[논문 리뷰] Deep learning of multi-resolution X-Ray micro-CT images for multi-scale modelling

Samuel J. Jackson, Yufu Niu외 3명|arXiv (Cornell University)|2021. 11. 01.

Seismic Imaging and Inversion Techniques인용 수 8

한 줄 요약

이 논문은 3D 강화된 딥 슈퍼리졸루션(EDSR) 네트워크를 사용하여 저해상도 입력에서 고해상도 미세CT 영상을 복원하는 딥러닝 기반 슈퍼리졸루션 프레임워크를 제안한다. 이는 다중 척도 투과성 매체의 정확한 모델링을 가능하게 하며, 특히 펌프 크기 분포가 넓은 체계에서 연속체 척도의 유량 예측을 크게 향상시켜 실험 데이터의 불확도 범위 내에서 일치시킨다. 저해상도 모델보다 뛰어난 성능을 보인다.

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.

연구 동기 및 목표

• 다중 척도 투과성 체계의 특성화를 제한하는 X선 미세CT 영상에서 시야 범위와 해상도 사이의 근본적 상충관계를 해결한다.
• 고해상도 미세CT의 하드웨어 및 재구성 제약을 극복하기 위해 딥러닝을 활용해 저해상도 입력에서 슈퍼리졸루션 영상을 생성한다.
• 슈퍼리졸루션을 투과성 네트워크 및 연속체 모델링과 통합하여, 투과성 척도에서 연속체 척도에 이르기까지 유체역학 시뮬레이션을 정확하게 수행한다.
• 직접적인 영상 유사도, 투과성 척도 시뮬레이션, 실험적 다상류 흐름 데이터를 사용하여 워크플로우를 정량적으로 검증한다.
• 기존의 영상 및 모델링 방법으로는 해결이 어려운 이질적인 투과성 체계를 위한 결정론적이고 확장 가능한 방법론을 개발한다.

제안 방법

• 저해상도(6 μm)와 고해상도(2 μm)의 미세CT 부분체적 영상 쌍을 기반으로 3D 강화된 딥 슈퍼리졸루션(EDSR) 합성곱 신경망을 훈련시켜 슈퍼리졸루션 영상을 생성한다.
• 생성된 슈퍼리졸루션 영상을 투과성 네트워크 모델링의 입력으로 사용하여 투과성 특성(예: 투과도, 모세관 압력)을 추출한다.
• 투과성 네트워크 시뮬레이션에서 유도된 공간적으로 변화하는 투과성 특성을 기반으로 연속체 척도 모델을 구성하여 불가침 다상류 흐름을 시뮬레이션한다.
• IMEX 시뮬레이터를 사용해 병렬화된 시뮬레이션을 수행하고, 오픈소스 MOOSE/finch를 활용해 검증함으로써 모델 예측을 실험적 코어플로우 데이터와 비교한다.
• 이미지 유사도 지표(예: SSIM), 투과성 척도의 흐름 시뮬레이션, 실험적 유체 부피율 및 상대 투과도와의 직접 비교를 통해 모델 정확도를 정량화한다.
• 재현 가능성을 확보하고 향후 다중 척도 투과성 체계에서의 딥러닝 모델 벤치마킹을 가능하게 하기 위해 오픈 액세스 데이터셋과 코드(Zenodo, GitHub)를 활용한다.

실험 결과

연구 질문

• RQ1 딥러닝을 사용해 하드웨어 제약을 극복하기 위해 저해상도 입력에서 고해상도 미세CT 영상을 복원할 수 있는가?
• RQ2 슈퍼리졸루션 복원이 저해상도 모델 대비 연속체 척도의 흐름 시뮬레이션 정확도를 어느 정도 향상시키는가?
• RQ3 슈퍼리졸루션 기반 모델은 이질적인 투과성 크기 분포를 가진 체계에서 실험적 다상류 흐름 거동을 얼마나 잘 예측하는가?
• RQ4 주 흐름 경로가 저해상도 데이터에서 완전히 해상되지 않은 경우에도 이 방법론은 다양한 유량 및 모세관 수치 범위에서 정확도를 유지하는가?
• RQ5 생성 모델(GAN 등)을 활용해 쌍이 없는 데이터에 프레임워크를 확장할 수 있는가? 이를 통해 기존 문헌 데이터의 광범위한 활용이 가능한가?

주요 결과

• EDSR가 생성한 슈퍼리졸루션 영상은 고해상도 기준값과 정량적으로 유사하며, 이미지 유사도 지표를 통해 강력한 구조적 정밀도를 보였다.
• 슈퍼리졸루션 워크플로우는 연속체 척도의 흐름 예측을 크게 향상시켜, 분율 유량 3개 온도 수준에 걸쳐 실험 재현성 범위 내에서 실험 데이터와 일치시켰다.
• EDSR 기반 모델은 저해상도 기준 모델보다 뛰어나며, 특히 투과성 크기 분포가 넓은 흐름 영역에서 주요 이질성을 포착하지 못하는 저해상도 모델이 실패하는 경우에 두드러진 성능 향상을 보였다.
• 주 흐름 경로가 이미 저해상도 영상에서 해상되어 있는 경우 슈퍼리졸루션의 향상 효과가 감소함을 확인하여, 특히 필요한 곳에서 해상도를 향상시키는 데 효과적임을 시사했다.
• EDSR 모델에서 유도된 상대 투과도 및 포화도 예측은 실험적 불확도 내에서 정확하여 다양한 흐름 조건에서의 강건성을 입증했다.
• 이 방법론은 완전히 결정론적이며 확장 가능하여, 다중 척도 영상 복원에서 유도된 공간적으로 변화하는 특성을 가진 대규모 3D 연속체 척도 모델을 구축할 수 있다.