論文の概要: [Work in progress] Scalable, out-of-the box segmentation of individual
particles from mineral samples acquired with micro CT
- arxiv url: http://arxiv.org/abs/2301.13319v1
- Date: Mon, 30 Jan 2023 22:43:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-01 18:18:02.204475
- Title: [Work in progress] Scalable, out-of-the box segmentation of individual
particles from mineral samples acquired with micro CT
- Title（参考訳）: マイクロctで得られた鉱物試料からの個々の粒子のスケーラブル・アウト・オブ・ザ・ボックスセグメンテーション
- Authors: Karol Gotkowski and Shuvam Gupta and Jose R. A. Godinho and Camila G.
S. Tochtrop and Klaus H. Maier-Hein and Fabian Isensee
- Abstract要約: 機能する近代社会には鉱物が不可欠だが、その供給は限られており、探索と抽出を最適化する必要がある。
現在のアプローチでは、粒子のバルクセグメンテーションとキャラクタリゼーションに基づいてこの分析を行い、粒子を分離するための初歩的な後処理技術に依存している。
そこで本研究では,エポキシマトリクスに埋没したミネラル試料から採取した大型マイクロCT画像から,個々の粒子を抽出するインスタンスセグメンテーション法を提案する。
- 参考スコア（独自算出の注目度）: 1.8540605639210073
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Minerals are indispensable for a functioning modern society. Yet, their
supply is limited causing a need for optimizing their exploration and
extraction both from ores and recyclable materials. Typically, these processes
must be meticulously adapted to the precise properties of the processed
particles, requiring an extensive characterization of their shapes, appearances
as well as the overall material composition. Current approaches perform this
analysis based on bulk segmentation and characterization of particles, and rely
on rudimentary postprocessing techniques to separate touching particles.
However, due to their inability to reliably perform this separation as well as
the need to retrain or reconfigure most methods for each new image, these
approaches leave untapped potential to be leveraged. Here, we propose an
instance segmentation method that is able to extract individual particles from
large micro CT images taken from mineral samples embedded in an epoxy matrix.
Our approach is based on the powerful nnU-Net framework, introduces a particle
size normalization, makes use of a border-core representation to enable
instance segmentation and is trained with a large dataset containing particles
of numerous different materials and minerals. We demonstrate that our approach
can be applied out-of-the box to a large variety of particle types, including
materials and appearances that have not been part of the training set. Thus, no
further manual annotations and retraining are required when applying the method
to new mineral samples, enabling substantially higher scalability of
experiments than existing methods. Our code and dataset are made publicly
available.
- Abstract（参考訳）: 鉱物は機能する現代社会に欠かせない。
しかし、その供給量は限られており、鉱石とリサイクル可能な材料の両方から探査と抽出を最適化する必要がある。
通常、これらのプロセスは、加工された粒子の正確な性質に精巧に適応し、その形状、外観、および全体的な材料組成を広範囲に評価する必要がある。
現在のアプローチでは、粒子のバルクセグメンテーションとキャラクタリゼーションに基づいてこの分析を行い、接触粒子を分離する基本的な後処理技術に依存している。
しかし、この分離を確実に実行できないことや、新しいイメージごとにほとんどのメソッドをトレーニングまたは再構成する必要から、これらのアプローチは未解決の可能性を生かしている。
本稿では,エポキシマトリクスに埋め込まれた鉱物試料から採取した大きなマイクロct画像から個々の粒子を抽出できるインスタンス分割法を提案する。
我々のアプローチは、強力なnnU-Netフレームワークをベースとして、粒子サイズ正規化を導入し、境界コア表現を用いてインスタンスセグメンテーションを可能にし、多数の異なる材料や鉱物の粒子を含む大規模なデータセットで訓練する。
本手法は, トレーニングセットに含まれていない材料や外観など, 様々な種類の粒子に対して, アウト・オブ・ザ・ボックスで適用可能であることを示す。
したがって、新しいミネラルサンプルに適用する場合、手動のアノテーションや再訓練は不要であり、既存の手法よりも実験のスケーラビリティが著しく向上する。
私たちのコードとデータセットは公開されています。
関連論文リスト
- End-to-End Model-based Deep Learning for Dual-Energy Computed Tomography Material Decomposition [53.14236375171593]
本稿では,定量化のためのエンド・ツー・エンド材料分解(E2E-DEcomp)と呼ばれる深層学習手法を提案する。
AAPMスペクトルCTデータセットにおける直接E2E-DEcomp法の有効性を示す。
論文 参考訳（メタデータ） (2024-06-01T16:20:59Z) - Feedback Efficient Online Fine-Tuning of Diffusion Models [52.170384048274364]
提案手法は, 実現可能なサンプルの多様体上で効率的に探索できる新しい強化学習手法である。
本稿では,3つの領域にまたがる実証的検証とともに,後悔の保証を提供する理論的解析を提案する。
論文 参考訳（メタデータ） (2024-02-26T07:24:32Z) - Deep-learning-based decomposition of overlapping-sparse images: application at the vertex of neutrino interactions [2.5521723486759407]
本稿では,深層学習の力を利用して,多次元重なり合うスパース画像中の個々の物体を正確に抽出する手法を提案する。
これは、イメージング検出器から得られるオーバーレイド素粒子を分解した高エネルギー物理学の直接的な応用である。
論文 参考訳（メタデータ） (2023-10-30T16:12:25Z) - Interpretable Joint Event-Particle Reconstruction for Neutrino Physics
at NOvA with Sparse CNNs and Transformers [124.29621071934693]
本稿では,畳み込みによって実現される空間学習と,注意によって実現される文脈学習を組み合わせた新しいニューラルネットワークアーキテクチャを提案する。
TransformerCVNは各事象を同時に分類し、各粒子のアイデンティティを再構築する。
このアーキテクチャにより、ネットワークの予測に関する洞察を提供する、いくつかの解釈可能性の研究を行うことができる。
論文 参考訳（メタデータ） (2023-03-10T20:36:23Z) - Transformer with Implicit Edges for Particle-based Physics Simulation [135.77656965678196]
Implicit Edges (TIE) を用いたトランスフォーマーは、素粒子相互作用のリッチなセマンティクスをエッジフリーでキャプチャする。
様々な複雑さと素材の多様な領域におけるモデルの評価を行った。
論文 参考訳（メタデータ） (2022-07-22T03:45:29Z) - ASOCEM: Automatic Segmentation Of Contaminations in cryo-EM [0.0]
得られたマイクログラフの汚染は, 粒子ピッカーの性能を著しく低下させた。
本稿では, 汚染を自動的に検出し, 分別するASOCEMを提案する。
本手法は, 汚染領域の統計分布がマイクログラフの他の部分と異なるという観測に基づいている。
論文 参考訳（メタデータ） (2022-01-18T13:42:22Z) - BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。
ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
論文 参考訳（メタデータ） (2021-06-08T10:14:57Z) - Regularization by Denoising Sub-sampled Newton Method for Spectral CT
Multi-Material Decomposition [78.37855832568569]
スペクトルctを用いたマルチマテリアル画像再構成のためのモデルベース最大後課題の解決法を提案する。
特に,プラグイン画像復号化機能に基づく正規化最適化問題について提案する。
スペクトルct材料分解の数値的および実験的結果を示す。
論文 参考訳（メタデータ） (2021-03-25T15:20:10Z) - Synthetic Image Rendering Solves Annotation Problem in Deep Learning
Nanoparticle Segmentation [5.927116192179681]
レンダリングソフトウェアを使用することで、リアルで合成されたトレーニングデータを生成して、最先端の深層ニューラルネットワークをトレーニングできることが示される。
有害な金属酸化物ナノ粒子アンサンブルに対する人為的アノテーションに匹敵するセグメンテーション精度を導出する。
論文 参考訳（メタデータ） (2020-11-20T17:05:36Z) - Improving the Segmentation of Scanning Probe Microscope Images using
Convolutional Neural Networks [0.9236074230806579]
有機溶媒からの沈着によりシリコン表面に生成した金ナノ粒子の2次元集合体像の分画プロトコルを開発した。
溶媒の蒸発は粒子の極端に平衡な自己組織化を駆動し、様々なナノパターンや微細構造パターンを生み出す。
U-Net畳み込みニューラルネットワークを用いたセグメンテーション戦略が従来の自動アプローチより優れていることを示す。
論文 参考訳（メタデータ） (2020-08-27T20:49:59Z) - Robust Technique for Representative Volume Element Identification in
Noisy Microtomography Images of Porous Materials Based on Pores Morphology
and Their Spatial Distribution [0.0]
本研究は, ポーシティなどの物理パラメータを考慮せずに, 代表的な初等音量同定に光を当てる。
得られたボリューム要素は、画像がフィルタリングされバイナライズされた場合、領域の物理特性の計算に使用できる。
論文 参考訳（メタデータ） (2020-07-06T19:34:09Z)
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。