[論文レビュー] Deep learning of multi-resolution X-Ray micro-CT images for multi-scale modelling

Samuel J. Jackson, Yufu Niu+3 more|arXiv (Cornell University)|Nov 1, 2021

Seismic Imaging and Inversion Techniques被引用数 8

ひとこと要約

本論文は、3次元強化深層スーパーリソリューション（EDSR）ネットワークを用いた深層学習ベースのスーパーリソリューションフレームワークを提案し、低分解能入力から高分解能マイクロCT画像を再構築することで、多スケール多孔質媒体の正確なモデリングを可能にする。この手法は、特に広い孔径分布を示す系において、連続体スケールの流れ予測を顕著に改善し、実験データの不確実性範囲内で一致する。低分解能モデルに比べて優れた性能を示す。

ABSTRACT

Field-of-view and resolution trade-offs in X-Ray micro-computed tomography (micro-CT) imaging limit the characterization, analysis and model development of multi-scale porous systems. To this end, we developed an applied methodology utilising deep learning to enhance low resolution images over large sample sizes and create multi-scale models capable of accurately simulating experimental fluid dynamics from the pore (microns) to continuum (centimetres) scale. We develop a 3D Enhanced Deep Super Resolution (EDSR) convolutional neural network to create super resolution (SR) images from low resolution images, which alleviates common micro-CT hardware/reconstruction defects in high-resolution (HR) images. When paired with pore-network simulations and parallel computation, we can create large 3D continuum-scale models with spatially varying flow & material properties. We quantitatively validate the workflow at various scales using direct HR/SR image similarity, pore-scale material/flow simulations and continuum scale multiphase flow experiments (drainage immiscible flow pressures and 3D fluid volume fractions). The SR images and models are comparable to the HR ground truth, and generally accurate to within experimental uncertainty at the continuum scale across a range of flow rates. They are found to be significantly more accurate than their LR counterparts, especially in cases where a wide distribution of pore-sizes are encountered. The applied methodology opens up the possibility to image, model and analyse truly multi-scale heterogeneous systems that are otherwise intractable.

研究の動機と目的

• X線マイクロCTイメージングにおける視野と分解能の根本的トレードオフが、多スケール多孔質系の特性評価を制限する問題を解決すること。
• ハードウェア的制限および再構築の限界を克服するため、低分解能入力からスーパーリソリューション画像を生成する深層学習を用いること。
• スーパーリソリューションと孔ネットワークおよび連続体モデリングを統合することで、孔スケールから連続体スケールにわたる流体動力学の正確なシミュレーションを可能にすること。
• 直接的な画像類似度、孔スケールのシミュレーション、および実験的多相流データを用いてワークフローを定量的に検証すること。
• 従来のイメージングおよびモデリング手法では取り扱いが困難な不均質な多孔質系を、決定論的かつスケーラブルな手法でモデリングすること。

提案手法

• 低分解能（6 μm）および高分解能（2 μm）のマイクロCT部分体積をペアで用いて、3次元強化深層スーパーリソリューション（EDSR）畳み込みニューラルネットワークを学習し、スーパーリソリューション画像を生成する。
• 生成されたスーパーリソリューション画像を孔ネットワークモデリングの入力として使用し、透水係数や毛管圧などのポーラス特性を抽出する。
• 孔ネットワークシミュレーションから得られた空間的に変化するポーラス特性を用いて、連続体スケールモデルを構築し、排水性不混和多相流をシミュレートする。
• IMEXシミュレータを用いた並列シミュレーション（オープンソースのMOOSE/finchを用いて検証）を行い、モデル予測を実験的コアフラッドデータと比較する。
• 画像類似度指標（例：SSIM）、孔スケールの流れシミュレーション、および実験的流体体積分率および相対透水係数との直接比較を用いて、モデルの精度を定量的に評価する。
• 再現可能性を確保し、将来的な多スケール多孔質系における深層学習モデルのベンチマークを可能にするために、オープンアクセスデータセットおよびコード（Zenodo, GitHub）を活用する。

実験結果

リサーチクエスチョン

• RQ1 深層学習を用いて、ハードウェア的制限を克服するため、低分解能入力から高分解能マイクロCT画像を再構築できるか？
• RQ2 スーパーリソリューション再構築は、低分解能モデルと比較して、連続体スケールの流れシミュレーションの精度をどの程度向上させるか？
• RQ3 スーパーリソリューションベースのモデルは、不均一な孔径分布を示す系において、実験的多相流挙動をどの程度正確に予測できるか？
• RQ4 主な流れ経路が低分解能データで完全に解像されていない場合でも、この手法は広い範囲の流れ速度および毛管数において精度を維持できるか？
• RQ5 生成モデル（例：GAN）を用いて、ペアでないデータへもこのフレームワークを拡張可能か？これにより、既存の文献データの広範な利用が可能になるか？

主な発見

• EDSRが生成したスーパーリソリューション画像は、高分解能の真値と定量的に同等であり、画像類似度指標から高い構造的忠実度が示された。
• スーパーリソリューションワークフローは、連続体スケールの流れ予測を顕著に改善し、3桁のスケールにわたる有効流量の範囲で実験データの再現性範囲内に一致した。
• EDSRベースのモデルは、低分解能ベースラインを上回り、特に広い孔径分布を示す系において、重要な不均一性を捉えられなかった低分解能モデルに比べて顕著な優位性を示した。
• 主な流れ経路が低分解能画像で既に解像されている場合、スーパーリソリューションによる改善は小さくなるため、特に解像度が不足している領域で最大の恩恵が得られることを示した。
• EDSRモデルからの相対透水係数および体積分率の予測は、実験的不確実性範囲内にあり、さまざまな流れ条件においても頑健であることが示された。
• この手法は完全に決定論的かつスケーラブルであり、多スケール画像再構築から得られる空間的に変化する特性を用いた、大規模3次元連続体スケールモデルの構築が可能である。