекомендуем. Затем мы покажем вам, как применить это обновление к вашему 3D-принтеру Creality, чтобы дать вам общее представление о том, чего ожидать. Поскольку это обновление для некоторых 3D-принтеров сложнее, чем для других, мы предоставим конкретную информацию о процессе установки и оборудовании, которое вам понадобится для многих наиболее популярных принтеров Creality, включая серию Ender 3, серию Ender 5, серию CR-10. и серии CR-X.

Примечание. Creality Experts получает комиссию за товары, которые вы покупаете на этой странице, без каких-либо дополнительных затрат для вас. Для получения дополнительной информации см. нашу политику в отношении партнерских ссылок .

Как работает автоматическое выравнивание кровати?

Этот датчик выравнивания платформы BLTouch точно определяет, когда сопло находится на правильном расстоянии от платформы печати.

При традиционном ручном выравнивании в 3D-принтере используется концевой упор Z , небольшой переключатель, расположенный рядом с двигателем оси Z, который сообщает принтеру, когда сопло полностью опущено на платформу для печати. Поскольку при этом не учитывается положение печатной платформы, вы будете использовать ручки на углах платформы для регулировки вертикального положения платформы до тех пор, пока она не окажется на нужном расстоянии от сопла. Этот процесс требует значительного количества ручных усилий и калибровки, чтобы все получилось правильно.

Вместо этого в автоматической системе выравнивания используется небольшой датчик возле горячего конца для измерения расстояния от сопла до станины . Когда принтер опускает сопло ближе к печатной платформе, датчик определяет, когда сопло достигло желаемого смещения. Поскольку это учитывает положение платформы, сопло может быть установлено правильно независимо от положения платформы.

Кроме того, поскольку зонд находится на каретке горячего конца, он может легко измерять различные положения на станине. Для этого аппарат проверяет печатную платформу в виде сетки в начале печати. После измерения печатной платформы в нескольких точках программное обеспечение 3D-принтера может автоматически вносить небольшие корректировки в высоту по оси Z по мере того, как сопло перемещается в разные положения на платформе, что обеспечивает постоянное смещение от платформы. Мы обнаружили, что почти все печатные платформы имеют небольшие неровности, и этот процесс очень помогает обеспечить однородность первого слоя в каждой позиции на платформе.

Какую систему автоматического выравнивания платформы мне следует купить для моего 3D-принтера Creality?

Мы пришли к выводу, что BLTouch является наиболее точной и воспроизводимой системой выравнивания кровати.

Если вы хотите добавить автоматическое выравнивание платформы к вашему Creality Ender 3, CR-10 V2 или другому 3D-принтеру Creality, мы рекомендуем использовать датчик BLtouch, исходя из нашего опыта их использования и других вариантов на рынке. BLTouch — лучший датчик автоматического выравнивания грядки, который мы использовали , благодаря высокой точности и воспроизводимости.

Датчик BLTouch представляет собой небольшой цилиндр, который можно установить сбоку каретки горячего конца. В нем используется небольшой зонд, который проходит вниз за сопло, когда оно используется. Датчик обнаруживает кровать, когда зонд соприкасается с кроватью. После завершения измерения зонд втягивается, чтобы предотвратить повреждение.

В прошлом мы пробовали другие типы датчиков выравнивания платформы, в том числе индуктивные датчики, которые используют магнитную индукцию вместо физического контакта для обнаружения платформы печати. Мы обнаружили, что они не столь точны, а также могут быть непоследовательными из-за изменений температуры. Мы также видели на рынке несколько более дешевых альтернатив BLTouch, но мы не рекомендуем их, поскольку известно, что они срезают углы и используют компоненты более низкого качества. Тем не менее, Creality недавно выпустила свой собственный датчик на основе BLTouch, с которым мы до сих пор имели успех, но еще не видели, как он работает в долгосрочной перспективе. Нам очень нравится, что в нем используется металлический щуп вместо пластикового, что гарантирует, что щуп не будет поврежден, если неудачная печать приложит к нему изгибающие усилия. Сенсор Creality Touch полностью совместим с BLTouch и использует те же кабели, поэтому установка будет такой же, как и для сенсора BLTouch.

Совместимость с вашим 3D-принтером Creality

Вы можете приобрести комплект, содержащий все необходимое для установки BLTouch на ваш 3D-принтер Creality, включая сам датчик, монтажный кронштейн, а также необходимые кабели и адаптеры для подключения его к 3D-принтеру. плата управления принтером. Конкретный набор, который вы должны приобрести, зависит от вашего 3D-принтера, поэтому используйте следующую таблицу, чтобы найти правильный набор для вашего принтера. В таблице также приведены уровни сложности установки для каждого принтера, которые мы подробно опишем в оставшейся части этой статьи.

Ender 3 / Ender 3 Pro	—	ISP Adapter	connects via provided adapter	kit 1	1.1.4
Ender 3 V2 / Max	—	SD Card	plugs into dedicated port on mainboard	kit 2	4,2. 2 or 4.2.7 (previously 1.1.5)
Ender 5	—	ISP Adapter	connects via provided adapter	kit 1	1.1.4
Ender 5 Pro	—	SD Card	plugs into dedicated port on mainboard	kit 2	4,2.2 or 4.2.7 ( previously 1.1.5)
Ender 5 Plus	Yes	—	—	—	2.2.0
Ender 6	—	SD Card	plugs into dedicated port near Z мотор	kit 3 (+ printed bracket)	4.3.1
CR-10 / CR-10 Mini	—	ISP Adapter	connects to pinboard and Z endstop	kit 1	1. 1.4
CR-10 S / S4 / S5	—	ISP Adapter	connects to pinboard and Z endstop	kit 1	2.2.0
CR-10 Max	Yes	—	—	—	2.4.0
CR-10S Pro V2	Yes	—	—	—	2.4.0
CR-10 V2/V3	—	SD Card	plugs into dedicated port near Z motor	kit 4	2.5.2
CR-X	—	ISP Adapter	connects to pinboard and Z endstop	kit 1	2.2.0
CR-X Pro	Да	—	—	—	2. 2.1

Как установить комплект автоматического выравнивания платформы BLTouch на принтер

Установка датчика BLTouch с помощью входящего в комплект кронштейна

Комплект автоматического выравнивания платформы BLTouch содержит все необходимое для добавления зонда BLTouch к вашему 3D-принтеру Creality. В этом разделе вы найдете обзор процесса, чтобы вы могли понять, о чем идет речь, и посмотреть на различия в процессе для различных популярных принтеров Creality. Эта страница предназначена для того, чтобы дать вам представление о том, как выглядит процесс; это не исчерпывающее руководство по установке. Вы можете найти ссылки на наши руководства по установке для конкретных принтеров в таблице совместимости или воспользоваться инструкциями, включенными в комплекты датчиков BLTouch.

1. Установите датчик BLTouch на каретку горячего конца

В Ender 3 V2 и многих других более современных 3D-принтерах датчик подключается через специальный порт на материнской плате.

Во-первых, вам нужно будет установить датчик BLTouch на принтер, что является довольно простым процессом. В комплект входит несколько кронштейнов, которые вы можете использовать в зависимости от модели вашего принтера Creality. Точное место установки зависит от модели, но во всех случаях оно будет сбоку от горячего конца. На Ender 3 скоба ввинчивается в те же отверстия, что и корпус хотэнда. Для Ender 3 V2 и CR-10 V2 кронштейн крепится к специальным отверстиям на каретке, добавленным специально для этого обновления.

2. Подсоедините кабель датчика BLTouch к материнской плате 3D-принтера.

Независимо от того, какой у вас 3D-принтер, маленький белый порт на кабеле будет подключаться к датчику BLTouch. Чтобы подключить зонд к принтеру, вам нужно будет проложить проводку к материнской плате принтера или к специальной плате (на Ender 6 и CR-10 V2/V3). В принтерах серии CR-10 материнская плата представляет собой отдельную коробку, а в серии Ender она интегрирована в корпус принтера. В любом случае вам потребуется получить доступ к материнской плате принтера или коммутационной плате. В зависимости от вашего принтера способ подключения датчика может различаться:

Для более старых машин, таких как Ender 3/Pro, Ender 5 или CR-X, вы будете использовать адаптер для подключения датчика к материнской плате.

Новые материнские платы, например, используемые в Ender 3 V2 и Ender 5 Pro, имеют специальный порт для датчика BLTouch.

На CR-10 V2 и V3 порт датчика расположен на переходной плате, расположенной рядом с двигателем Z, и доступ к материнской плате не требуется.

3. Обновление прошивки принтера

Многие 3D-принтеры Creality позволяют легко обновлять прошивку через USB или SD-карту. Для некоторых принтеров вам потребуется использовать адаптер и специальное программное обеспечение на вашем компьютере для обновления прошивки на материнской плате. Это может быть немного сложно, но в приложенных инструкциях все описано шаг за шагом.

После установки и подключения аппаратного датчика BLTouch необходимо обновить микропрограмму принтера, чтобы он мог использовать новый датчик. Процесс обновления микропрограммы зависит от того, имеет ли ваш принтер загрузчик. Загрузчик позволяет обновлять прошивку с помощью USB-подключения или SD-карты, что является простым процессом. Для принтеров без загрузчика потребуется использовать специальный адаптер для обновления прошивки через ISP (который входит в комплект для этих принтеров). Обратитесь к приведенной выше таблице совместимости, чтобы узнать, какой метод требуется для вашего 3D-принтера.

4. Калибровка смещения по оси Z для зонда BLTouch

После установки вам потребуется откалибровать смещение по оси Z, чтобы убедиться, что сопло находится на правильном расстоянии от кровати. Этот процесс требует выполнения процедуры выравнивания, настройки значения Z-смещения на ЖК-дисплее принтера, а затем сохранения настройки в памяти принтера.

Стоит ли улучшать автопрокачку?

Теперь, когда вы понимаете преимущества автоматического выравнивания и имеете общее представление о том, как выглядит установка, вам решать, стоит ли установка этого обновления времени и усилий. Мы обнаружили, что очень удобно не думать о выравнивании и позволяет принтеру «просто работать», хотя нам довольно удобно выполнять выравнивание вручную. Иногда мы сталкиваемся с проблемами в системе BLTouch, такими как необходимость замены погнутых или сломанных датчиков из-за столкновений с неудачными отпечатками, поэтому мы рады опробовать новый датчик CR-touch с металлическим датчиком, но в целом Датчик BLTouch оказался для нас надежным.

Абдоминальная мультиорганная аутосегментация с использованием глубокой сверточной нейронной сети на основе 3D-патчей

Abstract

Сегментация нормальных органов является важным и трудоемким процессом в лучевой терапии. Автосегментация органов брюшной полости стала возможной благодаря появлению сверточной нейронной сети. Мы использовали U-Net, сверточную нейронную сеть на основе 3D-патчей, и добавили постобработку на основе алгоритма вырезания графа. Входными данными были трехмерные КТ-изображения на основе патчей, состоящие из 64 × 64 × 64 вокселей, предназначенные для создания трехмерных семантических изображений с несколькими метками, представляющих печень, желудок, двенадцатиперстную кишку и правую/левую почки. Наборы данных для обучения, проверки и тестирования состояли из 80, 20 и 20 имитационных КТ-сканирований соответственно. Для оценки точности предсказанные структуры сравнивали со структурами, полученными с помощью метода на основе атласа и сегментации между наблюдателями с использованием коэффициента сходства Дайса, расстояния Хаусдорфа и среднего расстояния до поверхности. Эффективность оценивалась количественно путем измерения времени, затраченного на сегментацию с автоматизацией или без нее с использованием U-Net. Автосегментация на основе U-Net превзошла автосегментацию на основе атласа во всех структурах брюшной полости и показала результаты, сопоставимые с результатами сегментации между наблюдателями, особенно для печени и почек. Среднее время сегментации без автоматизации составило 22,6 минуты, которое сократилось до 7,1 минут с автоматизацией с использованием U-Net. Предложенная нами структура автосегментации с использованием U-Net на основе 3D-патча для абдоминальных мультиорганов продемонстрировала потенциальную клиническую полезность с точки зрения точности и эффективности времени.

Введение

Лучевая терапия опухолей верхней части живота является сложной задачей, поскольку переносимые дозы облучения желудочно-кишечного тракта и печени недостаточно высоки для устранения массивной опухолевой нагрузки. Недавние улучшения в лучевой терапии и визуализации позволили доставлять оптимальные дозы облучения к опухолям верхних отделов брюшной полости, особенно к гепатоцеллюлярной карциноме, при минимизации дозы облучения окружающих нормальных органов ^1,2,3 . Для более точной лучевой терапии и расчета распределения дозы необходимо разграничение опухоли и нормальных органов на компьютерной томографии (КТ). Тем не менее, определение границ опухоли и органов является особенно трудоемким и имеет крутую кривую обучения ⁴ .

Для повышения эффективности сегментации органов были разработаны методы автосегментации в виде моделей статистической формы и методы на основе атласа ^5,6,7,8,9,10 . Статистическая модель формы — это метод, основанный на знаниях, в котором атласы с большинством голосов в зависимости от сходства изображений анализируются для сбора анатомической информации. К сожалению, на методы на основе атласа, вероятно, влияет деформация изображения, и они могут не учитывать вариабельность пациента в отношении нормальных анатомических структур. Таким образом, эти модели имеют ограниченное клиническое применение.

Сверточная нейронная сеть — это недавний прорыв в технологии глубокого обучения, который значительно улучшил производительность автосегментации нормальных органов ^11,12,13 . U-Net с пропущенными соединениями является более развитым типом сверточной нейронной сети, которая была разработана в соответствии с вариантами сетевой архитектуры ^14,15,16,17 . Хотя во многих исследованиях U-Net продемонстрировала многообещающие результаты автоматической сегментации ^{18,19,20,21,22,23,24,25,26,27} необходимы дополнительные усовершенствования и проверки, чтобы сделать U-Net сопоставимой с рентгенологами с точки зрения точности сегментации. Более того, лишь несколько исследований мультиорганной сегментации брюшной полости показали клинически применимые результаты в брюшной полости, где нормальные органы окружены мягкими тканями и различаются по форме и расположению. Использование U-Net для аутосегментации органов брюшной полости значительно улучшило ее клиническую применимость ^24,25,26,27 . Поэтому мы создали основу для сегментации нескольких органов брюшной полости с помощью U-Net и сравнили ее клиническую полезность, сравнив ее с сегментацией на основе атласа и ручным контурированием опытными рентгенологами.

Результаты

Клинические характеристики

Наборы структур 120 пациентов с гепатоцеллюлярной карциномой использовались для обучения, проверки и тестирования. Средний возраст пациентов составлял 59 лет (диапазон от 37 до 83 лет), преобладали мужчины (81,7%) (таблица 1). У 93 больных (77,5%) функция печени соответствовала классу А по Чайлд-Пью, у 13,3% — асцит легкой и средней степени тяжести. Макроскопическая сосудистая инвазия наблюдалась у 88 (73,3%) больных. Восемь (6,7%) пациентов ранее не получали лечения, а другие пациенты прошли различные курсы лечения до лучевой терапии; в результате в печени большинства пациентов существовали различные изменения, такие как йодированные масла, полость низкой плотности после абляционной терапии и потеря объема после резекции печени.

Полноразмерная таблица

Коэффициенты сходства в кости и расстояния Хаусдорфа

На рис. 1 показано сравнение контуров печени, полученных с помощью сегментации на основе U-Net (красная линия) и на основе атласа (зеленая линия) с наземными данными. контур истины (синяя линия) в трех тестовых случаях. Оба метода аутосегментации показали хорошее совпадение с наземным контуром в одном случае (пациент 19), но сегментация на основе U-Net была заметно лучше в двух других случаях, у которых было слабо выраженное гиповаскулярное инфильтративное поражение. гепатоцеллюлярная карцинома печени (пациент 18) и перенесшие резекцию до лучевой терапии (пациент 7).

Сравнение контуров печени в трех случаях тестирования. Показана сегментация на основе U-Net (красный), сегментация на основе атласа (зеленый) и наземная ручная контурная обработка (синий).

Полноразмерное изображение