ParticleSeg3D：一种可扩展开箱即用的深度学习分割方案用于矿物加工与回收中微CT图像的单颗粒表征
计算机视觉与模式识别
2023-12-15 v4
摘要
矿物、金属与塑料对运转良好的现代社会不可或缺。然而，其供应有限，导致需要优化矿石提取与从可回收材料中的回收。通常，这些工艺必须依据所处理材料的精确性质精心调整。因此，深化对这些材料的理解至关重要，可通过将其破碎至微米级颗粒进而表征来实现。当前的成像方法基于计算机断层扫描（CT）图像的颗粒分割与表征来进行该分析，并依赖 rudimentary 的后处理技术分离接触颗粒。然而，它们无法可靠地进行此种分离，且需针对每幅新图像重新训练方法，令这些途径留有未发掘的潜力。在此，我们提出ParticleSeg3D，一种能从含不同材料颗粒样本的大型CT图像中提取单个颗粒的实例分割方法。我们的方法基于强大的nnU-Net框架，引入颗粒尺寸归一化，使用边界-核心表示以实现实例分割，并采用含众多不同尺寸、形状与各种材料组成颗粒的大型数据集训练。我们证明ParticleSeg3D可开箱即用地应用于多种颗粒类型，包括未出现在训练集中的材料与外观。因此，将方法应用于新颗粒样本时无需进一步手动标注与重训练，相较现有方法实现了显著更高的实验可扩展性。我们的代码与数据集已公开可用。
引用
@article{arxiv.2301.13319,
title = {ParticleSeg3D: A Scalable Out-of-the-Box Deep Learning Segmentation Solution for Individual Particle Characterization from Micro CT Images in Mineral Processing and Recycling},
author = {Karol Gotkowski and Shuvam Gupta and Jose R. A. Godinho and Camila G. S. Tochtrop and Klaus H. Maier-Hein and Fabian Isensee},
journal= {arXiv preprint arXiv:2301.13319},
year = {2023}
}