基于修改后体射 tomography 数据的原位 synchrotron X 射线 CT 图像分割
材料科学
2025-09-19 v3 计算机视觉与模式识别
摘要
原位 synchrotron X 射线 CT 使能够进行动态材料研究。然而，由于复杂的图像伪影（如环形效应和 cupping 效应）以及有限的训练数据，自动化分割仍具有挑战性。我们提出了一种基于深度学习的分割方法，通过将高质量的体射实验室数据转换为训练用于原位 synchrotron 数据的分割模型，典型地通过金属氧化物溶解研究进行演示。采用修改后的 SegFormer 架构，我们的方法实现了（94.7%）IoU 的分割性能，匹配了人类间注释者的可靠性（94.6%）IoU。这表明该模型已达到该任务的实际上限，同时将处理时间缩短了两个数量级。该方法在实验期间发生显著形态变化的情况下仍保持稳健的性能，尽管仅在静态标本上进行训练。该方法可以轻松应用于各种材料系统，使能够高效地分析在典型原位实验中产生的大量时序 tomographic 数据。
引用
@article{arxiv.2504.19200,
title = {Leveraging Modified Ex Situ Tomography Data for Segmentation of In Situ Synchrotron X-Ray Computed Tomography},
author = {Tristan Manchester and Adam Anders and Julio Spadotto and Hannah Eccleston and William Beavan and Hugues Arcis and Brian J. Connolly},
journal= {arXiv preprint arXiv:2504.19200},
year = {2025}
}