In diesem Blog-Beitrag stellen wir den Einsatz der Super-Resolution-Fähigkeiten von Dragonfly vor. Bei der Super-Resolution in der Röntgen-CT werden niedrig- und hochauflösende Scans durchgeführt und ein Deep-Learning-Modell aus diesen beiden erstellt. Das Deep-Learning-Super-Resolution-Modell nimmt dann den Input der Scans mit geringerer Auflösung, um Ergebnisse mit höherer Bildqualität zu erzeugen - fast wie bei hochaufgelösten Bildern, aber ohne die Notwendigkeit, mit hoher Auflösung zu scannen!

Die für diese Demo ausgewählte Applikation ist die Charakterisierung von additiv hergestellten Gitterstrukturen. Diese komplex gestalteten, porösen Strukturen haben viele potenzielle Anwendungen: Weitere Informationen darüber finden Sie in der kürzlich erschienenen Abhandlung [1].

Trotz ihrer vielen Vorteile hat die additive Fertigung von Gitterstrukturen einige inhärente Grenzen, und es können Fertigungsfehler auftreten, die eine sorgfältige Prüfung und Charakterisierung erfordern. Die Röntgen-CT eignet sich gut dafür, ist aber von Natur aus auf die Objektgröße beschränkt, so dass oft eine schlechte Auflösung in Kauf genommen werden muss. Stellen Sie sich zum Beispiel ein großes Objekt mit einem kleinen Bereich aus Gittermaterial vor. Mit Deep-Learning-Super-Resolution-Bildverarbeitung lässt sich diese Herausforderung meistern. In den Abbildungen unten (Abb. 1 + 2) zeigen wir einen hochauflösenden (4 μm Voxelgröße) und einen niedrigauflösenden (16 μm Voxelgröße) Scan desselben Gitters - bei niedriger Auflösung gehen viele Oberflächendetails verloren. Die Scans in dieser Demo wurden mit einem Comet Yxlon FF35 CT-System durchgeführt. Die Probe selbst hat einen Durchmesser von 6 mm und wurde mittels Laser Powder Bed Fusion (L-PBF) unter Verwendung eines EOS M290 Drucksystems mit Ti6Al4V-Pulver hergestellt.

Abb. 1 + 2: Beispiel für einen hochaufgelösten und einen schlecht aufgelösten Scan der Gitterstruktur (die Breite der Probe beträgt 6 mm im Maßstab)

Die mangelnde Detailgenauigkeit des Scans mit niedriger Auflösung ist einfach auf die größere Voxelgröße zurückzuführen, wie der Vergleich der Schichtbilder in den Abbildungen 3 und 4 zeigt, ebenfalls für beide Auflösungen. Die Bilder sind absichtlich mit einzelnen Voxeln und nicht mit Interpolation dargestellt, um den Unterschied in der Voxelgröße hervorzuheben.

Abb. 3 + 4: Vergleich von niedriger und hoher Auflösung mit einzelnen Voxeln/Pixeln.

Die Fähigkeit, ein neuronales Netz so zu trainieren, dass es Input und Output als zwei Bilder annimmt und ein Netz erstellt, das alle ähnlichen Bilder mit geringer Auflösung in hochauflösende Ergebnisse umwandelt, wird in dem Beispiel in Abbildung 5 gezeigt, wobei das mittlere Bild das Ergebnis der Super-Resolution ist. Die Verbesserung des Signal-Rausch-Verhältnisses (SNR) ist im Bild deutlich sichtbar und wird mit Dragonfly wie folgt quantifiziert: Das SNR des schlecht aufgelösten Originalbildes liegt bei 1,19, das des hochauflösenden Scans bei 1,48 und das des Super-Resolution-Ergebnisses bei 1,47.

Abb. 5: Das Super-Resolution-Modell (Mitte) wird durch das Training mit einem hochauflösenden (rechts) und einem schlecht auflösenden Datensatz (links) ermöglicht und kann auf alle zukünftigen Scans mit schlechter Auflösung angewendet werden.

Obwohl die Detailsichtbarkeit aufgrund der ursprünglichen Pixelgröße immer noch eingeschränkt ist, ermöglicht das Ergebnis der Super-Resolution aufgrund der dabei erzielten Bildverbesserung eine bessere Quantifizierung kleiner Merkmale. In den Abbildungen 6 bis 8 sind 3D-Bilder der Porosität in einer Strebe des Gitters zu sehen, die mit den Datensätzen von geringer und hoher Auflösung sowie Super-Resolution erstellt und segmentiert wurden. Die Segmentierung erfolgte hier mit automatischer Otsu-Schwellenwertbildung. Die Super-Resolution ist deutlich besser als die niedrige Auflösung, obwohl sie auf derselben Pixelgröße und demselben Dateninput basiert, und erreicht fast dieselbe Detailgenauigkeit wie das hochgelöste Ergebnis.

Abb. 6 - 8: Einzelne Regionen der Gitterstrebe mit analysierter Porosität: oben links der Scan mit geringer Auflösung, oben rechts mit hoher Auflösung und unten das Ergebnis der Super-Resolution.

Nach der Anwendung des Super-Resolution-Modells auf das gesamte Gitter ist der resultierende Vergleich der Porositätsanalyse in den Abbildungen 9 bis 11 dargestellt, in diesem Fall weiter verbessert durch ein Deep-Learning-Segmentierungsmodell (siehe auch unseren Blogbeitrag vom 5. April 2023 "Comets KI-Lösung für Porositätsmessungen").

Abb. 9 - 11: Vollständige Gitterporositätsanalyse, angewandt auf Datensätze mit geringer und hoher Auflösung oben und Super-Resolution-Ergebnis unten.

Zusammenfassend lässt sich sagen, dass die bestmögliche Inspektion und Quantifizierung von Defekten in additiv gefertigten Gitterstrukturen mit der höchstmöglichen Aufnahmeauflösung erfolgen sollte. Wenn dies jedoch nicht möglich ist, bietet die Super-Resolution eine deutlich bessere Leistung und ermöglicht wesentlich bessere Analysen als Datensätze mit geringer Auflösung. Zu den Vorteilen des verbesserten Kontrasts durch hochauflösende Deep-Learning-Modelle gehört die Möglichkeit, größere Objekte zu scannen und dabei die Bildqualität zu verbessern, oder zwei Systeme effizienter zu nutzen (z. B. einmal mit hoher Auflösung scannen und dann für weitere Scans immer ein preiswerteres System mit geringerer Auflösung verwenden). Hochauflösende Scans erfordern oft eine sorgfältigere Einrichtung und längere Scanzeiten, so dass auch hier ein Effizienzvorteil besteht. Die Super-Resolution ist nur eine der vielen Anwendungen von Künstlicher Intelligenz in der Röntgen-Computertomografie und bietet deutliche Vorteile!

[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.