Представлена методика расчета значений параметров генератора пористых структур по экспериментальным изображениям для
синтезирования пористых фантомов. Сгенерированные по найденным параметрам фантомы обладают геометрическими
характеристиками, схожими с исходными изображениями, что позволяет использовать такие фантомы в качестве аугментации
обучающих выборок для алгоритмов сегментации экспериментальных изображений методами машинного обучения.
Ключевые слова:
компьютерная томография, трансферное обучение, аугментация, синтетические данные
DOI: 10.31857/S023500922104003X
Цитирование для раздела "Список литературы":
Хафизов А. В., Григорьев М. В.
Генерирование синтетических пористых изображений для аугментации данных с целью тренировки алгоритмов машинного обучения.
Сенсорные системы.
2021.
Т. 35.
№ 4.
С. 340–347. doi: 10.31857/S023500922104003X
Цитирование для раздела "References":
Khafizov А. V., Grigoriev M. V.
Generirovanie sinteticheskikh poristykh izobrazhenii dlya augmentatsii dannykh s tselyu trenirovki algoritmov mashinnogo obucheniya
[Generation of synthetic porous images for data augmentation to train machine learning algorithms].
Sensornye sistemy [Sensory systems].
2021.
V. 35(4).
P. 340–347
(in Russian). doi: 10.31857/S023500922104003X
Список литературы:
- Григорьев М.В., Назиров И.В., Могилевский Е.И., Хафизов А.В., Чукалина М.В. О проблемах при работе с микротомографическими изображениями пористых структур, используемыми для моделирования процессов протекания. Труды института системного анализа российской академии наук. 2021. Т. 71. № 1. https://doi.org/10.14357/20790279210110
- Хафизов А.В., Григорьев М.В. Метод логистической регрессии для бинаризации томографических изображений пористых объектов. Современные методы анализа дифракционных данных и актуальные проблемы рентгеновской оптики: 7-я международная школа-семинар молодых ученых. 2020. С. 162.
- Badrinarayanan V., Kendall A., Cipolla R. Segnet: a deep convolutional encoder-decoder architecture for image segmentation. IEEE transactions on pattern analysis and machine intelligence. 2017. V. 39. № 12. P. 2481–2495. https://doi.org/10.1109/TPAMI.2016.2644615
- Benesty J., Chen J., Huang Y., Cohen I. Noise reduction in speech processing. Berlin, Heidelberg. Springer, 2009. V. 2. 230 p.
- Borovikov P.I., Antonov E.N., Dunaev A.G., Krotova L.I., Sviridov A.P., Fatkhudinov T.Kh., Popov V.K. Model of the destruction of bioresorbable polymers in aqueous media. Inorg. Mater. Appl. Res. 2018. V. 9. P. 649–654. https://doi.org/10.1134/S2075113318040056
- Brudfors M., Balbastre Y., Ashburner J., Rees G., Nachev P., Ourselin S., Cardoso M.J. An MRF-UNet Product of Experts for Image Segmentation. Proceedings of Machine Learning Research. 2021. arXiv preprint arXiv:2104.05495.
- Buzug T.M. Computed tomography: From photon statistics to modern cone-beam CT. Springer Science &Business Media. Berlin. 2008. 522 p.
- Chukalina M.V., Khafizov A.V., Kokhan V.V., Buzmakov A.V., Senin R.A., Uvarov V.I., Grigoriev M.V. Algorithm for post-processing of tomography images to calculate the dimension-geometric features of porous structures. Computer Optics. 2021. V. 45. № 1. P. 110–121. https://doi.org/10.18287/2412-6179-CO-781
- Gonzalez R., Woods R. Digital Image Processing. Up-per Saddle River, Prentice Hall. 2002. 1192 p.
- Gostick J.T., Khan Z.A., Tranter T.G., Kok M.D., Agnaou M., Sadeghi M., Jervis R. PoreSpy: A Python Toolkit for Quantitative Analysis of Porous Media Images. Journal of Open Source Software. 2019. V. 4. № 37. P. 1296–1299. https://doi.org/10.21105/joss.01296
- Jaccard N., Szita N., Lewis D. G. Segmentation of phase contrast microscopy images based on multi-scale local Basic Image Features histograms. Computer Methods in Biomechanics and Biomedical Engineering: Imaging & Visualization. 2017. V. 5. № 5. P. 359–367. https://doi.org/10.1080/21681163.2015.1016243
- Kurita T., Otsu N., Abdelmalek N. Maximum likelihood thresholding based onpopulation mixture models. Pattern Recognition. 1992. V. 25. № 10. P. 1231–1240. https://doi.org/10.1016/0031-3203(92)90024-D
- Myttenaere A., Golden B., Le Grand B., Rossi F. Mean Absolute Percentage Error for regression models. Neurocomputing. 2016. V. 192. P. 38–48. https://doi.org/10.1016/j.neucom.2015.12.114
- Ronneberger O., Fischer P., Brox T. U-net: Convolutional networks for biomedical image segmentation. Medical Image Computing and Computer-Assisted Intervention (MICCAI). Springer, LNCS. 2015. P. 234–241. https://doi.org/10.1007/978-3-319-24574-4_28
- Shah S.M., Gray F., Crawshaw J.P., Boek E.S. Micro-computed tomography pore-scale study of flow in porous media: effect of voxel resolution. Advances in Water Resources. 2016. V. 95. P. 276–287. https://doi.org/10.1016/j.advwatres.2015.07.012
- Shirani M.R., Safi-Esfahani F. Dynamic scheduling of tasks in cloud computing applying dragonfly algorithm, biogeography-based optimization algorithm and Mexican hat wavelet. The Journal of Supercomputing volume. 2021. V. 77. P. 1214–1272. https://doi.org/10.1007/s11227-020-03317-8
- Uvarov V.I., Borovinskaya I.P., Lukin E.S., Tsodikov M.V., Golubev K.B. Catalytically active cermet membrane for converting byproducts from the production of combustibles. Glass Ceram. 2014. V. 71. P. 270–274. https://doi.org/10.1007/s10717-014-9667-1
- Usanov M.S., Kulberg N.S., Morozov S.P. Experience of application of adaptive homophobic filters for computer tomograms processing. Journal of Information Technologies and Computing Systems. 2017. V. 2. P. 33–42.
