In diesem Blogbeitrag stellen wir die Super-Resolution-Funktionen von Dragonfly vor. Bei der Super-Resolution in der Röntgen-CT werden Scans mit niedriger und hoher Auflösung kombiniert, um daraus ein Deep-Learning-Modell zu erstellen. Dieses Deep-Learning-Super-Resolution-Modell verarbeitet anschliessend Scans mit geringer Auflösung und liefert Ergebnisse in hervorragender Bildqualität – fast wie bei hoch aufgelösten Bildern, jedoch ohne den Aufwand eines hochauflösenden Scans!

Die für diese Demo ausgewählte Anwendung ist die Charakterisierung von additiv gefertigten Gitterstrukturen. Diese komplex gestalteten porösen Strukturen bieten zahlreiche Anwendungsmöglichkeiten. Nähere Einzelheiten zu den Anwendungen finden Sie in der aktuellen Übersichtsarbeit [1].

Trotz ihrer vielen Vorteile weist die additive Fertigung von Gitterstrukturen gewisse physikalische Grenzen auf. So können Fertigungsfehler auftreten, die eine sorgfältige Prüfung und Charakterisierung erfordern. Die Röntgen-CT eignet sich hierfür hervorragend, ist jedoch naturgemäss durch die Objektgrösse limitiert, weshalb man oft Abstriche bei der Auflösung machen muss. Man stelle sich zum Beispiel ein grosses Objekt mit einem kleinen Gitterstrukturbereich vor. Diese Herausforderung lässt sich mithilfe der Deep-Learning-Super-Resolution-Bildgebung bewältigen. Die folgenden Abbildungen (Abb. 1 + 2) zeigen einen hochauflösenden Scan (4 µm Voxelgrösse) und einen Scan mit niedriger Auflösung (16 µm Voxelgrösse) derselben Gitterstruktur. Bei geringer Auflösung geht eine Vielzahl von Details an der Oberfläche verloren. Die Scans in dieser Demo wurden mit einem Comet Yxlon FF35 CT-System erstellt. Die Probe hat einen Durchmesser von 6 mm und wurde im Laser Powder Bed Fusion (L-PBF)-Verfahren mit einer EOS M290-Druckanlage aus Ti6Al4V-Pulver hergestellt.

Abb. 1 + 2: Beispiele für hoch- und schlecht aufgelöste Scans einer Gitterstruktur (Probenbreite beträgt 6 mm als Maßstab)

Der Mangel an Details im Scan mit schlechter Auflösung ist schlicht auf die größere Voxelgröße zurückzuführen, wie der Vergleich der Schichtbilder in den Abbildungen 3 + 4 für die beiden Auflösungen zeigt. Die Bilder werden absichtlich mit einzelnen Voxeln statt mit Interpolation dargestellt, um den Unterschied in der Voxelgröße zu verdeutlichen.

Abb. 3 + 4: Vergleich von niedriger und hoher Auflösung mit Darstellung einzelner Voxel/Pixel.

Die Fähigkeit, ein neuronales Netz so zu trainieren, dass es Eingabe- und Ausgabebilder als zwei Bilder verarbeitet und ein Netz erstellt, das alle ähnlichen schlecht aufgelösten Bilder in hochaufgelöste Ergebnisse transformiert, zeigt sich im folgenden Beispiel in Abbildung 5, wobei das mittlere Bild das Super-Resolution-Ergebnis darstellt. Die Verbesserung des Signal-Rausch-Verhältnisses (SNR) ist im Bild deutlich sichtbar und wird mithilfe von Dragonfly wie folgt quantifiziert: Das ursprüngliche SNR bei schlechter Auflösung beträgt 1,19, beim hochaufgelösten Scan 1,48 und das Super-Resolution-Ergebnis liegt bei 1,47.

Abb. 5: Ein Super-Resolution-Modell (Mitte) wird durch das Training mit einem hochaufgelösten (rechts) und einem schlecht aufgelösten Datensatz (links) ermöglicht und lässt sich auf alle zukünftigen Scans mit schlechter Auflösung anwenden.

Obwohl die Detailerkennbarkeit aufgrund der ursprünglichen Pixelgröße nach wie vor begrenzt ist, ermöglicht das Super-Resolution-Ergebnis dank der im Prozess erzielten Bildverbesserung eine bessere Quantifizierung kleiner Merkmale. Die Abbildungen 6 bis 8 zeigen 3D-Bilder der Porosität in einer Strebe des Gitters, aufgenommen und segmentiert anhand der Datensätze mit schlechter, super und hoher Auflösung. Die Segmentierung wurde hierbei mit automatischer Otsu-Schwellenwertbildung durchgeführt. Die Super-Resolution ist deutlich besser als die schlechte Auflösung – obwohl sie auf denselben Pixelgrößen und Dateneingaben basiert –, und erzielt nahezu dieselben Details wie das hochaufgelöste Ergebnis.

Abb. 6 – 8: Analysierte Bereiche einzelner Gitterstreben mit Porosität: oben links die Ergebnisse mit schlechter Auflösung, oben rechts mit Super-Resolution und unten mit hoher Auflösung.

Nach Anwendung des Super-Resolution-Modells auf das gesamte Gitter ist der resultierende Porositätsanalysevergleich unten in den Abbildungen 9 bis 11 dargestellt, in diesem Fall weiter verbessert durch ein Deep-Learning-Segmentierungsmodell (siehe hierzu unseren Blogbeitrag vom 5. April 2023 „Comets KI-Lösung zur Porositätsmessung“).

Abbildung 9 – 11: Vollständige Gitterporositätsanalyse angewendet auf Datensätze mit schlechter Auflösung, Super-Resolution und hoher Auflösung.

Zusammenfassend lässt sich sagen, dass die bestmögliche Prüfung und Quantifizierung von Defekten in additiv gefertigten Gitterstrukturen mit der höchstmöglichen Aufnahmeauflösung durchgeführt werden sollte. Sollte dies jedoch nicht möglich sein, liefert die Super-Resolution hervorragende Ergebnisse und ermöglicht weitaus bessere Analysen als Datensätze mit schlechter Auflösung. Zu den Vorteilen des verbesserten Kontrasts durch Super-Resolution-Deep-Learning-Modelle gehören die Möglichkeit, größere Objekte zu scannen und dabei deren Bildqualität zu verbessern, oder der effizientere Einsatz von zwei Systemen (z. B. einmaliges Scannen mit hoher Auflösung, gefolgt von der dauerhaften Nutzung eines kostengünstigeren Systems mit schlechter Auflösung für weitere Scans). Da hochaufgelöste Scans häufig eine sorgfältigere Einrichtung und längere Scanzeiten erfordern, ergibt sich hierdurch zudem ein Effizienzvorteil. Super-Resolution ist nur eine von vielen Anwendungen der KI in der Röntgen-Computertomographie und bietet erhebliche Vorteile!

[1] Du Plessis, A., Razavi, S.M.J., Benedetti, M., Murchio, S., Leary, M., Watson, M., Bhate, D. und Berto, F., 2022. Properties and applications of additively manufactured metallic cellular materials: A review. Progress in Materials Science, 125, S.100918.