[論文レビュー] Detecting micro fractures with X-ray computed tomography.

Dongwon Lee, Nikolaos Karadimitriou+2 more|arXiv (Cornell University)|Mar 23, 2021

Mineral Processing and Grinding参考文献 78被引用数 4

ひとこと要約

本研究では、カッララマーブルのX線CT（XRCT）データにおけるマイクロフレクチャーの検出を目的として、3つの従来手法と2つの機械学習ベースの手法の合計5つのセグメンテーション手法を評価した。2次元U-Netディープラーニングモデルは、セグメンテーション精度と処理速度の両面で他の手法を上回り、メモリ制限がある中でも優れた性能を示した。

ABSTRACT

Studying porous rock materials with X-Ray Computed Tomography (XRCT) has been established as a standard procedure for the non-destructive visualization of flow and transport in opaque porous media. Despite the recent advances in the field of XRCT, some challenges still remain due to the inherent noise and imaging artefacts in the produced data. These issues become even more profound when the objective is the identification of fractures, and/or fracture networks. The challenge is the limited contrast between the regions of interest and the neighboring areas. This limited contrast can mostly be attributed to the minute aperture of the fractures. In order to overcome this challenge, it has been a common approach to apply digital image processing, such as filtering, to enhance the signal-to-noise ratio. Additionally, segmentation methods based on threshold-/morphology schemes can be employed to obtain enhanced information from the features of interest. However, this workflow needs a skillful operator to fine-tune its input parameters, and the required computation time significantly increases due to the complexity of the available methods, and the large volume of the data-set. In this study, based on a data-set produced by the successful visualization of a fracture network in Carrara marble with XRCT, we present the segmentation results from a number of segmentation methods. Three conventional and two machine-learning-based methods are evaluated. The segmentation results from all five methods are compared to each other in terms of segmentation quality and time efficiency. Due to memory limitations, and in order to accomplish a fair comparison, all the methods are employed in a 2D scheme. The output of the 2D U-net model, which is one of the adopted machine-learning-based segmentation methods, shows the best performance regarding the quality of segmentation and the required processing time.

研究の動機と目的

• 多孔質な岩石のXRCTデータにおけるマイクロフレクチャーと周囲のマトリックスとの間のコントラストが低いという課題に対処すること。
• 従来手法と機械学習ベースのセグメンテーション技術の両方がマイクロフレクチャー検出に与える影響を評価すること。
• メモリ制限下での複数の手法間におけるセグメンテーション品質と計算効率の比較を行うこと。
• ディープラーニング手法が、従来のしきい値処理およびモルフォロジカル手法を上回る可能性があるかどうかを特定すること。

提案手法

• セマンティックセグメンテーションの目的で、2次元U-Net畳み込みニューラルネットワークの実装をXRCTデータにおけるマイクロフレクチャーのセグメンテーションに適用した。
• 比較のため、しきい値処理とモルフォロジカル操作に基づく3つの従来手法を用いた。
• 公平な計算比較を確保するため、カッララマーブルのフレクチャー網における2次元スライスのXRCTデータにすべての手法を適用した。
• セグメンテーション品質は、グランドトゥースとの視覚的および定量的比較によって評価されたが、明確な指標は提示されていない。
• 計算効率を評価するために処理時間を測定した。
• メモリ制限のため、3次元データが利用可能であったにもかかわらず、本研究では2次元処理に焦点を当てた。

実験結果

リサーチクエスチョン

• RQ1 ノイズの多いXRCTデータにおけるマイクロフレクチャー検出において、ディープラーニングベースのセグメンテーションは、従来のしきい値処理およびモルフォロジカル手法を上回ることができるか？
• RQ2 2次元U-Netモデルは、従来手法と比較してマイクロフレクチャーのセグメンテーション精度においてどのように異なるか？
• RQ3 異なる手法間で、セグメンテーション品質と処理時間のトレードオフはどのように変化するか？
• RQ4 画像ノイズおよびフレクチャーとマトリックスの間のコントラストが低いことが、セグメンテーション性能にどの程度影響を与えるか？

主な発見

• 2次元U-Netモデルは、評価されたすべての手法の中で最高のセグメンテーション品質を達成した。
• 2次元U-Netモデルは、他の手法よりも処理時間を短くしたため、時間効率に優れていた。
• しきい値処理とモルフォロジーに基づく従来手法は、パラメータチューニングに多大な作業を要し、コントラストが低くノイズが多い状況では効果が薄かった。
• 2次元実装であったにもかかわらず、U-Netモデルは従来手法よりも質的に優れたセグメンテーション結果を生成した。
• メモリ制限のため2次元処理を余儀なくされたが、制限下でもU-Netは精度と速度の両面で他の手法を上回った。
• 本研究は、ノイズの多いXRCTデータにおけるマイクロフレクチャー検出において、ディープラーニング手法が従来の画像処理パイプラインよりもより頑健であることを確認した。