合成画像上で訓練されたディープニューラルネットワークを用いたFIB-SEMによる高多孔質構造の再構築

Reconstruction of highly porous structures from FIB-SEM using a deep neural network trained on synthetic images.

• Chiara Fend
• Ali Moghiseh
• Claudia Redenbach
• Katja Schladitz

抄録

走査型電子顕微鏡と集束イオンビームによる連続スライスを組み合わせることで、ナノメートルスケールの材料構造の空間画像データを得ることができる。しかし、走査型電子顕微鏡画像の被写界深度は、高多孔質構造を画像化する際に好ましくない影響を与えます。このような多孔質構造の空間的再構成を行うことは、一般的にはまだ解決されていない課題である。最近では、機械学習法が様々な画像のセグメンテーション問題を解決することが証明されています。しかし、機械学習法の利用には、学習段階で大量の注釈付きデータが必要となることが問題となっています。そこで、我々は、アノテーションされた実画像データを、確率的な胚芽粒モデルとランダムパッキングを実現した合成構造体のシミュレーション画像スタックに置き換えることにした。この戦略により、アノテーションは無料で得られるが、適切な確率幾何学モデルを選択し、十分に現実的な走査型電子顕微鏡画像を生成することに労力を割くことになる。この記事は著作権で保護されています。すべての権利を保有しています。

Combining scanning electron microscopy with serial slicing by a focused ion beam yields spatial image data of materials structures at the nanometer scale. However, the depth of field of the scanning electron microscopic images causes unwanted effects when highly porous structures are imaged. Proper spatial reconstruction of such porous structures from the stack of microscopic images is a tough and in general yet unsolved segmentation problem. Recently, machine learning methods have proven to yield solutions to a variety of image segmentation problems. However, their use is hindered by the need of large amounts of annotated data in the training phase. Here, we therefore replace annotated real image data by simulated image stacks of synthetic structures - realizations of stochastic germ-grain models and random packings. This strategy yields the annotations for free, but shifts the effort to choosing appropriate stochastic geometry models and generating sufficiently realistic scanning electron microscopic images. This article is protected by copyright. All rights reserved.

This article is protected by copyright. All rights reserved.