AI解析　基礎講座　第3回　深層学習によるX線CT再構成画像の画質改善と解析精度向上

ディープラーニングは、短時間スキャンで取得したノイズの多いCT画像と高品質なCT画像を学習し、画像中のノイズ成分を低減することで画質を向上させます。これにより、構造や境界がより明瞭になり、コントラスト対ノイズ比（CNR）が改善されます。 その結果、画像の視認性が向上するだけでなく、寸法測定や表面積評価などの定量解析の精度向上にも貢献します。短時間測定のメリットを維持しながら、高品質な画像と信頼性の高い解析結果を得られる点が大きな特長です。

ディープラーニングを活用することで、定量解析に必要な画質を維持しながら、X線CTの測定時間を大幅に短縮できる可能性があります。 電池の評価では、4分間のスキャンデータから17分間の高品質データと同等の電極オーバーハング測定結果が得られました。また、プラスチック部品では、2分間のスキャンデータから40分間のスキャンに近い表面積測定結果が得られました。 これらの結果は、ディープラーニングによるノイズ低減によって、解析精度を維持したままスキャン時間を大幅に短縮できる可能性を示しています。品質管理や故障解析など、高いスループットが求められる用途で特に有効です。

X線CT画像のノイズ除去には、ノイズの多い画像と高品質な画像のペアを用いてディープラーニングモデルを学習させます。モデルは両者の違いからノイズの特徴を学習し、CT画像からノイズ成分を効果的に除去します。 学習後のモデルは、新たなCTデータに対して短時間でノイズ低減処理を実行できるため、追加測定を行うことなく画質を向上させることが可能です。その結果、画像の視認性だけでなく、定量解析の精度向上や測定スループットの改善にも貢献します。

ディープラーニングによるノイズ除去モデルの学習には、ノイズの多い画像と高品質な画像のペアを使用します。学習データは、同じ試料を短時間・長時間でそれぞれ測定して作成する方法と、1回の高品質測定データから低品質画像と高品質画像を再構成して作成する方法があります。 後者の方法では、1回の測定で学習データを準備できるため、測定間の試料位置ずれや状態変化の影響を抑えられるという利点があります。試料や測定条件に応じて、これらの方法を使い分けることができます。

ディープラーニングは、短時間スキャンで取得したCTデータのノイズを低減し、電池内部構造の観察や定量解析の精度を向上させます。 円筒形電池の評価では、4分間のスキャンデータにディープラーニング処理を適用することで、コントラスト対ノイズ比（CNR）が5.2から38.2へ向上しました。これにより電極形状をより明瞭に識別できるようになり、電極オーバーハングの測定値は0.64 mmから0.59 mmへ改善しました。 この結果は、17分間の高品質スキャンで得られた測定値と一致しており、ディープラーニングによって測定時間を短縮しながら、信頼性の高い定量解析を実現できる可能性を示しています。

ディープラーニングによるノイズ低減により、プラスチック部品の表面をより正確に抽出できるようになり、表面積などの定量解析精度が向上します。 2分間のスキャンデータでは、表面積の測定値が2,956 mm²から2,821 mm²へ改善し、高品質な参照データの2,836 mm²に近づきました。また、コントラスト対ノイズ比（CNR）も大幅に向上しており、短時間測定でも信頼性の高い解析が可能であることが示されました。

ディープラーニングによるノイズ除去モデルは、学習に使用した装置とは異なるX線CT装置のデータにも適用できる可能性があります。例えば、高品質な放射光CTデータで学習したモデルを、実験室や製造現場のX線CTデータに適用することで、画質や解析精度の向上が期待できます。 なお、今回紹介した事例では、学習と推論の両方に同じCT装置を使用しています。