| Project/Area Number |
22K04161
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 21040:Control and system engineering-related
|
|---|
| Research Institution | Gunma Prefectural Industrial Technology Center |
|---|
Principal Investigator |
高橋 勇一 群馬県立産業技術センター, その他部局等, 係長 (10505415)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
小林 正和 豊橋技術科学大学, 工学(系)研究科(研究院), 教授 (20378243)
小谷 雄二 群馬県立産業技術センター, その他部局等, 研究調整官 (30514616)
中村 哲也 群馬県立産業技術センター, その他部局等, 主任研究員 (60522373)
|
|---|
| Project Period (FY) |
2022-04-01 – 2025-03-31
|
| Project Status |
Granted (Fiscal Year 2023)
|
| Budget Amount *help |
¥4,030,000 (Direct Cost: ¥3,100,000、Indirect Cost: ¥930,000)
Fiscal Year 2024: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000)
Fiscal Year 2023: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000)
Fiscal Year 2022: ¥2,470,000 (Direct Cost: ¥1,900,000、Indirect Cost: ¥570,000)
|
|---|
| Keywords | X線CT / 深層学習 / トモグラフィ / 放射光 / 3Dイメージング / 非破壊 / 産業用X線CT / Deep learning |
|---|
| Outline of Research at the Start |
X線CTスキャナは試験体（ワーク）を破壊すること無く、内部構造を可視化することから、医療分野だけでなく産業分野においても多大な恩恵をもたらしてきた。
本研究は、国内の企業や大学等に導入済みの1,000 台を超える産業用X線CTスキャナに対して、深層学習（Deep learning）の技術により、新規の装置導入や大幅な改造を行うことなく、CT測定の短時間化と高精細な断面画像の取得を両立させるCT測定法を実現するものである。
|
| Outline of Annual Research Achievements |
X線CTスキャナーは、試験体（ワーク）を非破壊で内部構造を可視化することが可能であり、その利用は医療分野にとどまらず産業分野においても多大な恩恵をもたらしている。しかしながら、高解像度な断面画像の取得を目指す場合、測定時間の長期化を避けることが困難であるというトレードオフの解消が、現状において重要な課題として挙げられる。
本研究は、国内の企業や大学等で導入されている産業用X線CTスキャナーにおいて、新たな装置の導入や大幅な改造を施さずに、CT測定の短時間化と高解像度な断面画像の取得を両立させる測定法を、深層学習（Deep Learning）の技術を用いて実現することを目的としている。
本年度の実績としては、昨年度に作成した金属の樹脂包埋ワークに対して、X線投影データ間をDeep Learningに基づくモデルでフレーム補間し、補間したデータとX線投影データを組み合わせたデータによる画像再構成を行い、少ないX線投影データからも高解像度な断面画像の再構成に関する基礎的な検討を行った。また、断面画像上のアーチファクトの低減を実現するためのDeep Learningに基づく画像生成モデルの開発を完了し、放射光CTによる断面画像をターゲットドメイン、産業用CTによる断面画像をソースドメインとして使用し、トレーニングデータの作成及びトレーニングを実施した。
次年度の計画としては、画像生成モデルの高い汎化性が期待されるため、アーチファクトの低減が期待できるワークの調査を行う。また、生成された画像の評価方法についての検討も行う予定である。
|
| Current Status of Research Progress |
Current Status of Research Progress
1: Research has progressed more than it was originally planned.
Reason
Deep Learningに基づく画像生成モデルの開発を完了し、2年目に予定されていた目標を達成した。
画像生成モデルは、放射光CTによる断面画像をターゲットドメインとし、産業用CTによる断面画像をソースドメインとして使用し、トレーニングデータの作成及びトレーニングを実施した。
当初、トレーニングデータのターゲットドメインには、ワークの外観写真を使用する計画であった。しかし、放射光CTによる断面画像を採用することで、アーチファクトの低減に加え、X線の減弱係数を考慮した忠実なCT値を持つ生成画像の実現が可能となった。
|
| Strategy for Future Research Activity |
Deep Learningによる画像生成モデルのアーチファクト低減効果について、口頭発表を行い、早期に論文等で公開する。
|
