「X線とは何か？」から「ニューラルネットワークのトレーニングをしよう」まで

まずは基礎から始めました。X線物理学の概要、主要な構成要素（線源、検出器、幾何学配置）、そして2D画像とCTの違いについて学びました。15歳の学生にとって、これらは通常の学校の授業内容をはるかに超えるものです。そのため、視覚的かつ実践的で、実際の例に基づいた内容にしました。
そしていよいよ実験です。

「砂糖 vs 塩」CTチャレンジ

私たちは、FF35CTを使用して単純なサンプルのスキャンを行いました。半分を砂糖、もう半分を塩を入れたプラスチック製のストローです。未処理の投影画像では、炭素を多く含む砂糖と、より高密度な塩化ナトリウム（NaCl）の違いがすでに確認できました。興味深い現象が起きたのは、粒子を混ぜ合わせるためにストローを徹底的に振った後でした。2D画像では、混合物の分離が困難になり、エッジにごくわずかな痕跡が残るのみとなりました。

再構成された3Dボリュームでの分離は、概念的には容易でしたが…決して単純ではありませんでした。 

閾値処理だけでは不十分だった理由

単純な閾値処理であれば塩をある程度良好にセグメンテーションできましたが、砂糖ははるかに困難でした。

• 砂糖はコントラストが弱く、空気や軽度のビームハードニングアーティファクトと部分的に混ざり合っていた
• 類似した輝度を持つプラスチック粒子も存在し、セグメンテーションを混乱させた

そのため、手動によるセグメンテーションの先へと進みました。

AIに作業を学習させる

Dragonfly 3D WorldのSegmentation Wizardを使用して、ボリュームを分類するニューラルネットワークをトレーニングしました。ラベル戦略を反復的に改善しました。

1. 塩対砂糖、第3のクラスとして「プラスチック/粒子/空気」を設定
2. さらにプラスチックと粒子を個別のクラスに分離して洗練させた

最終的な結果は、特に短い期間とインターンの年齢を考慮すると、本当に素晴らしいものです（ビジュアルがそれを物語っています）。

速度と詳細に関する実践的な注意点

反復を高速に維持し、ワークフローをスムーズにするために、2×2ビニングでスキャンし、再構成ボリュームで2×2×2ビニングを適用しました。これが、一部の表面が階段状に見える理由ですが、学習と実験を加速するための正しいトレードオフでした。

主な要点： 

私が最も楽しかったのは、学生が意味のあるタスク（実際のツール、現実の問題、実際の成果）を与えられたとき、どれほど急速に熱意が高まるかを見ることでした。X線/CTとAIセグメンテーションおよび機械学習を組み合わせることで、このインターンシップは「誰かの肩越しに見ているだけ」のものよりもはるかに魅力的なものになりました。

次なる展開：2つ目のテーマである3Dプリント + 偏差解析用CT（as-built対CAD）にも取り組みました。それについては次回のブログで紹介します。