基于机器学习的三维微ct图像重建

微型计算机断层摄影术在研究3 d纤维增强复合材料及其他复杂材料的微观结构。然而，它是一个挑剔的工具:样本很小，图像经常有人工痕迹和阴影、缺失或损坏的区域。为了帮助解决这个问题，研究人员从艺术界汲取了灵感和专业知识，在艺术界，受损的画作必须得到修复，同时保持它们的整体完整性。因此，在数字图像处理中，印画已经成为一种既定的技术。

的主要优势人工智能修复速度。有了训练过的模型，我们可以每秒处理100张图像，这将花费人类无法比拟的时间。同时,电脑是优势在处理三维图像,是因为他们看到来自四面八方,以及穿过,可以瞬间重现整个体积,不仅仅是表面和我们人类一样,”Radmir Karamov,论文的第一作者和博士生Skoltech KU鲁汶,说。

卡拉莫夫是由Skoltech学院设计、制造和材料中心主任伊斯坎德尔·阿哈托夫教授和鲁文大学教授斯特潘·洛莫夫领导的一个合作研究项目的一部分。该团队使用了3D编码器-解码器生成对抗网络，也就是。GANs，填补了3D微ct图像的可用涂装工具范围的空白。

正如作者解释的那样，复合材料中的增强夹杂物，如纤维，可以在三维空间中随机定向，这就是为什么科学家必须使用3D图像来描述这种复杂的内部微观结构。由于更传统的卷积神经网络无法提供这项任务所需的精度，该团队转向了GANs。

在GANs中，研究人员不是训练单个神经网络来重建图像，而是训练两个相互竞争的网络。生成器网络试图创建看起来像真实的假图片，而鉴别器网络检查图片并试图确定它们是真的还是假的。正如GANs的创始人Goodfellow所说，你可以把这看作是造假者和警方之间的竞争。造假者想要制造看起来像真钱的假钞，而警察想要通过检查某一张钞票来判断它是否是假钞。”

该团队在短玻璃纤维复合材料的微ct扫描上测试了三种GAN架构——这种结构没有任何重复，是最具挑战性的喷涂案例——并选择了结合高喷涂质量和性能和相对较低的GPU内存使用的架构。

Karamov说:“通过嵌入算法，我们可以消除微ct扫描中的所有缺陷，更精确地模拟材料行为，并分析如果在制造过程中去除所有内部孔隙和空隙，材料性能将如何提高。”

该研究人员补充说，填充只是新材料全自动生成算法的第一步，这将使科学家能够根据特定应用所需的特性设计材料。