Human Perception-Inspired Grain Segmentation Refinement Using Conditional Random Fields

要約

多結晶材料の電子顕微鏡画像における粒界の自動検出は、科学研究の下で無数の工学材料と新規材料のナノスケールの特性評価を加速するのに役立ちます。
多結晶材料微細構造の粒界などの相互接続されたラインネットワークの正確なセグメンテーションは、畳み込みニューラルネットワークを含む従来のコンピュータービジョンアルゴリズムによって生成される断片化されたマスクのために重要な課題をもたらします。
これらのアルゴリズムは薄いマスクと格闘しており、多くの場合、効果的な輪郭の閉鎖と連続性のために後処理を必要とします。
このドメインでの以前のアプローチは、通常、問題固有であり、コンピュータービジョンアルゴリズムから得られたマスクの品質に大きく依存するカスタム後処理技術に依存しています。
この問題に対処するこのペーパーでは、相互接続されたラインネットワークのセグメンテーションマスクに普遍的に適用可能な高速で高忠実度の後処理技術を紹介します。
粒界接続性に関するドメインの知識を活用するこの方法では、条件付きランダムフィールドと知覚グループ化ルールを使用して、識別可能な粒子構造を持つ画像のセグメンテーションマスクを改善します。
このアプローチは、セグメンテーションマスクの精度を大幅に向上させ、多結晶酸化物の電子顕微鏡画像のU-NETモデルとの検証における79％のセグメント識別精度を達成します。
さらに、新規粒アラインメントメトリックが導入され、穀物のアライメントが51％改善されています。
この方法は、迅速かつ正確なセグメンテーションを可能にするだけでなく、前例のないレベルのデータ分析を促進し、粒界ネットワークの統計的表現を大幅に改善し、相互接続されたラインネットワークの正確なセグメンテーションが不可欠な分野に適しています。

要約(オリジナル)

Automated detection of grain boundaries in electron microscope images of polycrystalline materials could help accelerate the nanoscale characterization of myriad engineering materials and novel materials under scientific research. Accurate segmentation of interconnected line networks, such as grain boundaries in polycrystalline material microstructures, poses a significant challenge due to the fragmented masks produced by conventional computer vision algorithms, including convolutional neural networks. These algorithms struggle with thin masks, often necessitating post-processing for effective contour closure and continuity. Previous approaches in this domain have typically relied on custom post-processing techniques that are problem-specific and heavily dependent on the quality of the mask obtained from a computer vision algorithm. Addressing this issue, this paper introduces a fast, high-fidelity post-processing technique that is universally applicable to segmentation masks of interconnected line networks. Leveraging domain knowledge about grain boundary connectivity, this method employs conditional random fields and perceptual grouping rules to refine segmentation masks of any image with a discernible grain structure. This approach significantly enhances segmentation mask accuracy, achieving a 79% segment identification accuracy in validation with a U-Net model on electron microscopy images of a polycrystalline oxide. Additionally, a novel grain alignment metric is introduced, showing a 51% improvement in grain alignment. This method not only enables rapid and accurate segmentation but also facilitates an unprecedented level of data analysis, significantly improving the statistical representation of grain boundary networks, making it suitable for a range of disciplines where precise segmentation of interconnected line networks is essential.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google