Enhancing Rock Image Segmentation in Digital Rock Physics: A Fusion of Generative AI and State-of-the-Art Neural Networks

要約

デジタル岩石物理学では、CT および SEM スキャンからの微細構造の分析は、空隙率や細孔の接続性などの特性を推定するために重要です。
しきい値処理や CNN などの従来のセグメンテーション手法では、岩石の微細構造を正確に詳細に表現できないことが多く、ノイズが発生しやすいです。
U-Net はセグメンテーションの精度を向上させましたが、多くの専門家による注釈付きサンプルが必要であり、複雑な孔の形状のため、手間がかかりエラーが発生しやすいプロセスでした。
私たちの研究では、これらの制限を克服するために、高度な生成 AI モデルである拡散モデルを採用しました。
このモデルは、小さな初期データセットから CT/SEM とバイナリ セグメンテーション ペアの膨大なデータセットを生成しました。
これらの強化された画像をセグメント化するための 3 つのニューラル ネットワーク (U-Net、Attendant-U-net、TransUNet) の有効性を評価しました。
拡散モデルは効果的なデータ拡張手法であることが証明され、深層学習モデルの一般化と堅牢性が向上しました。
Transformer 構造を組み込んだ TransU-Net は、優れたセグメンテーション精度と IoU メトリクスを実証し、U-Net と tention-U-net の両方を上回りました。
私たちの研究では、拡散モデルと最先端のニューラル ネットワークを組み合わせて岩石画像のセグメンテーションを進歩させ、広範な専門家データへの依存を減らし、セグメンテーションの精度と堅牢性を高めています。
TransU-Net はデジタル岩石物理学の新たな標準を確立し、将来の地球科学と工学のブレークスルーへの道を切り開きます。

要約(オリジナル)

In digital rock physics, analysing microstructures from CT and SEM scans is crucial for estimating properties like porosity and pore connectivity. Traditional segmentation methods like thresholding and CNNs often fall short in accurately detailing rock microstructures and are prone to noise. U-Net improved segmentation accuracy but required many expert-annotated samples, a laborious and error-prone process due to complex pore shapes. Our study employed an advanced generative AI model, the diffusion model, to overcome these limitations. This model generated a vast dataset of CT/SEM and binary segmentation pairs from a small initial dataset. We assessed the efficacy of three neural networks: U-Net, Attention-U-net, and TransUNet, for segmenting these enhanced images. The diffusion model proved to be an effective data augmentation technique, improving the generalization and robustness of deep learning models. TransU-Net, incorporating Transformer structures, demonstrated superior segmentation accuracy and IoU metrics, outperforming both U-Net and Attention-U-net. Our research advances rock image segmentation by combining the diffusion model with cutting-edge neural networks, reducing dependency on extensive expert data and boosting segmentation accuracy and robustness. TransU-Net sets a new standard in digital rock physics, paving the way for future geoscience and engineering breakthroughs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google