[Work in progress] Scalable, out-of-the box segmentation of individual particles from mineral samples acquired with micro CT

要約

ミネラルは、機能する現代社会に不可欠です。
しかし、それらの供給は限られているため、鉱石とリサイクル可能な材料の両方からの探査と抽出を最適化する必要があります。
通常、これらのプロセスは、処理された粒子の正確な特性に細心の注意を払って適合させる必要があり、その形状、外観、および全体的な材料組成の広範な特性評価が必要です。
現在のアプローチは、粒子のバルクセグメンテーションと特性評価に基づいてこの分析を実行し、接触する粒子を分離するための基本的な後処理技術に依存しています。
ただし、この分離を確実に実行することができないこと、および新しい画像ごとにほとんどの方法を再トレーニングまたは再構成する必要があるため、これらのアプローチを活用する可能性は未開拓のままです。
ここでは、エポキシ マトリックスに埋め込まれた鉱物サンプルから撮影した大きなマイクロ CT 画像から個々の粒子を抽出できるインスタンス セグメンテーション法を提案します。
私たちのアプローチは、強力な nnU-Net フレームワークに基づいており、粒子サイズの正規化を導入し、ボーダーコア表現を利用してインスタンスのセグメンテーションを可能にし、多数の異なる材料や鉱物の粒子を含む大規模なデータセットでトレーニングされています。
私たちのアプローチは、トレーニング セットに含まれていないマテリアルや外観など、さまざまな種類の粒子にすぐに適用できることを示しています。
したがって、この方法を新しい鉱物サンプルに適用する際に、手動での注釈や再トレーニングは必要なく、既存の方法よりも大幅に高い実験のスケーラビリティを実現できます。
私たちのコードとデータセットは公開されています。

要約(オリジナル)

Minerals are indispensable for a functioning modern society. Yet, their supply is limited causing a need for optimizing their exploration and extraction both from ores and recyclable materials. Typically, these processes must be meticulously adapted to the precise properties of the processed particles, requiring an extensive characterization of their shapes, appearances as well as the overall material composition. Current approaches perform this analysis based on bulk segmentation and characterization of particles, and rely on rudimentary postprocessing techniques to separate touching particles. However, due to their inability to reliably perform this separation as well as the need to retrain or reconfigure most methods for each new image, these approaches leave untapped potential to be leveraged. Here, we propose an instance segmentation method that is able to extract individual particles from large micro CT images taken from mineral samples embedded in an epoxy matrix. Our approach is based on the powerful nnU-Net framework, introduces a particle size normalization, makes use of a border-core representation to enable instance segmentation and is trained with a large dataset containing particles of numerous different materials and minerals. We demonstrate that our approach can be applied out-of-the box to a large variety of particle types, including materials and appearances that have not been part of the training set. Thus, no further manual annotations and retraining are required when applying the method to new mineral samples, enabling substantially higher scalability of experiments than existing methods. Our code and dataset are made publicly available.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google