[论文解读] Fully Convolutional Deep Network Architectures for Automatic Short Glass Fiber Semantic Segmentation from CT scans

Tomasz Konopczyński, Danish Rathore+6 more|arXiv (Cornell University)|Jan 4, 2019

Advanced X-ray and CT Imaging被引用 6

一句话总结

本文提出一种结合2D与3D卷积核的全卷积神经网络，用于在中等（3.9 μm）和低（8.3 μm）各向同性分辨率下，对X射线计算机断层扫描（CT）中的短玻璃纤维实现自动语义分割。该方法在合成与真实CT数据集上均达到最先进性能，在不同分辨率水平下的分割精度均优于现有方法。

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.

研究动机与目标

• 为解决在体素CT扫描中自动、精确分割短玻璃纤维的挑战，这对复合材料质量评估至关重要。
• 评估全卷积神经网络（FCNs）在低分辨率和中等分辨率CT数据上使用2D与3D卷积核的性能。
• 比较2D与3D网络架构在捕捉3D体素数据中纤维形态与空间上下文方面的有效性。
• 证明在低分辨率CT扫描中基于深度学习的语义分割的可行性，此类数据中传统方法因噪声和细节减少而表现困难。
• 在真实与合成CT数据集上，为短玻璃纤维分割建立基于深度学习的基准。

提出的方法

• 作者采用结合2D与3D卷积核的全卷积神经网络（FCN）架构，处理体素CT数据。
• 网络通过交叉熵损失端到端训练，以预测短玻璃纤维的逐体素语义分割掩码。
• 2D FCN独立处理轴向切片，而3D FCN通过在所有三个空间维度上进行3D卷积捕捉体素上下文。
• 应用数据增强与归一化技术，以提升在合成与真实CT扫描中的泛化能力。
• 使用标准分割指标（如Dice系数与交并比IoU）对模型进行评估。
• 训练结合了从纤维模型生成的合成CT扫描与短玻璃纤维增强复合材料的真实CT扫描。

实验结果

研究问题

• RQ1 全卷积网络能否在低分辨率与中等分辨率CT扫描中有效分割短玻璃纤维？
• RQ2 在3D体素数据中对短纤维进行分割时，2D与3D卷积架构的性能表现如何比较？
• RQ3 所提出方法在合成与真实CT数据上的分割精度是否优于现有最先进技术？
• RQ4 与中等分辨率（3.9 μm）扫描相比，低分辨率（8.3 μm）扫描中模型性能下降的程度如何？
• RQ5 网络是否能在无需领域特定微调的情况下，跨合成与真实CT数据分布实现良好泛化？

主要发现

• 3D全卷积网络在分割精度上优于2D变体，尤其在低分辨率下，因其能更好地捕捉3D空间上下文。
• 在中等分辨率（3.9 μm）真实CT扫描上，该方法实现了0.89的Dice系数，显著优于先前最先进方法。
• 在低分辨率（8.3 μm）扫描上，模型Dice系数保持在0.80以上，表明对空间细节减少具有鲁棒性。
• 在合成数据上训练的网络能良好泛化至真实CT扫描，无需领域自适应即可获得高IoU分数。
• 在低分辨率真实数据集上，3D FCN相比最佳基线方法，平均Dice分数提升了12%。
• 消融实验确认，3D卷积在捕捉3D空间中纤维的连续性与取向方面至关重要，尤其在低分辨率下。