本ブログ記事では、Dragonflyのスーパーレゾリューション（超解像）機能の活用事例をご紹介します。X線CTにおけるスーパーレゾリューションでは、低解像度スキャンと高解像度スキャンのペアを用いてディープラーニングモデルを作成します。そして、このディープラーニングによるスーパーレゾリューションモデルに入力の低解像度スキャンデータを処理させることで、高解像度スキャンを実際に行うことなく、高解像度画像に匹敵する優れた画質の結果を得ることができます。

本デモで選択したアプリケーションは、積層造形（AM）によるラティス（格子）構造の評価です。この複雑な設計による多孔質構造には、多くの潜在的な用途があります。その用途の詳細については、最近の総説論文[1]をご参照ください。

ラティス構造の積層造形には多くの利点がある一方で、固有の限界もあり、入念な検査と評価を必要とする製造上の欠陥が発生する可能性があります。X線CTはこの用途に適していますが、対象物のサイズによる本質的な制約があり、解像度の低下を妥協せざるを得ないことがよくあります。例えば、小さなラティス部分を含む大きな対象物を想像してください。ディープラーニングによるスーパーレゾリューションイメージングを活用すれば、この課題を克服できます。以下の画像（図1および2）では、同じラティスの高解像度（ボクセルサイズ4 µm）スキャンと低解像度（ボクセルサイズ16 µm）スキャンを示しています。低解像度では、多くの表面詳細が失われています。本デモのスキャンにはComet Yxlon FF35 CTシステムを使用しました。サンプル自体のサイズは6 mmで、EOS M290プリンティングシステムを使用し、Ti6Al4V粉末を用いたレーザー粉末床溶融結合法（L-PBF）で製造されています。

図1および2：ラティス構造の高解像度スキャンと低解像度スキャンの例（スケール用のサンプル幅は6 mm）

低解像度スキャンにおける細部の欠落は、単にボクセルサイズが大きいことが原因です。これは、図3および図4のスライス画像の比較（同様に2つの解像度）からも確認できます。ボクセルサイズの差を強調するため、画像は補間処理を行わず、意図的に個々のボクセルを表示しています。

図3および4：個々のボクセル／ピクセルを示す低解像度と高解像度の比較。

ニューラルネットワークに2つの画像を入力・出力として学習させ、同様の低解像度画像をすべて高解像度の出力に変換するネットワークを作成する機能の例を、以下の図5に示します。中央の画像がスーパーレゾリューションの結果です。信号雑音比（SNR）の改善が画像上で明確に確認でき、Dragonflyを用いた定量化では、元の低解像度のSNRが1.19、高解像度スキャンが1.48、スーパーレゾリューションの結果が1.47となっています。

図5：1つの高解像度（右）データセットと1つの低解像度（左）データセットを用いて学習させることでスーパーレゾリューションモデル（中央）を作成可能であり、これを将来のあらゆる低解像度スキャンに適用できます。

元のピクセルサイズに起因する細部の視認性の制限は残るものの、処理によって得られた画質向上により、スーパーレゾリューションの結果では微小特徴の定量化精度が向上します。図6から図8には、低解像度、スーパーレゾリューション、高解像度の各データセットで撮像およびセグメンテーションを行った、ラティスの一つのストラットにおける気孔の3D画像を示しています。ここでのセグメンテーションには、Otsuの自動しきい値処理を使用しました。スーパーレゾリューションは、同じピクセルサイズとデータ入力に基づいているにもかかわらず、低解像度よりも大幅に優れており、高解像度の結果とほぼ同等の細部を実現しています。

図 6 ～ 8：多孔性を解析した個々のラティスストラット領域。左上が低解像度、右上が超解像、下が在高解像度の結果です。

ラティス全体に超解像モデルを適用した後の多孔性解析の比較結果を、以下の図 9 ～ 11 に示します。このケースでは、ディープラーニングのセグメンテーションモデルを用いてさらに精度が向上しています（2023年4月5日付のブログ記事「Comet の AI ソリューションによる気孔測定」をご参照ください）。

図 9 ～ 11：低解像度、超解像、高解像度の各データセットに適用したラティス全体の多孔性解析。

結論として、アディティブマニュファクチャリング（積層造形）によるラティス構造の欠陥検査と定量化において、可能な限り最高のパフォーマンスを得るには、最高解像度の撮像を使用するべきです。しかしそれが不可能な場合でも、超解像を使用すれば非常に良好な結果が得られ、低解像度のデータセットに比べてはるかに精度の高い解析が可能になります。超解像ディープラーニングモデルによってコントラストが向上するメリットには、より大きな対象物をスキャンしながら画質を向上させたり、2つのシステムをより効率的に運用したりできること（例：一度高解像度でスキャンした後は、以降のスキャンには低解像度でコストの低いシステムを常に使用する）などが含まれます。高解像度のスキャンは、より慎重なセットアップと長いスキャン時間を要することが多いため、効率面でも優位性があります。超解像是技術は、X線CTにおける AI の数ある用途の1つに過ぎませんが、大きなメリットをもたらします。

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