AAAIJan, 2021

带有 3D U-Net 的自动增材制造缺陷容积分割

PDF
TL;DR本文基于医学成像领域的技术，提出使用 3D U-Net 模型自动分割 AM 样本的 XCT 图像中的缺陷，该方法最终在 AM 数据集上取得了 88.4% 的均交并比（IOU）结果，为 AM 缺陷检测和 3D 体积分割提供了新思路。
additive manufacturingx-ray computed tomographyautomatic segmentation3d u-netdefect detection
发现论文，激发创造
  • 基于 CNN 视觉处理的增材制造缺陷分类

    本文考察了在增材制造过程中利用计算机视觉和原位监测技术获取大型数据集的可能性，并使用卷积神经网络和主动学习技术对其进行分类和优化，形成可减小数据量与需求的人机协作模型。

    Jul, 2023

  • 使用三维无监督和深度监督神经网络进行增材制造零件孔隙率调查的体素级分类

    本研究使用 3D-patch pipeline，以可接受的计算要求，改进并扩展了最近的有监督和无监督 DL 模型，以处理 AM 样本的孔隙率分析。最好的受监督模型是 MSS-UNet，平均精度为 0.808±0.013；最好的无监督模型是后处理的 ceVAE，平均精度为 0.935±0.001。VAE/ceVAE 模型表现出卓越的功能，特别是在利用后处理技术时。

    May, 2023

  • 基于二维正弦图的计算机断层成像中的缺陷定位方法

    该论文介绍了深度学习在计算机断层成像领域的应用，提出了一种基于三步深度学习算法的综合缺陷检测方法，包括缺陷分割、蒙版分离和缺陷分析。使用 U-Net 架构进行缺陷分割，在模拟数据上达到 92.02％的 IoU，并在 512 像素宽的探测器上实现了 1.3 像素的平均位置误差。

    Jan, 2024

  • 基于 U-Net 全卷积网络的自动脑肿瘤检测和分割

    本文提出了一种使用 U-Net 基于深度卷积神经网络的完全自动化脑肿瘤分割方法，该方法在 Multimodal Brain Tumor Image Segmentation (BRATS 2015) 数据集上进行了测试，并表现出良好的分割性能。

    May, 2017

  • 利用卷积神经网络和迁移学习进行制造缺陷检测和分割

    提出了一种基于掩膜区域卷积神经网络（Mask Region-based CNN）的系统，用于在 X 射线图像中识别铸造缺陷。该系统同时执行输入图像的缺陷检测和分割，并采用转移学习来减少训练数据需求并提高训练模型的预测准确性。

    Aug, 2018

  • 基于深度学习的大脑图像分割技术用于自动肿瘤检测

    该研究介绍了基于深度学习的自动化脑肿瘤分割技术，利用 3D U-Net 模型，通过大规模的脑 MRI 扫描数据集进行分割，并强调了数据预处理的重要性以及模型性能的优化。该综合框架展示了深度学习在自动化脑肿瘤检测中的功效，为临床实践提供有价值的支持。

    Apr, 2024

  • V-Net: 用于体积医学影像分割的全卷积神经网络

    本文提出了一种基于全卷积神经网络的三维图像分割方法，通过优化 Dice 系数的目标函数，应对前景和背景体素数量极不平衡的情况，并通过数据增强技术提高数据样本的数量和多样性，实验结果表明该方法在肺部三维图像分割任务中取得了较好的性能。

    Jun, 2016

  • 数字岩石物理中岩石图像分割的增强：生成式人工智能与先进神经网络的融合

    在数字岩石物理学中，使用扫描电子显微镜和计算机断层扫描技术分析岩石的细微结构对估计孔隙度和孔隙连通性等性质至关重要。我们的研究采用了先进的生成型人工智能模型 —— 扩散模型，克服传统分割方法的局限性并通过生成大量的数据集来改善岩石显微结构分割的准确性和稳定性。利用 Transformer 结构的 TransU-Net 在分割图像方面表现出更高的准确性和 IoU 指标，超过了 U-Net 和 Attention-U-Net，推进了数字岩石物理学的发展，为地球科学和工程学的突破铺平了道路。

    Nov, 2023

  • 基于体素数据的三维网格模型生成

    本研究介绍了一种新的体系结构，可实现直接从三维图像体积转换为三维表面，无需后处理并具有比当前方法更好的准确性，证明其优于最先进的分割方法。

    Dec, 2019

  • 用 3D CNN 处理 CT 扫描的统一技术以预测结核病

    本文阐述了一种针对 3D 医学图像数据分析时 2D CNNs 只能处理每个切片数据但丢失深度信息的问题进行的探索，提出了一些体积均一化方法，通过显著的不同性能提高，在 ImageCLEF 结核病严重性评估中实现了最高 73% 的曲线下面积（AUC）和 67.5% 的二元分类准确度 (ACC)。

    Jul, 2020