論文の概要: Machine Learning Guided 3D Image Recognition for Carbonate Pore and
Mineral Volumes Determination
- arxiv url: http://arxiv.org/abs/2111.04612v1
- Date: Mon, 8 Nov 2021 16:34:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-09 17:12:07.369704
- Title: Machine Learning Guided 3D Image Recognition for Carbonate Pore and
Mineral Volumes Determination
- Title（参考訳）: 機械学習による炭酸塩気孔の3次元画像認識と鉱物量決定
- Authors: Omar Alfarisi, Aikifa Raza, Hongtao Zhang, Djamel Ozzane, Mohamed
Sassi and Tiejun Zhang
- Abstract要約: 我々は3D uCTとMRI画像からポロシティを決定する2つの方法を提案する。
IROGAとMLDGRFは、トレーニングセットで96.2%と97.1%の精度でポロシティの結果を生み出している。
- 参考スコア（独自算出の注目度）: 1.565870461096057
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Automated image processing algorithms can improve the quality, efficiency,
and consistency of classifying the morphology of heterogeneous carbonate rock
and can deal with a massive amount of data and images seamlessly. Geoscientists
face difficulties in setting the direction of the optimum method for
determining petrophysical properties from rock images, Micro-Computed
Tomography (uCT), or Magnetic Resonance Imaging (MRI). Most of the successful
work is from the homogeneous rocks focusing on 2D images with less focus on 3D
and requiring numerical simulation. Currently, image analysis methods converge
to three approaches: image processing, artificial intelligence, and combined
image processing with artificial intelligence. In this work, we propose two
methods to determine the porosity from 3D uCT and MRI images: an image
processing method with Image Resolution Optimized Gaussian Algorithm (IROGA);
advanced image recognition method enabled by Machine Learning Difference of
Gaussian Random Forest (MLDGRF). We have built reference 3D micro models and
collected images for calibration of IROGA and MLDGRF methods. To evaluate the
predictive capability of these calibrated approaches, we ran them on 3D uCT and
MRI images of natural heterogeneous carbonate rock. We measured the porosity
and lithology of the carbonate rock using three and two industry-standard ways,
respectively, as reference values. Notably, IROGA and MLDGRF have produced
porosity results with an accuracy of 96.2% and 97.1% on the training set and
91.7% and 94.4% on blind test validation, respectively, in comparison with the
three experimental measurements. We measured limestone and pyrite reference
values using two methods, X-ray powder diffraction, and grain density
measurements. MLDGRF has produced lithology (limestone and Pyrite) volumes with
97.7% accuracy.
- Abstract（参考訳）: 自動化画像処理アルゴリズムは、不均一な炭酸塩岩の形態を分類する品質、効率、一貫性を改善し、大量のデータや画像をシームレスに扱うことができる。
地質学者は、岩石画像、マイクロCT(Micro-Computed Tomography)、MRI(Magnetic Resonance Imaging)から岩石物性を決定する最適な方法の方向性を設定するのに困難に直面している。
成功した作品のほとんどは2d画像に焦点を当てた均質な岩石によるもので、3dにはあまり焦点を合わせず、数値シミュレーションを必要とする。
現在、画像分析手法は、画像処理、人工知能、および人工知能と組み合わせた画像処理の3つのアプローチに収束している。
本研究では,画像解像度最適化ガウスアルゴリズム(iroga)を用いた画像処理法と,ガウスランダムフォレスト(mldgrf)の機械学習による機械学習による高度な画像認識法を提案する。
IROGA法とMLDGRF法の校正のための参照3次元マイクロモデルを構築し,画像収集を行った。
これらのキャリブレーション手法の予測能力を評価するために, 天然不均質炭酸塩岩の3次元CTおよびMRI画像を用いた。
カルボネート岩のポロシティと岩石学を基準値として,それぞれ3つの業界標準法と2つの方法を用いて測定した。
特に、IROGAとMLDGRFは、トレーニングセットで96.2%、97.1%、ブラインドテストの検証で91.7%、94.4%の精度でポロシティ結果を生み出している。
X線粉末回折法と粒密度測定の2つの方法を用いて石灰岩とパイライトの基準値を測定した。
MLDGRFは97.7%の精度でリソロジー(石灰岩とパイライト)を生産している。
関連論文リスト
- Automated MRI Quality Assessment of Brain T1-weighted MRI in Clinical Data Warehouses: A Transfer Learning Approach Relying on Artefact Simulation [3.115212915804253]
本研究では,臨床データウェアハウス内における3次元勾配エコーT1強調脳MRIの自動品質制御のための革新的な転写学習手法を提案する。
まず、低コントラストを誘発し、ノイズを加え、動き人工物を導入することにより、研究データセットからの画像を意図的に破壊する。
3つのアーティファクト固有のモデルは、これらの破損した画像を用いて事前訓練され、異なる種類のアーティファクトを検出する。
論文 参考訳（メタデータ） (2024-06-18T09:53:07Z) - DDGS-CT: Direction-Disentangled Gaussian Splatting for Realistic Volume Rendering [30.30749508345767]
デジタル再構成ラジオグラフィ(DRR)は3次元CTボリュームから生成された2次元X線画像である。
そこで本研究では, DRR 生成を効率よく, 微分可能な DRR 生成で実現し, 現実的な物理にインスパイアされた X-ray シミュレーションを取り入れた新しい手法を提案する。
論文 参考訳（メタデータ） (2024-06-04T17:39:31Z) - Exploration of Multi-Scale Image Fusion Systems in Intelligent Medical Image Analysis [3.881664394416534]
MRI画像上で脳腫瘍の自動分離を行う必要がある。
このプロジェクトは、U-Netに基づいたMRIアルゴリズムを構築することを目的としている。
論文 参考訳（メタデータ） (2024-05-23T04:33:12Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳（メタデータ） (2023-06-23T03:09:03Z) - Pixelated Reconstruction of Foreground Density and Background Surface
Brightness in Gravitational Lensing Systems using Recurrent Inference
Machines [116.33694183176617]
我々は、リカレント推論マシンに基づくニューラルネットワークを用いて、背景画像の歪みのない画像と、画素マップとしてのレンズ質量密度分布を再構成する。
従来のパラメトリックモデルと比較して、提案手法はより表現力が高く、複雑な質量分布を再構成することができる。
論文 参考訳（メタデータ） (2023-01-10T19:00:12Z) - Stain-invariant self supervised learning for histopathology image
analysis [74.98663573628743]
乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。
本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2022-11-14T18:16:36Z) - Lightweight 3D Convolutional Neural Network for Schizophrenia diagnosis
using MRI Images and Ensemble Bagging Classifier [1.487444917213389]
本稿では,MRI画像を用いた統合失調症診断のための軽量3次元畳み込みニューラルネットワーク(CNN)フレームワークを提案する。
精度は92.22%、感度94.44%、特異度90%、精度90.43%、リコール94.44%、F1スコア92.39%、G平均92.19%である。
論文 参考訳（メタデータ） (2022-11-05T10:27:37Z) - Texture Characterization of Histopathologic Images Using Ecological
Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。
2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
論文 参考訳（メタデータ） (2022-02-27T02:19:09Z) - Tracking perovskite crystallization via deep learning-based feature
detection on 2D X-ray scattering data [137.47124933818066]
本稿では,より高速なR-CNN深層学習アーキテクチャに基づくX線回折画像の自動解析パイプラインを提案する。
有機-無機ペロブスカイト構造の結晶化をリアルタイムに追跡し, 2つの応用で検証した。
論文 参考訳（メタデータ） (2022-02-22T15:39:00Z) - MudrockNet: Semantic Segmentation of Mudrock SEM Images through Deep
Learning [0.0]
本稿では,GoogleのDeepLab-v3+アーキテクチャに基づく深層学習SEMセグメンテーションモデルMudrockNetを提案する。
訓練された深層学習モデルは、約90%の画素精度を取得し、試験データの予測値は、銀粒の0.6591と毛穴の0.6642の平均交点(IoU)を得た。
論文 参考訳（メタデータ） (2021-02-05T19:38:44Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。