面向同步辐射X射线层析成像的零配置多相分割部署框架

《Scientific Reports》：From reconstruction to interpretation: zero-setup deployable model for multi-phase segmentation of X-ray tomography data

　　

摘要

X射线层析成像技术可实现材料的无损表征，而微焦点计算机断层扫描（μCT）成像技术的最新进展加速了体数据的采集与重建。然而，快速的科学解读仍受限于图像分割，通常在开始有意义的分析之前需要手动阈值设定、用户提示或针对特定材料训练模型。我们提出了一种用于同步辐射X射线层析成像数据多相分割的零配置部署框架，该框架能够在部署过程中无需用户提示、手动参数调整或额外重新训练的情况下，对先前未见的层析成像数据集生成可解释的分割结果。该框架结合了基于可复用衰减和形态学掩膜类别（包括背景、样本、亮区、深灰区、浅灰区和孔隙）的材料无关部署策略，并与预训练的语义分割网络结合，在重建完成后数分钟内生成快速的初步分割结果。在推理时间基准测试中，该框架使用四块A100 GPU对包含500层的\(\:2560\times\:2560\)体积数据在67.1秒内完成分割，对2000层的体积数据在253.5秒内完成分割。与需要数据集特定标注和重新训练的传统深度学习流程不同，该方法可立即应用于新的扫描数据，从而在束线实验进行中实现对实验质量的快速评估和初步微观结构分析。用户可随后根据特定应用需求对生成的掩膜进行精细化调整或微调。对留出数据集和经过定性评估的同步辐射微焦点CT数据集的实验表明，该框架能够在新层析成像数据集上产生一致且具有物理意义的第一遍分割结果，同时显著优于传统的基于强度的阈值分割方法。通过弥合高速数据采集与即时解读之间的差距，该框架实现了近实时的束线反馈，并支持可扩展的人工智能辅助科学成像工作流程。