BPU-Net：一种基于双向跳跃连接和连续VI损失的高精度颗粒图像分割方法

《Computational Materials Science》：BPU-Net: a precise grain image segmentation method based on bidirectional skip connections and continuous VI loss

晶粒边界分割中，传统方法存在3D连续性不足和边界分割精度低的问题。本文提出BPU-Net框架，通过双向跳过连接和跨切片传播模块实现多尺度特征融合，结合连续变分信息损失函数解决梯度消失问题。实验表明该方法在IRON数据集上mAP提升1.4%，mIoU达77.1%，并验证了其跨场景泛化能力。

　　

董瑞轩|刘秀琴

北京科技大学数学与物理学院，中国北京100083

摘要

在材料科学领域，精确表征晶粒结构对于理解材料性质与微观结构之间的关系至关重要。尽管基于深度学习的2D图像分割方法在晶粒分析方面取得了显著进展，但现有模型通常面临一些挑战，例如未能充分利用3D特征的连续性以及边界分割精度有限。为了解决这些问题，我们提出了一种名为BPU-Net的深度学习框架。该框架基于经典的U-Net架构，并进行了两项关键改进：首先，设计了一种具有双向跳跃连接和跨切片传播模块的新型网络结构。通过引入动态权重并建立双向信息传输机制，实现了连续切片间几何约束的端到端融合。其次，创新性地提出了一种连续的信息变异（VI）度量方法。这种度量方法通过可微重构解决了传统离散度量导致的梯度消失问题，从而显著提高了边界像素的区分精度。在IRON基准数据集上进行的系统实验表明，通过联合优化网络架构和损失函数，该方法在晶界分割任务中实现了68.3%的平均精度（mAP）和77.1%的平均交并比（mIoU）。与当前最先进的方法相比，这些结果分别提高了1.4%和1.7%。在随机离散晶粒数据集上的补充泛化实验进一步验证了该模型对无连续切片约束场景的强大适应性。定量和定性分析确认，BPU-Net在亚微米级晶界分割任务中表现出明显优势，为材料微观结构的定量分析提供了一种新的有效技术方法。

引言

在材料科学领域，材料的组成和加工技术会影响其微观结构，进而显著影响材料的整体物理和化学性质。因此，准确分割和表征材料微观结构图像对于研究材料的内部结构和宏观性质具有重要意义[1]。在大多数金属和陶瓷材料中，晶粒结构普遍存在。微观晶粒的大小和晶界稳定性会影响宏观性质，如硬度和变形机制。晶粒微观结构的表征是材料研究的基础。晶界图像的准确分割是这项工作的核心，因为其精度直接影响后续分析。然而，在研究多晶铁结构[2]时，由于材料的不透明性，直接进行三维成像受到限制。因此，研究人员只能通过连续切片获得2D序列切片图像，然后对这些图像进行分割，并通过堆叠2D结构来重建三维结构。在这个过程中，任何2D分割误差都会在三维重建过程中被放大，从而影响最终结果的精度和后续计算。尽管传统的手动注释方法具有高精度，但它们耗时、劳动密集、主观性强且难以扩展。因此，开发一种高效、自动化的晶粒图像分割方法具有重要的研究价值。

尽管深度学习在图像分割领域取得了显著进展，但其应用于晶粒图像分割仍面临两个关键挑战：首先，通过连续切片获得的晶粒图像容易受到环境干扰，导致图像模糊、划痕和边界缺失等问题，严重影响边界检测精度。其次，晶粒之间的复杂几何变化以及对三维连续性的要求使得传统分割方法难以同时保证单切片精度和三维一致性。这些问题不仅降低了单切片分割精度，还在三维重建过程中引入了累积误差，导致晶粒尺寸分布统计和晶界拓扑结构失真，从而严重限制了材料微观结构的多尺度定量建模精度。

为了解决上述问题，我们提出了创新的BPU-Net框架及其相应的损失函数设计。在网络结构方面，我们打破了传统U-Net的单向连接模式，通过双向跳跃连接和跨切片传播模块实现了多尺度特征的深度融合，显著提高了边界细节的保留能力，并利用三维空间一致性约束有效补偿了单切片图像质量的缺陷。在损失函数方面，我们首次将信息变异（VI）度量转换为连续形式，通过联合优化熵和互信息，从概率分布的角度精确测量预测边界与真实边界之间的一致性。这项研究在IRON材料晶粒微观结构数据集上验证了所提出方法的有效性，在包括VI、ARI和MAP在内的五个关键指标上取得了令人满意的性能。与现有方法的比较实验以及在独立测试集上的结果共同证明了BPU-Net的泛化优势。

相关工作

自从图像分割算法出现以来，它们吸引了广泛的研究关注。迄今为止，已经出现了许多优秀的算法，并且这些算法仍在不断得到优化。传统的图像分割算法，如Otsu方法[3]、阈值分割[4]和区域生长[5]，显著推进了图像分割的自动化程度。然而，这些方法的局限性也很明显。虽然它们可以实现初步的晶界提取，

概述

在这里，我们提出了一种名为BPU-Net的深度学习框架（图1），通过联合优化网络结构和损失函数，有效解决了晶粒图像分割中的边界识别和跨切片一致性问题。在网络结构设计方面，基于U-Net进行了两项关键改进：首先，引入了一种配对的双向跳跃连接机制，通过多级特征传递显著提高了特征信息的利用效率

数据集

本研究中使用的实验数据来自公开可获取的纯铁多晶晶粒显微图像数据集[37]。该数据集包含296张纯铁的显微切片图像（分辨率为1024 × 1024），这些图像是通过连续切片获得的，并附有手动标注的图像标签。真实标签分为两类：晶粒内部和晶界，如图4所示。白线表示晶界，由人工标记

定性和定量比较

为了全面评估所提出的方法，我们进行了定性和定量实验，以评估BPU-Net与其他比较方法。

(1)

定量比较

在表1和图7中，我们展示了将提出的BPU-Net方法与经典方法（包括U-Net、AttU-Net、ResU-Net、FCN、DeepLabV3+、TransU-Net和SegNet）进行定量评估的结果。为了确保实验的公平性，所有实验都在相同的配置下进行。获得的指标

讨论

本研究提出的BPU-Net框架通过双向特征传播和连续VI损失的协同优化，在晶粒图像分割领域取得了显著进展。该方法的核心创新体现在三个层面：双向跳跃连接机制为多级特征融合建立了新的范式；跨切片传播模块和动态权重机制实现了三维连续性的动态建模；以及

CRediT作者贡献声明

董瑞轩：撰写——原始草案、可视化、软件、方法论。刘秀琴：资金获取、正式分析、概念化。

伦理批准

本文不包含任何作者参与的人类或动物实验。

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。

致谢

本工作得到了先进金属与材料国家重点实验室（项目编号：2025-S10）和中央高校基本科研业务费（项目编号：FRF-BRB-25-007）以及北京科技大学材料基因组工程先进创新中心（开放项目编号：GJJ2022-18）的支持。