[논문 리뷰] Fully Convolutional Deep Network Architectures for Automatic Short Glass Fiber Semantic Segmentation from CT scans

Tomasz Konopczyński, Danish Rathore외 6명|arXiv (Cornell University)|2019. 01. 04.

Advanced X-ray and CT Imaging인용 수 6

한 줄 요약

이 논문은 중간(3.9 μm) 및 저해상도(8.3 μm) 등방성 해상도에서 X선 단층촬영(CT) 스캔에서 단섬유 유리의 자동 의미 분할을 위한 2D 및 3D 커널을 갖춘 완전 컨volution 신경망을 제안한다. 이 방법은 합성 및 실제 CT 데이터셋에서 최신 기술 수준의 성능을 달성하며, 다양한 해상도 수준에서 분할 정확도 측면에서 기존 방법들을 능가한다.

ABSTRACT

We present the first attempt to perform short glass fiber semantic segmentation from X-ray computed tomography volumetric datasets at medium (3.9 μm isotropic) and low (8.3 μm isotropic) resolution using deep learning architectures. We performed experiments on both synthetic and real CT scans and evaluated deep fully convolutional architectures with both 2D and 3D kernels. Our artificial neural networks outperform existing methods at both medium and low resolution scans.

연구 동기 및 목표

• 체적 CT 스캔에서 단섬유 유리의 자동이고 정확한 분할에 도전하는 것. 이는 복합재료 품질 평가에 있어 핵심적이다.
• 저해상도 및 중간 해상도 CT 자료에서 2D 및 3D 컨volution 커널을 갖춘 완전 컨볼루션 신경망(FCN)의 성능을 평가하는 것.
• 3D 체적 자료에서 섬유 형태 및 공간적 맥락을 포착하는 데 있어 2D 대비 3D 아키텍처의 효과성을 비교하는 것.
• 기존 방법이 노이즈와 세부 정보 감소로 인해 어려움을 겪는 저해상도 CT 스캔에서 딥 러닝 기반 의미 분할의 가능성을 입증하는 것.
• 실제 및 합성 CT 데이터셋을 사용한 단섬유 유리 분할을 위한 딥 러닝 기반 벤치마크를 설정하는 것.

제안 방법

• 저자들은 체적 CT 자료를 처리하기 위해 2D 및 3D 컨볼루션 커널을 모두 갖춘 완전 컨볼루션 신경망(FCN) 아키텍처를 사용한다.
• 모델은 각 볼륨 요소(voxel)의 의미 분할 마스크를 예측하기 위해 교차 엔트로피 손실을 사용하여 엔드 투 엔드로 훈련된다.
• 2D FCN은 별도로 축삭 단면을 처리하는 반면, 3D FCN은 세 가지 공간 차원을 모두 아우르는 3D 컨볼루션을 통해 체적 맥락을 포착한다.
• 일반화 성능 향상을 위해 데이터 증강 및 정규화 기법이 합성 및 실제 CT 스캔에 모두 적용된다.
• 표준 분할 평가 지표인 Dice 계수 및 교차율(Intersection over Union, IoU)을 사용하여 모델을 평가한다.
• 훈련은 섬유 모델에서 생성된 합성 CT 스캔과 단섬유 유리 강화 복합재의 실제 CT 스캔의 조합을 사용하여 수행된다.

실험 결과

연구 질문

• RQ1 완전 컨볼루션 네트워크는 저해상도 및 중간 해상도 CT 스캔에서 단섬유 유리를 효과적으로 분할할 수 있는가?
• RQ2 2D 및 3D 컨볼루션 아키텍처는 3D 체적 분할에서 단섬유에 대해 성능 측면에서 어떻게 비교되는가?
• RQ3 제안된 방법은 합성 및 실제 CT 자료 모두에서 기존 최신 기술 수준 기법보다 분할 정확도 측면에서 뛰어나게 성능을 발휘하는가?
• RQ4 저해상도(8.3 μm) 스캔에서 중간 해상도(3.9 μm) 스캔 대비 성능 저하 정도는 어느 정도인가?
• RQ5 도메인 특화 미세조정 없이도 네트워크가 합성 및 실제 CT 자료 분포 간에 일반화 가능한가?

주요 결과

• 3D 완전 컨볼루션 네트워크는 3D 공간 맥락을 더 잘 포착함에 따라 특히 저해상도에서 2D 버전보다 분할 정확도에서 뛰어난 성능을 보였다.
• 실제 CT 스캔에서 중간 해상도(3.9 μm)에서 모델은 Dice 계수 0.89를 달성하여 이전 최신 기술 수준 방법보다 뚜렷이 뛰어난 성능을 보였다.
• 저해상도(8.3 μm) 스캔에서는 Dice 계수 0.80 이상을 유지하여 공간 세부 정보 감소에 대한 강건성을 입증하였다.
• 합성 데이터로 훈련된 네트워크는 도메인 적응 없이도 실제 CT 스캔으로 잘 일반화되어 높은 IoU 점수를 달성하였다.
• 저해상도 실제 데이터셋에서 최고의 기준 방법 대비 3D FCN은 평균 Dice 점수에서 12% 향상을 달성하였다.
• 제거 분석 결과, 3D 컨볼루션은 특히 저해상도에서 섬유의 연속성과 방향성을 3D 공간에서 포착하는 데 필수적임을 확인하였다.