利用微调与超参数优化进行枝晶分割的 3D 卷积神经网络
计算机视觉与模式识别
2022-05-04 v1 材料科学
图像与视频处理
摘要
枝晶微结构在自然界中无处不在，是金属材料中主要的凝固形态。X 射线计算机断层扫描（XCT）等技术为枝晶相变现象提供了新见解。然而，在显微数据中手动识别枝晶形态既费力又可能存在歧义。3D 数据集的分析尤其具有挑战性，因其体量巨大（TB 级）且成像体积内散布有伪影。在本研究中，我们训练了 3D 卷积神经网络（CNN）来分割 3D 数据集。我们考察了三种 CNN 架构，包括新提出的 3D 版 FCDense。我们表明，利用超参数优化（HPO）与微调技术，2D 与 3D CNN 架构均可训练至超越先前最优水平。根据定量指标（像素级精度 99.84%、边界位移误差 0.58 像素），本研究训练的 3D U-Net 架构产生了最佳分割；而 3D FCDense 根据视觉检查产生了最平滑的边界与最佳分割。训练好的 3D CNN 仅约 60 秒即可分割完整的 852 x 852 x 250 体素 3D 体积，从而加速了对枝晶凝固等相变现象的更深入理解。
引用
@article{arxiv.2205.01167,
title = {3D Convolutional Neural Networks for Dendrite Segmentation Using Fine-Tuning and Hyperparameter Optimization},
author = {Jim James and Nathan Pruyne and Tiberiu Stan and Marcus Schwarting and Jiwon Yeom and Seungbum Hong and Peter Voorhees and Ben Blaiszik and Ian Foster},
journal= {arXiv preprint arXiv:2205.01167},
year = {2022}
}