深度学习对CT图像的智能识别与分形重构

Hello，大家好，我是小编Sunshine。本期小编为大家带来中国矿业大学（北京）薛东杰老师最新发表在《岩石力学与工程学报》的文章“煤岩微观相态FCN智能识别与分形重构”。本文利用时下火热的人工智能算法优化了对微米CT扫描图像的分析。借用深度学习算法，可以更加精准高效的识别煤岩内部不同组分(孔隙、裂隙、高密度矿物和基质)，保证裂隙面的粗糙性和连续性，为构造数字岩心提供新的技术支撑。

CT与核磁共振成像(MRI)是两种岩心内部孔隙可视化方法。CT利用X射线扫描样本骨架，获得孔隙结构、矿物组分等信息，测试时间较长，但后处理数据丰富。MRI通过孔隙含氢流体成像，可以直观地反映连通孔隙结构和流体分布信息。二者的原始数据都是灰度图像，目前丰富的CT后处理方法在一定程度上也可以应用于MRI图像的分析。他山之石，可以攻玉，让我们先来了解深度学习对于CT切片分析的提升。

1 引言

人工智能的发展潜力引起新兴乃至传统行业的高度重视，我国已将发展人工智能上升至国家战略。将人工智能应用于煤岩体分析，通过智能识别可以识别煤岩体不同的孔裂隙，并定量刻画裂隙特征，如裂隙长度、宽度、面积、连通率等。

三维重构并非是数据简单的叠加组合，而是对相邻CT切片之间的信息进行插值，弥补扫描层数带来的信息缺失。因为扫描层无厚度，纵然扫描更多层数也难以达到微米级与纳米级，而且扫描机时与成本均较高。绝大多数岩石样品的微米-纳米级孔隙贡献率高达70%甚至更高，有必要对多层位之间的信息进行补充。

本文基于微米CT扫描开展数字岩心分形重构研究，通过智能识别对2D切片中孔隙、裂隙、高密度矿物和基质进行智能识别。智能识别算法高效精准，随着数据集及训练次数的增多，识别精度将快速提高，最后基于分形重构算法弥补了相邻两层CT切片间的缺失信息，优化了3D数字岩心重构技术。

2 煤岩微米CT扫描实验与重构

首先将煤样加工成标准圆柱：直径50mm、高100mm。之后利用Xradia MicroXCT-200型微米CT对煤进行孔隙成像，由于样本尺寸较大，分辨率为30μm，难以分辨孔隙。用探针在表面取直径约2mm、高2mm的圆柱重新扫描，分辨率则可提升值2μm。图2为样本底部、中部和顶部的二维切片。肉眼难以识别孔裂隙，但放大后可识别裂隙与高密度矿物。

图1 煤样制备

图2 煤样微米CT切片

图3 微米CT三维CT建模

如图3所示，煤样孔隙重构的主要流程包括：(1)方形切割:对2d切片内切正方形，降低图像边缘质量对结果的影响；(2)滤波处理：去除噪声，提高对比度。(3)利用Avizio软件进行识别：红色代表孔裂隙；灰色代表基质矿物与有机质；黄色为高密度矿物。

图4 基于Avizio的孔隙重构

图4为Avizio重构的孔隙分布效果图。基于三维重构模型可以进一步统计孔隙数量、孔隙面积和孔隙体积等参数，如图5。

图5 孔隙统计数据

3 传统及全卷积神经网络CT切片三维重构对比

传统2d切片重构

岩石/体宏观力学行为取决于微细观结构，尤其是空隙几何的影响尤为重要。微观几何分析的任务是确定空隙的体积密度、 孔隙度和渗透率空间分布乃至裂隙的连通性、拓扑特征。基于 CT 进行三维重构是很好的建模方法，目前原理上存在两种主要的重建方法，分析重建和迭代重建。

对每层 CT 图的分割结果进行三维迭代重建，得到了传统意义上的三维重构图(图6)。但其结果严重依赖于阈值的确定，而且裂隙面部分与孔隙均成散点状分布，肉眼可识别但无法量化界定，对后续数值建模带来极大挑战。最重要的是迭代重建无法修正相邻两层 CT 之间的数据。受限于阈值分割算法的局限性，裂隙各部分较为离散破碎，不能直观反映裂隙的连通性。

图6 传统的三维重构

基于全卷积神经网络的2d切片重构

基于全卷积神经网络算法对CT切片进行了处理，步骤如下：卷积神经网络结构构建与训练、裂隙几何级网络拓扑数据提取、裂隙网络拓扑几何的定量提取和裂隙网络拓扑几何的修正(论文对每个步骤的介绍很详细，但受限于篇幅并不能全部展示，感兴趣的朋友可以阅读原文)。

通过开发的算法有效的去除了离散孤立的孔隙体，保留了连续的裂隙端面。在卷积神经网络对空间位置的推理作用下，有效保证了裂隙断面的连通性，可有效区分孔隙和裂隙部分，使三维建模结构更真实可靠。

图7 基于全卷积神经网络算法重构的连续联系断面

将精确重构后的模型利用Avizio对不同物质相的几何参数进行统计，如表1所示，清晰的界定了4种不同相的体积、面积及坐标之间的差异。

表1 各物质相几何参数统计

4 基于CT切片的三维分形重构

基于2D CT切片建立3D模型，需要考虑垂直方向信息缺失如何补全的问题。目前的CT技术，单个样品1000层以上的扫描极其昂贵与费时。相邻切片间的信息需要利用差值算法进行补全。传统的差值算法包括线性差值、样条差值。

样条插值算法虽然能将若干点拟合为一条光滑曲线，但天然岩石光滑曲线难以寻觅，特别是岩石断面、孔裂隙分布具有粗糙、破碎的几何特征，其缺失信息难以被传统的插值算法所还原。

引入分形插值算法，其描述岩石非连续几何优于多项式插值等传统方法。分形差值将整体曲线的波动性植入到相邻两层之间，实现了根据整体分布进行微观细节反演的目的。与传统差值算法不同，分形差值会将全局几何形态映射到微观区间，在信息缺失的区域通过自相似、自重复的方式补全缺失点。

图8 不同分形差值算法的对比

如果对全部点采用分形插值算法，时间开销极大，并且生成的大量插值点实现对全局的几何形态自相似。采用分段分形插值算法（局部自相似），将原大小为N的点集划分为D段，每段有N/D个点。复杂度大为减少，而且生成的插值点只需要考虑周围局部的几何形态，不许生成大量的插值点，符合局部自相似整体非自相似的特征，这符合煤岩非均质的分布特点。

对X=0,Z∈[0,36)的样本点进行四种分段(9段×4点，6段×6点，4段×9点和2段×18点)进行检验。从结果分析，前两组存在明显的局部偏离，最终确定最优组：划分4段，每段9个点。9个点一组进行划分无论是局部自相似还是计算复杂度均可满足要求。

图7 分段分形差值

对所有曲线差值计算后，再进行重构，如图8所示。为基于全卷积神经网络智能识别算法建立的考虑孔隙、裂隙、高密度矿物和基质的3D重构模型。

图8(a)、(b)为内切立方体和长方体的重构效果对比，长方体的多余部分CT切片仅需数分钟即可完成重构，相较于传统算法，存在两个优点：1)全卷积神经网络算法可准确高效识别二维切片中的不同组相(孔隙、裂隙、高密度矿物和基质)；2)分形重构算法有效解决了相邻层间的信息缺失问题，为进一步减少或者优化CT扫描层数、减少机时成本方面研究提供了技术。

图8 基于全卷积神经网络的CT重构孔隙、裂隙、高密度矿物和基质混合三维图

本文对微米CT扫描所得到的二维切片利用时下火热的深度学习中的全卷积神经网络方法进行重构，实现了煤岩微观孔隙、裂隙、高密度矿物和基质的精准高效识别，相较于传统的CT重构方法，保留了连续的裂隙面，重构模型更为真实。

同时针对CT重构中多层切片层间缺失信息补全的问题，开发了分段分形插值算法，符合局部的自相似和整体的非自相似特征，更贴近煤岩的非均质特征。

他山之石可以攻玉

其实本文所用到的全卷积神经网络方法和分段分形插值方法，归根结底是利用更深入、准确的数据分析方法对多个二维灰度图像进行处理。其实利用核磁共振成像同样可以得到煤岩不同层位的灰度图像，并且灰度图像可以直接反映连通孔裂隙网络信息(如下图)。针对CT切片的分析方法同样可能适用于核磁共振成像(MRI)二维灰度图像的分析，我们也期待有心人能开展核磁共振成像深入分析与重构方面的研究，基于核磁成像切片构建数字岩心，提高核磁共振煤岩体成像的分析深度！

核磁共振成像切片图

参考文献：薛东杰,唐麒淳,王傲,易海洋,张弛,耿传庆，周宏伟. 煤岩微观相态FCN智能识别与分形重构.岩石力学与工程学报，2020.