論文の概要: RU-Net for Automatic Characterization of TRISO Fuel Cross Sections

• arxiv url: http://arxiv.org/abs/2509.12244v1
• Date: Wed, 10 Sep 2025 23:04:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-17 17:50:52.642809
• Title: RU-Net for Automatic Characterization of TRISO Fuel Cross Sections
• Title（参考訳）: トリソ燃料断面の自動評価のためのRU-Net
• Authors: Lu Cai, Fei Xu, Min Xian, Yalei Tang, Shoukun Sun, John Stempien,
• Abstract要約: 我々は、畳み込みニューラルネットワーク(CNN)を用いて、微視的なTRISO層の断面画像を分割する。 CNNは、構造化グリッドデータを処理するために特別に設計された機械学習アルゴリズムのクラスである。 予備的な結果は、RU-Netに基づくモデルが、Union上のインターセクションの点で最良であることを示している。
• 参考スコア（独自算出の注目度）: 4.456149258746652
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: During irradiation, phenomena such as kernel swelling and buffer densification may impact the performance of tristructural isotropic (TRISO) particle fuel. Post-irradiation microscopy is often used to identify these irradiation-induced morphologic changes. However, each fuel compact generally contains thousands of TRISO particles. Manually performing the work to get statistical information on these phenomena is cumbersome and subjective. To reduce the subjectivity inherent in that process and to accelerate data analysis, we used convolutional neural networks (CNNs) to automatically segment cross-sectional images of microscopic TRISO layers. CNNs are a class of machine-learning algorithms specifically designed for processing structured grid data. They have gained popularity in recent years due to their remarkable performance in various computer vision tasks, including image classification, object detection, and image segmentation. In this research, we generated a large irradiated TRISO layer dataset with more than 2,000 microscopic images of cross-sectional TRISO particles and the corresponding annotated images. Based on these annotated images, we used different CNNs to automatically segment different TRISO layers. These CNNs include RU-Net (developed in this study), as well as three existing architectures: U-Net, Residual Network (ResNet), and Attention U-Net. The preliminary results show that the model based on RU-Net performs best in terms of Intersection over Union (IoU). Using CNN models, we can expedite the analysis of TRISO particle cross sections, significantly reducing the manual labor involved and improving the objectivity of the segmentation results.
• Abstract（参考訳）: 照射中、核膨潤や緩衝密度化などの現象がトリソ粒子燃料の性能に影響を及ぼす可能性がある。 放射線照射後の顕微鏡は、これらの照射によって引き起こされる形態変化を識別するためにしばしば用いられる。 しかし、それぞれの燃料コンパクトは一般的に数千のTRISO粒子を含む。 これらの現象の統計情報を手作業で得るのは面倒で主観的です。 そこで我々は,そのプロセスに固有の主観性を低減し,データ解析を高速化するために,畳み込みニューラルネットワーク(CNN)を用いて顕微鏡TRISO層の断面画像を自動的に分割した。 CNNは、構造化グリッドデータを処理するために特別に設計された機械学習アルゴリズムのクラスである。 近年、画像分類、オブジェクト検出、画像セグメント化など、様々なコンピュータビジョンタスクにおける顕著な性能のために人気が高まっている。 本研究では,2000枚以上の断面積のTRISO粒子とそれに対応するアノテート画像の顕微鏡画像を用いた大規模なTRISO層データセットを作成した。 これらの注釈付き画像に基づいて、異なるCNNを使用して、異なるTRISO層を自動的に分割した。 これらのCNNには、RU-Net(この研究で開発された)、U-Net、Residual Network(ResNet)、Attention U-Netの3つの既存のアーキテクチャが含まれている。 予備的な結果から, RU-Netに基づくモデルは, IoU (Intersection over Union) において最適であることがわかった。 CNNモデルを用いて、TRISO粒子断面の解析を高速化し、手作業を大幅に削減し、セグメンテーション結果の客観性を向上させる。

関連論文リスト

• Image Segmentation: Inducing graph-based learning [4.499833362998488]
  本研究では,グラフニューラルネットワーク(GNN)の可能性を探り,多様な画像モダリティにまたがるセマンティックセグメンテーションを強化する。 GNNは、画像特徴のグラフ表現の構築と操作により、画像領域間の関係を明示的にモデル化する。 本分析は,多様なセグメンテーション課題に対処するGNNの汎用性を実証し,様々なアプリケーションにおけるセグメンテーション精度向上の可能性を強調した。
  論文  参考訳（メタデータ） (2025-01-07T13:09:44Z)
• Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
  オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。 最初はFlyTracingという名前のデータセットを構築しました。 本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-05T19:45:12Z)
• Enhancing Rock Image Segmentation in Digital Rock Physics: A Fusion of Generative AI and State-of-the-Art Neural Networks [5.089732183029123]
  デジタル・ロック物理学において、CTとSEMスキャンから微細構造を分析することは、ポーシティーや細孔接続性などの特性を推定するために重要である。 しきい値やCNNのような従来のセグメンテーション手法は、しばしば岩の微細構造を正確に詳細に記述するに足りず、ノイズを生じやすい。 U-Netはセグメンテーションの精度を改善したが、複雑な細孔形状のため、多くの専門家による注釈付きサンプルを必要とした。 我々の研究は、これらの制限を克服するために、高度な生成AIモデルである拡散モデルを用いていた。 TransU-Netは、デジタルロック物理学の新しい標準を設定し、将来の地球科学と工学のブレークスルーの道を開く。
  論文  参考訳（メタデータ） (2023-11-10T14:24:50Z)
• Deep Multi-Threshold Spiking-UNet for Image Processing [51.88730892920031]
  本稿では,SNN(Spike Neural Networks)とU-Netアーキテクチャを組み合わせた,画像処理のためのスパイキング-UNetの概念を紹介する。 効率的なスパイキング-UNetを実現するためには,スパイクによる高忠実度情報伝播の確保と,効果的なトレーニング戦略の策定という2つの課題に直面する。 実験の結果,画像のセグメンテーションとデノイングにおいて,スパイキングUNetは非スパイキングと同等の性能を発揮することがわかった。
  論文  参考訳（メタデータ） (2023-07-20T16:00:19Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Segmentation of Roads in Satellite Images using specially modified U-Net CNNs [0.0]
  本研究の目的は,道路画像の特定を行う都市景観の衛星画像の分類器を構築することである。 従来のコンピュータビジョンアルゴリズムとは異なり、畳み込みニューラルネットワーク(CNN)はこのタスクに対して正確で信頼性の高い結果を提供する。
  論文  参考訳（メタデータ） (2021-09-29T19:08:32Z)
• Learning Hybrid Representations for Automatic 3D Vessel Centerline Extraction [57.74609918453932]
  3次元医用画像からの血管の自動抽出は血管疾患の診断に不可欠である。 既存の方法では、3次元画像からそのような細い管状構造を分割する際に、抽出された容器の不連続に悩まされることがある。 抽出された船舶の連続性を維持するためには、地球的幾何学を考慮に入れる必要があると論じる。 この課題を解決するためのハイブリッド表現学習手法を提案します。
  論文  参考訳（メタデータ） (2020-12-14T05:22:49Z)
• Pairwise Relation Learning for Semi-supervised Gland Segmentation [90.45303394358493]
  病理組織像における腺分節に対するPRS2モデルを提案する。 このモデルはセグメンテーションネットワーク(S-Net)とペア関係ネットワーク(PR-Net)から構成される。 我々は,GlaSデータセットの最近の5つの手法とCRAGデータセットの最近の3つの手法を比較した。
  論文  参考訳（メタデータ） (2020-08-06T15:02:38Z)

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。