この記事では、人工知能（AI）と深層学習（DL）の仕組みと、この技術が従来の方法と比べてどれほど優れているかを説明します。 Dragonfly このソフトウェアは、積層造形されたベンチマーク部品の多孔性を分析し、新しい深層学習AI手法と従来の閾値処理手法を直接比較するために使用される。

問題

製造された部品にはすべて何らかの多孔性があり、積層造形の場合、これらの孔は非常に小さく、検出が困難な場合があります。CT はこれらの孔を画像化するのに非常に役立ちますが、それらをセグメント化して分析することは常に困難です。多くのアルゴリズムが使用できますが、ほぼすべての方法でプロセスに人間の介入が伴います。通常、人間のオペレーターは、孔の暗い領域が選択され、密度の高い材料部分が選択されないようにする閾値を選択する必要があります。孔がピクセルサイズに比べて小さい場合、または画像のコントラストが理想的でない場合、このプロセスは困難になり、セグメンテーションプロセスが不正確になる場合があり、異なる人間のオペレーターが異なる結果を得る可能性があります。事前学習済みの深層学習モデルを使用すると、この固有の人間のバイアスが排除され、同時に、モデルを人間の入力なしでマクロの一部として呼び出すことができるため、自動化が可能になります。

図1＋2：複雑な形状と内部チャネル（右）を持つ積層造形ベンチマーク部品（左）のCT表面像

多孔性の識別と測定

CTスキャンでは、部品内部の多くの詳細を認識できます。この場合、下の図に示すように、次のものが容易に識別できます。(A) AMプロセスによる意図しない多孔性、(B)設計された内部チャネル、(C)未溶融粉末を含む内部チャネル。

図3：粉末が残存している場合と残存していない場合の多孔性とチャネルを示す断面CT画像

本研究では、製造工程中に形成される多孔度（A）の特性評価に関心があります。手動による閾値処理法と深層学習法を直接比較するために、分析対象となる関心領域（ROI）を10個選択しました。下の画像に、そのうちの1つのROIを示します。

図4+5：多孔度解析のためのサブセットとしてのROIの選択

各ROIについて、自動的な大津法*による閾値処理が失敗するため、手動で閾値処理を行います。これは、孔が小さすぎ、数も少なすぎるため、自動閾値処理が不可能なためです。大津法による閾値処理が失敗した場合の断面例と、手動による閾値調整の例を下の図に示します。

*大津の法（大津信行にちなんで名付けられた）は、自動画像閾値処理を実行するための方法である。

図6 + 7：従来のセグメンテーション手法：ROIにおける大津の閾値処理（左）は、孔が非常に少なく小さいため正しく機能しない。手動で閾値を調整（右）

手動による閾値処理の場合、人間の操作者による固有のバイアス／誤差が生じ、孔径が小さい場合やデータにノイズが多い場合にその影響は大きくなります。実証として、異なる操作者による10回の測定を繰り返し、各ROIにおける多孔度（％）値で手動定量化の結果を以下に示します。

図8：同じデータと同一の10個の関心領域（ROI）を用いた場合における、異なるオペレーターが報告した多孔度値の差異

AI/深層学習モデルを適用することで、人間の偏見が排除される。 Dragonfly このソフトウェアはAIツールでよく知られており、このケースでは事前学習済みの積層造形多孔性モデルがそのまま使用されています。このモデルは、一般的な実験室CT画像データに見られる積層造形の多孔性タイプのほとんどを網羅する50以上のデータセットで事前に学習されています。このモデルは、ユーザーがさらに学習データを追加することで、対象となる特定の画像とのマッチング精度を高めることを目的としています。しかし、このケースでは、追加の学習なしで正常に動作しています。モデルをサンプル全体に適用した例を以下に示します。

図9：ベンチマーク部品全体における深層学習による多孔性セグメンテーションと分析

よく聞かれる質問の一つに、「深層学習モデルの再現性はどの程度か？」というものがあります。今回のケースでは、同じモデルを異なるオペレーターが適用し、さらに同じオペレーターが複数回適用しました。結果はすべての場合において完全に同一でした。全くばらつきがなく、分類されたボクセルの数も毎回同じなので、エラーは発生していません。

図10：5人のユーザーが10のROIに対して実行した深層学習による多孔性分析

結論

ベンチマークとなる積層造形部品の多孔性と深層学習モデルが分析され、 Dragonfly ソフトウェアを使用して多孔性をセグメント化および定量化しました。これは、人的エラーが伴う従来の手動閾値処理アプローチと比較されました。ディープラーニング手法は、この困難な問題に対するユーザーエラーを排除し、信頼性を向上させ、分析の自動化も可能にします。ここで使用したモデルは、深さ5のいわゆるU-net**で、50を超えるデータセットで事前にトレーニングされています。ここでは「そのまま」で使用しました（そして、 Dragonfly ）しかし、さらにトレーニングすることで、より多様なデータセットに対してより堅牢になり、例えば、よりノイズの多いデータでも機能するようにすることも可能です。

U-netは、高速かつ高精度な画像セグメンテーションとディープラーニングにおける数学モデルとして広く用いられている畳み込みネットワークアーキテクチャです。