Fugu-MT 論文翻訳(概要): Automatic Volumetric Segmentation of Additive Manufacturing Defects with 3D U-Net

論文の概要: Automatic Volumetric Segmentation of Additive Manufacturing Defects with 3D U-Net

arxiv url: http://arxiv.org/abs/2101.08993v1
Date: Fri, 22 Jan 2021 08:24:54 GMT
ステータス: 処理完了
システム内更新日: 2021-03-20 17:17:58.296120
Title: Automatic Volumetric Segmentation of Additive Manufacturing Defects with 3D U-Net
Title（参考訳）: 3次元u-netによる添加物製造欠陥の自動分割
Authors: Vivian Wen Hui Wong, Max Ferguson, Kincho H. Law, Yung-Tsun Tina Lee, Paul Witherell
Abstract要約: AMサンプルのXCT画像の欠陥を自動的に分割する3次元U-Netモデルを提案する。この研究は、AM欠陥検出のための機械学習の使用に寄与し、AMにおける3Dセグメンテーションを初めて示す。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Segmentation of additive manufacturing (AM) defects in X-ray Computed Tomography (XCT) images is challenging, due to the poor contrast, small sizes and variation in appearance of defects. Automatic segmentation can, however, provide quality control for additive manufacturing. Over recent years, three-dimensional convolutional neural networks (3D CNNs) have performed well in the volumetric segmentation of medical images. In this work, we leverage techniques from the medical imaging domain and propose training a 3D U-Net model to automatically segment defects in XCT images of AM samples. This work not only contributes to the use of machine learning for AM defect detection but also demonstrates for the first time 3D volumetric segmentation in AM. We train and test with three variants of the 3D U-Net on an AM dataset, achieving a mean intersection of union (IOU) value of 88.4%.
Abstract（参考訳）: X-ray Computed Tomography (XCT) 画像における添加性製造 (AM) 欠陥の分離は, コントラストの低さ, 小型化, 外観の変動により困難である。しかし、自動セグメンテーションは添加物製造のための品質管理を提供することができる。近年,3次元畳み込みニューラルネットワーク(3d cnn)が医療画像のボリュームセグメンテーションにおいて良好に機能している。本研究では,医用画像領域の技法を活用し,AMサンプルのXCT画像の欠陥を自動的に識別する3次元U-Netモデルを提案する。この研究は、AM欠陥検出のための機械学習の使用に寄与するだけでなく、AMにおける3次元ボリュームセグメンテーションを初めて示す。 AMデータセット上で、3D U-Netの3つの変種をトレーニングし、テストし、平均的結合(IOU)値88.4%を達成する。