お客様: 公的研究機関様
ご依頼内容
- X線CTで取得した3次元ボクセルデータから、内部の部品を種類ごとに、自動で分割したい。
- 分割した部品を、部品単位の3D形状として取り出し、形を確認できるようにしたい。
- 複数の手法を比較し、対象データに合う構成を、選定してほしい。
- 実装は、MATLABのプログラムとして受け取りたい。
課題
- 技術的には、表面が滑らかで、局所形状の特徴が乏しい4種類の部品を、ボリューム上で識別することが困難なこと。
- 撮影用の台の写り込みや、教師ラベルのばらつきが、学習へ与える影響を抑えること。
- 分割結果を、部品単位で確認できる3D形状へ変換すること。
ソリューション
- 密度プロファイルで撮影台を分離し、二値化と外接直方体で、対象領域を切り出した。
- 多クラスの3D U-Netを複数の損失条件で比較したが、分類がまだら状になるため、不採用とした。
- 点群系ネットワークも実装・検討し、局所形状やボクセル解像度との相性を理由に、不採用とした。
- 採用構成では、2クラスの3D U-Netで全部品の前景を抽出し、形態学処理で個体へ分割した。
- 各個体の体積、主軸長、充填率などの3次元特徴量を算出し、決定木系のアンサンブルで、4クラスへ分類した。
- 塊状と細長い部品で表面再構成手法を使い分け、部品別のSTLを出力した。
結果
- End-to-Endの学習では成立しなかった4種類の部品識別を、前景抽出・個体分割・特徴量分類の構成で実現した。
- 混同行列と目視で残る誤りを個別に整理し、次フェーズの定量評価課題を提示した。
- 部品別のラベルボリュームとSTLを出力し、内部の部品の3D形状を、分解せずに部品単位で確認できる。
ひとこと
- 3Dボリュームデータのセグメンテーションには、深層学習から古典的な画像処理まで、様々な方法があります。データの解像度や、対象の形状の性質によって、有効な方法が変わるため、最適な構成を選ぶのは難しいと思います。
- 「定番とされる深層学習を試したが、思うような精度が出ない。学習条件を変えて試すだけで、時間が過ぎてしまう。方法から選び直したい。」という場合はあります。弊社は、深層学習と古典的な画像処理の役割を分けて、構成を組み直します。不採用とした手法についても、理由をつけてご報告します。
お問い合わせ
開発事例にご興味ありましたら、お気軽にお問い合わせ下さい。
下記の、「今すぐお問い合わせ」をクリックして、フォームにご記入下さい。
早急に回答致します。
