《Artificial Intelligence in Geosciences》：From μCT Images to Micro Scale Parameters: A Deep Learning Workflow for Three-Phase Segmentation and 3D Quantitative Analysis of Submarine Landslide Sediment
编辑推荐：
研究人员提出一种面向海底沉积物自动三相分割的深学习工作流。U-Net与DeepLabV3+在自然μCT数据上均取得较高精度（Dice > 0.84）。U-Net在液-固界面表现更优，DeepLabV3+效率更高。基于机器学习的三维结果可在颗粒骨架内识别细
研究人员提出一种面向海底沉积物自动三相分割的深学习工作流。U-Net与DeepLabV3+在自然μCT数据上均取得较高精度（Dice > 0.84）。U-Net在液-固界面表现更优，DeepLabV3+效率更高。基于机器学习的三维结果可在颗粒骨架内识别细颗粒。该工作流支持海洋地质灾害建模的高通量定量分析。
研究背景与问题提出
海底滑坡是典型的海洋地质灾害，可动员大量沉积物并引发海啸，威胁离岸基础设施与海岸安全。其破坏面常定位于层序中的力学弱层，如灵敏黏土，这类弱层在渗透性差异作用下易受瞬态孔隙流体压力波动影响。传统岩土试验与岩芯编录受限于空间分辨率与二维观测，难以刻画控制渐进破坏的孔隙尺度组构（如颗粒咬合、粒间破碎与高孔隙微组构）。X射线微计算机断层扫描（μCT）虽能提供微米至亚微米级三维体成像，但后续图像分析依赖人工阈值选取，存在主观偏差、低对比度边界难以处理、耗时且不可重复等问题。因此，将深度学习引入自然海底沉积物的三相（固-液-气/孔）自动分割与三维定量表征，成为打通高分辨成像与地质力学分析的关键环节。
主要技术方法
研究人员在瑞士光源TOMCAT束线以0.325 μm体素对来自Finneidfjord滑坡（挪威）与AFEN滑坡（英国）的6个原位沉积物子样品（直径3 mm、高7 mm）进行μCT扫描，获得约2160张连续灰度切片。采用灰度引导初始化与专家手工精修混合标注43张切片建立三相真值，按切片级划分31张训练、12张验证，另留4张作训练后评估。图像经16位转8位、滑窗提取256×256块、归一化至[-1,1]及在线随机翻转旋转增广。对比两种卷积架构：对称编码-解码带跳跃连接的U-Net（约31.04 M参数，从头训练）与以ResNet-101为骨干、含空洞空间金字塔池化（ASPP）的DeepLabV3+（约64.12 M参数，加载ImageNet预训练权重）。优化器为AdamW，学习率线性预热10轮后余弦退火，损失为0.5×交叉熵+0.5×宏平均Dice，批次8、梯度累积2步、早停耐心20轮。以Dice相似系数与泛化间隙为指标，并用梯度加权类激活映射（Grad-CAM）解释决策机制。分割后于Avizo中做三维中值滤波、距离标记分水岭分离颗粒、剔除边界截断体，计算孔隙度、等效球径（ESD）、形状因子、各向异性等参数。
研究结果
3.1 训练动态与收敛分析
DeepLabV3+因预训练骨干在第83轮即达验证Dice 0.8436，U-Net在第113轮达0.8419；前者早期损失波动较大，后者稳定但收敛慢约30轮。
3.2 分割性能定量比较
DeepLabV3+宏Dice高0.0017，泛化间隙0.0107仅为U-Net（0.0273）的约2/5；固相Dice相近（U-Net 0.9251略优），液相U-Net 0.7198优于DeepLabV3+的0.7169，气相DeepLabV3+ 0.8898优于U-Net 0.8807。两相架构呈互补优势。
3.3 分割结果定性评估
在A01细粒、A06粗粒、B17冰海黏土等差异纹理上，两模型均与人工真值空间分布一致；沿A06中轴一维剖面显示误差仅限固-液与液-气窄带边界。
3.4 模型决策机制可视化与解释
Grad-CAM显示U-Net激活集中于颗粒边缘与孔喉等局部高频细节，DeepLabV3+呈更宽泛的语义响应。对难切片A01-2000的液相诊断表明，89.6%（U-Net）与88.2%（DeepLabV3+）的漏检液相像素位于人工边界3像素（0.975 μm）内，且97.6%与91.3%漏检被归为固相，灰度均值高于正确液相内部，符合部分体积效应（PVE）导致的界面信号混合。
3.5 自动三维重建与计算效率
DeepLabV3+处理全卷（1730×1730×2160体素）约51分钟、显存2.1 GB；U-Net约93分钟、显存5.3 GB。A06重建出1566个离散颗粒，总孔隙度37.43%；按Wentworth分级，黏粒与粉粒占颗粒数约81%，砂粒仅约19%却占固体体积87.5%，构成承载骨架，细粒充填孔喉降低有效连通。
讨论部分总结
研究人员指出，两相网络在海洋沉积物μCT上均可靠，液相最低Dice源于PVE与低对比度而非大范围误分；U-Net从头训练媲美带预训练骨干的DeepLabV3+，说明域内纹理学习可比跨域迁移更有效。Ground truth本身受0.325 μm分辨率与专家判断限制，应视为专家参照而非无错真值。工作流虽实现小时级全卷分割，但单柱微小样本代表性有限，且未用3D网络或半监督。微组构上“粗粒骨架–细粒孔喉充填”可抑制排水、促过剩孔隙压ue累积，按Terzaghi有效应力σ' = σ ? u0 ? ue削弱有效应力，利于应变局部化与滑面发育，为Finneidfjord与AFEN弱层水文-力学耦合提供孔隙尺度依据。
结论部分翻译
本研究验证了一种面向高分辨海底沉积物μCT图像三相分割的自动深学习工作流，将既有方法从受控沉积类似物拓展至未扰动天然材料。通过对比U-Net与DeepLabV3+，研究人员证明两架构均达高精度分割（Dice > 0.84），有效分辨固、液、气三相。DeepLabV3+凭预训练骨干获更快早期收敛，U-Net从头训练取得同等性能且在复杂液相边界上更敏感。可解释性分析揭示两模型互补：U-Net侧重局部纹理，DeepLabV3+侧重全局语义。从二维分割到三维微组构重建，提取粒度分布与空间占比等参数，识别出弱层沉积中“颗粒支撑骨架+细粒充填孔喉”的组构，为抑排水与孔隙压累积提供孔隙尺度结构证据。该工作建立了可复现、可扩展的方法论，衔接高分辨成像与海底斜坡破坏力学分析。论文发表于《Artificial Intelligence in Geosciences》。
