Универсальный метод сегментации томографических изображений порового пространства почв на основе машинного обучения: от современных локальных алгоритмов к синтетическим томограммам

КАРТОЧКА ПРОЕКТА ФУНДАМЕНТАЛЬНЫХ И ПОИСКОВЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ

Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.

ОБЩИЕ СВЕДЕНИЯ

Номер проекта 19-74-10070

НазваниеУниверсальный метод сегментации томографических изображений порового пространства почв на основе машинного обучения: от современных локальных алгоритмов к синтетическим томограммам

Руководитель Абросимов Константин Николаевич, Кандидат географических наук

Организация финансирования, регион Федеральное государственное бюджетное научное учреждение Федеральный исследовательский центр "Почвенный институт имени В.В. Докучаева" , г Москва

Конкурс №41 - Конкурс 2019 года «Проведение исследований научными группами под руководством молодых ученых» Президентской программы исследовательских проектов, реализуемых ведущими учеными, в том числе молодыми учеными

Область знания, основной код классификатора 04 - Биология и науки о жизни; 04-108 - Почвоведение

Ключевые слова Супер-разрешение, синтетическая томография, алгоритмы на основе локальных порогов, машинное обучение, свёрточные нейронные сети, моделирование в масштабе пор, съемка на двух энергиях, изображения пористых сред, разрешение изображения, эффект частичного заполнения вокселя, тренировочные данные, совмещение масштабов, поровое пространство почвы, структура почвы

Код ГРНТИ29.19.03

ИНФОРМАЦИЯ ИЗ ЗАЯВКИ

Аннотация
Сегментация представляет собой процедуру анализа изображений и перехода в пространстве образца от поглощения излучения к пространственному распределению материалов, его составляющих. Например, при исследовании пористых сред и материалов это необходимо для последующего моделирования макроскопических свойств. Примерами таких пористых сред, представляющих особый интерес, являются пористые среды природного происхождения, такие как почвы и почвоподобные структуры, и моделирование фильтрации в таких образцах – так называемое моделирование в масштабе пор – необходимо для изучения процессов фильтрации жидкости в почве, выявления и описания процессов, сопровождающих сезонную динамику порового пространства, определение педотрансферных потоков в толще почв. Несмотря на большое количество различных существующих методик для сегментации изображений пористых сред, ни одна из них не может претендовать на звание точной. Кроме неточностей, вносимых экспериментальной процедурой самой томографии и математической процедуры реконструкции по теневым проекциям (например, шумы и артефакты), в этом виновата фундаментальная проблема разрешения изображения или так называемый partial volume эффект, т.е. содержание в одном вокселе смеси различных фаз/материалов. Хотя существуют особые случаи, когда эта проблема разрешима, например, когда твердая фаза состоит только из одного вещества с известным поглощением, или из большего количества известных веществ, снятых на нескольких энергиях в синхротроне. Такие решения или не могут применяться в общем случае, либо слишком затратны/неточны. Поэтому во всех существующих методах присутствует набор параметров, которые выбираются либо оператором, либо либо автоматически (например, за счет анализа гистограммы градаций серого) и влияют на результаты сегментации. Как показали исследования, оба этих подхода приводят к значительным ошибкам. Потенциально точным методом сегментации без входных параметров является машинное обучение, но оно требует «идеальных» (true data) результатов сегментации для тренировки нейронной сети. Отсутствие таких данных является еще одной фундаментальной проблемой, которая препятствует как созданию метода на основе искусственного интеллекта, так и верификации результатов любой другой методики. Разработанная технология позволит быстро и точно обрабатывать большие объемы 3D томографических данных, в том числе о строении порового простанства почвы. Отсутствие таких данных является еще одной фундаментальной проблемой, которая препятствует как созданию метода на основе искусственного интеллекта, так и верификации результатов любой другой методики. Решение сформулированных выше фундаментальных проблем, в том числе зависимости результатов сегментации от настроек метода и/или влияния выбора оператора, предлагается за счет создания универсального метода сегментации томографических изображений. Изначально междисциплинарный подход к разработке технологии такого метода построен на основе стохастического super-resolution алгоритма и совмещения разномасштабных изображений, синтетических томограмм и машинного обучения, в том числе на основе свёрточных нейронных сетей. Предлагаемое решение позволит создать метод не требующий участия оператора и не имеющий внешних настраиваемых параметров, но при этом позволяющий получать точные (вплоть до частичного заполнения пикселя/воксела определяемого разрешением изображения) сегментации, независимые от настроек томографа, параметров реконструкции по теневым проекциям, и изначального разрешения съемки. Актуальность создания такой технологии тяжело переоценить — точность последующего анализа получаемых томографических изображений напрямую зависит от качества сегментации. Быстрые и точные сегментации позволят значительно повысить достоверность такого анализа и последующего моделирования с использованием получаемых изображений. По сравнению с существующими методами сегментации предлагаемые подходы позволят впервые создать облачный сервис по сегментации томографических изображений пористых сред с точностью в пределах частичного заполнения вокселей и не требующего выбора параметров оператором. Ожидаемые результаты по своему научному содержанию соответствуют мировому уровню исследований в области сегментации томографических изображений, а в части проработки методики, использования уникальной коллекции образцов (несколько тысяч томографических изображений), валидации разрабатываемых методик на основе комплексного анализа лабораторных данных с численным моделированием будут превосходить известные в настоящее время мировые аналоги.

ОТЧЁТНЫЕ МАТЕРИАЛЫ

Публикации

1. Лаврухин Е.В., Герке К.М., Романенко К.А., Абросимов К.Н., Карсанина М.В. Assessing the fidelity of neural network-based segmentation of soil XCT images based on pore-scale modelling of saturated flow properties Soil & Tillage Research, Vol. 209. P. 104942. (год публикации - 2021)
10.1016/j.still.2021.104942

2. Абросимов К.Н., Герке К.M., Семенков И.Н., Корост Д.В. Применения алгоритма Оцу при сегментации порового пространства почв по томографическим данным Почвоведение, № 4. С. 475–488. (год публикации - 2021)
10.31857/S0032180X21040031

3. Абросимов К.Н., Герке К.М., Семенков И.Н., Корост Д.В. Otsu’s Algorithm in the Segmentation of Pore Space in Soils Based on Tomographic Data Eurasian Soil Science, Vol. 54, No. 4, pp. 560–571. Russian Text © The Author(s), 2021, published in Pochvovedenie, 2021, No. 4, pp. 475–488. (год публикации - 2021)
10.1134/S1064229321040037

4. Шеин Е.В., Верховцева Н.В., Суздалева А.В., Абросимов К.Н. Рентгеновская компьютерная томография структуры корней и динамика почвенной биоты на ранних стадиях роста ячменя (Hordeum vulgare L.) Вестник Томского государственного университета, Биология. 2021. № 53. С. 6–21 (год публикации - 2021)
10.17223/19988591/53/1

5. Суздалева А.В., Шеин Е.В., Верховцева Н.В., Абросимов К.Н. Physical and microbiological aspects of the soil seed bed in the early formation of the barley root system (Hordeum vulgare L.): tomographic studies IOP Conference Series: Materials Science and Engineering, Vol. 941. P. 012032–012032. (год публикации - 2020)
10.1088/1757-899X/941/1/012032

6. Абросимов К.Н., Герке К.М., Фомин Д.С., Романенко К.А., Корост Д.В. Томография в почвоведении: от первых опытов к современным методам Почвоведение (год публикации - 2021)

7. Абросимов К.Н., Фомин Д.С., Романенко К.А., Васильев Р.В. Связность порового пространства почв. Показатели связности на примере различных типов порового пространства ПОЧВА КАК СВЯЗУЮЩЕЕ ЗВЕНО ФУНКЦИОНИРОВАНИЯ ПРИРОДНЫХ И АНТРОПОГЕННО-ПРЕОБРАЗОВАННЫХ ЭКОСИСТЕМ материалы V Международной научно-практической конференции, посвященной 90-летию кафедры почвоведения и оценки земельных ресурсов ИГУ и Дню Байкала. г. Иркутск, С. 207–211. (год публикации - 2021)

8. Абросимов К.Н., Герке К.М., Фомин Д.С., Романенко К.А., Корост Д.В. Томография в почвоведении: от первых опытов к современным методам (обзор) Почвоведение, Том: 55. Номер: 9. Страницы: 1097-1112 (год публикации - 2021)
10.31857/S0032180X21090021

9. Фомин Д.С., Юдина А.В., Романенко К.А., Абросимов К.Н., Карсанина М.В., Герке К.М. Динамика структуры порового пространства почвы в цикле равновесного увлажнения-сушки V конференция молодых ученых «Почвоведение: Горизонты будущего» Почвенный институт им. В.В. Докучаева, Москва, 21-24 сентября 2021 года. Сборник тезисов., стр. 89-90 (год публикации - 2021)

10. Лаврухин Е.В., Герке К.М., Романенко К.А, Абросимов К.Н., Карсанина М.В. Оценка точности нейросетевой сегментации КТ почв с помощью моделирования свойств однофазного течения в масштабе пор V конференция молодых ученых «Почвоведение: Горизонты будущего» Почвенный институт им. В.В. Докучаева, Москва, 21-24 сентября 2021 года. Сборник тезисов., стр. 81-82 (год публикации - 2021)

Публикации