10、X射线计算机断层扫描图像的处理与分割：新方法与软件的应用

X射线计算机断层扫描图像的处理与分割：新方法与软件的应用

1. 数据集与CNN训练

在图像分析领域，原始数据集是CNN（卷积神经网络）训练的基础，但用户可以添加新的数据集作为示例，对CNN训练进行微调，从而优化其在新数据推理上的性能。在构建数据集时，通常会提供完整的分割图像，但这并非强制要求。实际上，使用图像的较小部分进行测试，也能探究训练CNN的潜力。通过机器学习和分水岭技术生成目标标签时，使用小部分图像所需的前期工作量更少。而且，基于不同图像提供小数据集，还能将其应用范围扩展到其他图像集。

训练和推理的时间框架相较于传统分割方法已有显著加速。例如，训练时间为24小时，对31张图像的推理只需几天，而传统方法可能需要数月。

2. Annotat3D软件的发展

Annotat3D软件正在不断改进，以应对Sirius同步加速器设施中日益增多的图像重复和新的时间分辨成像需求。目前版本的Annotat3D正在Sirius的光束线中部署使用，旨在提升用户体验，并进行最终的调试和优化。预计该软件在不久的将来将向社区开放。

3. X射线CT成像在土壤科学研究中的重要性

X射线CT成像已成为土壤科学研究的重要工具。高质量的分割是揭示土壤X射线CT图像内部细节和体积的关键步骤，这有助于对多孔系统复杂结构的形态特征进行建模和表征。然而，由于X射线CT测量的某些特性和样品条件的影响，相关灰度直方图通常无法清晰区分与各相（一般为空气和固体）相关的峰值。

在这种情况下，通过滤波平滑图像噪声和增强相边缘是必要的，但对于传统的全局阈值分割方法来说往往不够。即使是通常优于全局阈值法的局部分割方法，如分水岭变换，也会因浸没过程