In diesem Blogbeitrag zeigen wir die Verwendung von Dragonfly Die Superauflösungsfunktion der Röntgen-Computertomographie (CT) basiert auf der Erstellung von niedrig- und hochauflösenden Scans und der Entwicklung eines Deep-Learning-Modells mithilfe dieses Paares. Dieses Modell verarbeitet dann auch niedrigauflösende Scans und erzeugt so Bilder von überragender Qualität – fast so gut wie hochauflösende Bilder, jedoch ohne die Notwendigkeit, in hoher Auflösung zu scannen!

Die für diese Demonstration gewählte Anwendung ist die Charakterisierung additiv gefertigter Gitterstrukturen. Diese komplex gestalteten porösen Strukturen bieten vielfältige Anwendungsmöglichkeiten: Weitere Informationen dazu finden Sie in der kürzlich erschienenen Übersichtsarbeit [1].

Trotz ihrer vielen Vorteile weist die additive Fertigung von Gitterstrukturen einige systembedingte Grenzen auf, und es können Fertigungsfehler auftreten, die eine sorgfältige Prüfung und Charakterisierung erfordern. Die Röntgen-Computertomographie (CT) eignet sich hierfür gut, ist jedoch prinzipiell durch die Objektgröße begrenzt, wodurch oft eine geringe Auflösung in Kauf genommen werden muss. Stellen Sie sich beispielsweise ein großes Objekt mit einem kleinen Abschnitt aus Gittermaterial vor. Diese Herausforderung lässt sich mit Deep-Learning-basierter Superauflösungsbildgebung bewältigen. In den folgenden Abbildungen (Abb. 1 + 2) zeigen wir einen hochauflösenden (4 μm Voxelgröße) und einen niedrigauflösenden (16 μm Voxelgröße) Scan desselben Gitters – bei geringer Auflösung gehen viele Oberflächendetails verloren. Die Scans in dieser Demonstration wurden mit einem … erstellt. Comet Yxlon FF35 CT-System. Die Probe selbst hat einen Durchmesser von 6 mm und wurde mittels Laser-Pulverbettfusion (L-PBF) unter Verwendung eines EOS M290-Drucksystems mit Ti6Al4V-Pulver hergestellt.

Abb. 1 + 2: Beispiele für hochauflösende und niedrigauflösende Scans einer Gitterstruktur (Probenbreite 6 mm zum Größenvergleich)

Der Detailmangel im Scan mit niedriger Auflösung ist schlichtweg auf die größere Voxelgröße zurückzuführen, wie der Vergleich der Schnittbilder in Abbildung 3 und 4 zeigt, wiederum für die beiden Auflösungen. Die Bilder werden bewusst mit einzelnen Voxeln anstatt interpoliert dargestellt, um den Unterschied in der Voxelgröße hervorzuheben.

Abb. 3 + 4: Vergleich der niedrigen und hohen Auflösung mit Darstellung einzelner Voxel/Pixel.

Die Fähigkeit, ein neuronales Netzwerk so zu trainieren, dass es Eingabe- und Ausgabebilder als zwei Bilder verarbeitet und alle ähnlichen, niedrig aufgelösten Bilder in hochauflösende Ausgaben umwandelt, wird im folgenden Beispiel in Abbildung 5 veranschaulicht. Das mittlere Bild zeigt das Ergebnis der Superauflösung. Die Verbesserung des Signal-Rausch-Verhältnisses (SNR) ist im Bild deutlich sichtbar und wird quantifiziert. Dragonfly Folgendes gilt: Das ursprüngliche Signal-Rausch-Verhältnis (SNR) bei niedriger Auflösung beträgt 1,19, beim hochauflösenden Scan 1,48 und beim Ergebnis der Superauflösung 1,47.

Abb. 5: Ein Super-Resolution-Modell (Mitte) ist möglich, indem man mit einem hochauflösenden (rechts) und einem niedrig aufgelösten Datensatz (links) trainiert, der dann auf alle zukünftigen Scans mit niedriger Auflösung angewendet werden kann.

Obwohl die Detaildarstellung aufgrund der ursprünglichen Pixelgröße weiterhin eingeschränkt ist, ermöglicht das Superresolutions-Ergebnis dank der erzielten Bildverbesserung eine präzisere Quantifizierung kleiner Strukturen. Die Abbildungen 6 bis 8 zeigen 3D-Bilder der Porosität in einer Strebe des Gitters, aufgenommen und segmentiert mit Datensätzen in niedriger, hoher und sehr hoher Auflösung. Die Segmentierung erfolgte mittels automatischer Otsu-Schwellenwertsegmentierung. Die Superresolution ist deutlich besser als die niedrige Auflösung, obwohl sie auf derselben Pixelgröße und denselben Eingangsdaten basiert und nahezu denselben Detailgrad wie das hochauflösende Ergebnis erreicht.

Abb. 6 - 8: Einzelne Gitterstrebenbereiche mit analysierter Porosität: oben links die Ergebnisse mit geringer Auflösung, oben rechts die Ergebnisse mit superauflösender Auflösung und unten die Ergebnisse mit hoher Auflösung.

Nach Anwendung des Superresolutionsmodells auf das gesamte Gitter wird der resultierende Vergleich der Porositätsanalyse in den Abbildungen 9 bis 11 dargestellt, die in diesem Fall durch ein Deep-Learning-Segmentierungsmodell weiter verbessert wurden (siehe dazu unseren Blogbeitrag vom 5. April 2023). Comet KI-Lösung von [Name] zur Porositätsmessung).

Abbildung 9 - 11: Vollständige Gitterporositätsanalyse angewendet auf Datensätze mit niedriger, hoher und sehr niedriger Auflösung.

Zusammenfassend lässt sich sagen, dass die bestmögliche Inspektion und Quantifizierung von Defekten in additiv gefertigten Gitterstrukturen durch die Verwendung der höchstmöglichen Aufnahmeauflösung erfolgen sollte. Ist dies jedoch nicht möglich, bietet Superauflösung deutlich bessere Ergebnisse und ermöglicht wesentlich präzisere Analysen als Datensätze mit geringerer Auflösung. Zu den Vorteilen des verbesserten Kontrasts durch Superauflösungs-Deep-Learning-Modelle zählen die Möglichkeit, größere Objekte zu scannen und gleichzeitig die Bildqualität zu verbessern oder zwei Systeme effizienter zu nutzen (z. B. einmal mit hoher Auflösung scannen und anschließend für weitere Scans stets ein kostengünstigeres System mit geringerer Auflösung verwenden). Hochauflösende Scans erfordern oft eine sorgfältigere Einrichtung und längere Scanzeiten, was ebenfalls einen Effizienzvorteil bietet. Superauflösung ist nur eine von vielen Anwendungen von KI in der Röntgen-Computertomographie und bietet erhebliche Vorteile!

[1] Du Plessis, A., Razavi, SMJ, Benedetti, M., Murchio, S., Leary, M., Watson, M., Bhate, D. und Berto, F., 2022. Eigenschaften und Anwendungen additiv gefertigter metallischer Zellwerkstoffe: Ein Überblick. Progress in Materials Science, 125, S. 100918.