Segmenting Low-Contrast XCTs of Concretes: An Unsupervised Approach

Titel: Segmentatie van Laag-Contrast XCT-beelden van Beton: Een Ongesuperviseerde Benadering

Auteurs: Kaustav Das, Gaston Rauchs, Jan Sýkora, Anna Kučerová (Czech Technical University in Prague & Luxembourg Institute of Science and Technology).

---

1. Het Probleem

Röntgencomputertomografie (XCT) is een krachtige techniek voor het visualiseren van de interne structuur van materialen zoals beton. Een specifieke uitdaging bij het analyseren van beton is de lage contrastwaarde tussen de twee vaste fasen: gruis (aggregaten) en mortel.

• Oorzaak: Beide materialen hebben zeer vergelijkbare X-ray verzwakkingscoëfficiënten, wat resulteert in bijna identieke grijswaarden in de verkregen beelden.
• Gevolg: Traditionele segmentatiemethoden (zoals drempelwaarden of K-means clustering) die puur op lokale pixelintensiteiten vertrouwen, falen vaak omdat ze de fasen niet van elkaar kunnen onderscheiden.
• Beperking van bestaande methoden: Diepgaande leermodellen (CNN's) zijn zeer effectief voor semantische segmentatie, maar vereisen doorgaans grote hoeveelheden gelabelde trainingsdata. Het handmatig annoteren van 3D-betonstructuren is echter extreem tijdrovend, kostbaar en vaak niet beschikbaar voor nieuwe datasets.
• Huidige alternatieven: Het gebruik van contrastverhogende additieven of neutronentomografie is mogelijk, maar brengt extra kosten en voorbereidingstijd met zich mee, wat in de praktijk vaak niet haalbaar is.

2. Methodologie

De auteurs stellen een ongesuperviseerde (self-annotation) methode voor om een Convolutional Neural Network (CNN) te trainen zonder handmatige labels. De kern van de aanpak is een iteratief proces dat lokale perceptuele gelijkenis combineert met globale context.

A. Dataverwerking en Preprocessing

• Data: 3D XCT-scans van cilindrische betonproeven (16-bit, 1024x1024 pixels per slice).
• Preprocessing:
  • Verwijdering van artefacten zoals ringartefacten, halo-effecten en stralingverharding.
  • Normalisatie van de intensiteit per slice (gemiddelde = 0, standaardafwijking = 1) om variaties tussen verschillende scans te minimaliseren.
  • De data wordt opgesplitst in 2D-slices (tiles van 256x256 pixels) om het GPU-geheugen te beheren.

B. Model Architectuur: U-Net

In plaats van een eenvoudige feed-forward CNN, gebruiken de auteurs een aangepaste U-Net architectuur:

• Encoder: Verlaagt de ruimtelijke dimensies via average pooling (in plaats van max-pooling) en convolutieblokken.
• Decoder: Verhoogt de dimensies via transposed convolutie en voegt features uit de encoder toe (skip-connections).
• Modificaties: Toepassing van Batch Normalization, ReLU activatie en Dropout (p=0.5) voor betere stabiliteit en generalisatie.

C. Het Self-Annotation (Self-Supervised) Proces

Dit is de kerninnovatie van het paper. Het proces verloopt als volgt tijdens het trainen:

1. Superpixels: Voor elke inputafbeelding worden superpixels gegenereerd met behulp van het SLIC-algoritme (Simple Linear Iterative Clustering). Superpixels groeperen pixels met vergelijkbare intensiteit en ruimtelijke nabijheid, wat helpt bij het identificeren van grenzen tussen fasen zonder voorafgaande kennis.
2. Model Voorspelling: Het U-Net-model voorspelt voor elke pixel een set scores voor de mogelijke klassen (bijv. gruis, mortel, poriën).
3. Normalisatie: De output-scores worden genormaliseerd per kanaal om te voorkomen dat het model in een triviale oplossing terechtkomt (waarbij één kanaal altijd de hoogste score heeft).
4. Argmax & Refinement:
   • Er wordt een tijdelijke label-toewijzing gedaan via argmax (de klasse met de hoogste score krijgt een label).
   • Superpixel Refinement: Binnen elke superpixel wordt de meest voorkomende label-toewijzing bepaald. Alle pixels binnen die superpixel krijgen vervolgens dit dominante label toegewezen. Dit creëert een dynamisch label (self-annotation) dat ruimtelijke continuïteit garandeert.
5. Training: Het model wordt getraind om deze dynamische labels te voorspellen door de cross-entropy loss te minimaliseren tussen de genormaliseerde output en de gegenereerde one-hot encoded labels. Het label evolueert met elke training-epoch.

D. Varianten

De auteurs testten drie scenario's:

• US3 (Unsupervised 3-kanaals): Drie outputkanalen voor gruis, mortel en poriën. Resultaat: Het model kon poriën niet goed onderscheiden van gruis.
• US4 (Unsupervised 4-kanaals): Vier outputkanalen om de ambiguïteit op te lossen. Resultaat: Het model splitste gruis in twee kanalen, maar kon poriën nog steeds niet uniek identificeren.
• SS3 (Semi-supervised 3-kanaals): Poriën werden vooraf gelabeld via eenvoudige drempelwaarde (omdat deze goed zichtbaar zijn), terwijl gruis en mortel ongesuperviseerd werden getraind. Resultaat: Dit leverde de beste prestaties op.

3. Belangrijkste Bijdragen

1. Ongesuperviseerde Framework: Een nieuwe methode om CNN's te trainen voor laag-contrast XCT-beelden zonder handmatige annotatie, gebruikmakend van superpixels voor self-annotation.
2. Oplossing voor Laag Contrast: De methode slaagt erin de globale en lokale context te leren om gruis en mortel te onderscheiden, ondanks hun vergelijkbare grijswaarden.
3. Hybride Aanpak: Demonstratie dat een semi-supervised aanpak (waarbij de makkelijk te segmenteren fase 'poriën' wordt voorgegeven) de prestaties voor de moeilijke fasen (gruis/mortel) aanzienlijk verbetert.
4. Open Data: Beschikbaarstelling van de verwerkte datasets, software-implementatie en modelgewichten via Zenodo.

4. Resultaten

• Kwalitatieve Evaluatie:
  • Het model (SS3) slaagt erin de drie fasen (gruis, mortel, poriën) te onderscheiden.
  • De segmentatie is superieur aan directe drempelwaarde-toepassing op de originele grijswaarden.
  • Beperkingen: Het model heeft moeite met gruis aan de randen van de cilindrische proeven (door scherpe intensiteitsdalingen) en neigt om kleine, dicht op elkaar gelegen gruisdeeltjes te groeperen als één groot object (wat eigenlijk mortel zou moeten zijn).
• Kwantitatieve Evaluatie:
  • Gebruik van 16 handmatig gelabelde slices als "Ground Truth".
  • De Intersection over Union (IoU) en F1-score voor de gruisfase waren het hoogst bij de post-processing methode waarbij de output van het SS3-model werd gethreshold (logit thresholding), vergeleken met directe drempelwaarde op de ruwe data of directe argmax-classificatie.

5. Betekenis en Conclusie

Dit werk toont aan dat het mogelijk is om geavanceerde deep learning-modellen toe te passen op materialenwetenschappelijke problemen waar gelabelde data ontbreekt.

• Praktische Toepassing: De methode kan worden gebruikt om snel initiële segmentatielabels te genereren voor verdere gesuperviseerde training, of om bestaande modellen te fine-tunen op nieuwe beton-datasets.
• Toekomstperspectief: Hoewel het huidige model 2D is, is uitbreiding naar 3D haalbaar. De auteurs merken ook op dat hoewel "Foundational Models" (zoals Segment Anything) populair zijn, deze voor specifieke, laag-contrast materialenwetenschappelijke toepassingen mogelijk niet optimaal zijn in termen van rekenefficiëntie en prestaties vergeleken met doelgerichte, kleinere modellen zoals hier ontwikkeld.

Samenvattend biedt deze studie een robuust, kosteneffectief alternatief voor de complexe en dure handmatige annotatie van betonstructuren in XCT-scans, waardoor snellere en nauwkeurigere morfologische analyses mogelijk worden.