客服热线：
手机版
二维码
美国桑迪亚（Sandia）国家实验室的研究人员开发了一种基于图像的物理模拟（EQUOIPS），这是一个用于量化图像分割不确定性并将该不确定性传播到物理模拟以创建物理量不确定性分布的框架。该方法可能对多个行业产生有益影响，包括医疗保健、制造和电动汽车。相关研究发表在《Nature Communications》上。
图注：该图显示了用于高后果计算机模拟的扫描图像中绘制边界的不确定性。左边的灰度图像是对用作热障的材料的扫描。右侧插图显示了分为两类（蓝色和紫色）的材质。黑线表示两类材料之间可能存在的界面边界。黄色区域表示分割的不确定性，这意味着黑线可以在该区域内的任何位置绘制，并且仍然有效。
基于图像的模拟，即使用 3D 图像来计算物理量，依赖于几何创建的图像分割。然而，该过程引入了图像分割的不确定性，因为不同的分割工具（手动和基于机器学习的）每个都会产生独特且有效的分割。
这里，研究人员开发了一种基于图像的物理模拟的量化分割不确定性的系统方法，它可以使用机器学习来量化如何为 3D 计算机模拟绘制图像的不确定性。他们首先证明这些不确定性会传播到物理模拟中，从而影响到最终的物理量。其次，他们提出了一个快速量化分割不确定性的通用框架。通过创建和采样分割不确定性概率图，他们系统地、客观地创建了物理量的不确定性分布。表明物理量不确定性分布可以遵循正态分布，但是，在更复杂的物理模拟中，由此产生的不确定性分布可能出奇地非平凡。研究确定边界分割不确定性在这些非平凡情况下可能会失败。虽然现有的工作并没有消除分割的不确定性，但它通过使以前无法识别的困扰基于图像的模拟的分割不确定性变得可见来提高模拟的可信度。
工作流为决策者提供更好的信息
该方法对于高性能计算机模拟的可信度至关重要，尤其是针对于确定武器计划和其他工作的各种材料的有效性判断。同时，还可以使用新的3D成像工作流程来测试和优化用于大规模储能和车辆的电池。
想象一下，一位医生通过检查CT扫描来制定癌症治疗计划。该扫描可以被渲染成 3D 图像，然后可以在计算机模拟中使用它来创建辐射剂量，从而有效地治疗肿瘤，而不会对周围组织造成不必要地损坏。桑迪亚计算机科学家 Carianne Martinez 说，通常情况下，模拟会产生一个结果，因为 3D 图像只渲染了一次。
但是，她说，在扫描中绘制物体边界可能很困难，而且有不止一种明智的方法。“CT扫描不是完美的图像。在某些图像中很难看到边界。” Krygier 说，人类和机器将从这些模糊的图像中对肿瘤的大小和形状做出不同但合理的解释。
使用 EQUIPS 工作流程，它可以使用机器学习来自动化绘图过程，3D 图像被渲染成许多可行的变体，显示潜在肿瘤的大小和位置。 Martinez 说，这些不同的渲染将产生一系列不同的模拟结果。除了一个答案，医生将有一系列的预后考虑，可以影响风险评估和治疗决策，无论是化疗或手术。
“当你处理真实世界的数据时，没有一个单一的解决方案，”罗伯茨说。 “如果我想对答案真正有信心，我需要了解价值可以在两点之间的任何地方，我将在知道它在这个范围内的某个地方的基础上做出决定，而不仅仅是认为它在某一点。”
EQUIPS 团队已经为其他研究人员和程序员在线提供了源代码和新工作流程的工作示例。贝叶斯卷积神经网络源代码可在此处获得，蒙特卡洛辍学网络源代码可在此处获得。两者都在 GitHub 上。此处提供了一个 Python Jupyter 笔记本，可在一个简单的制造图像上演示整个 EQUIPS 工作流程。
这是一个细分的问题
基于图像的模拟的第一步是图像分割，或者简单地说，决定将哪个像素（3D 图像中的体素）分配给每个对象，从而绘制两个对象之间的边界。从那里，科学家可以开始建立计算模拟模型。但是像素和体素会随着梯度的逐渐变化而混合在一起，所以在哪里画边界线并不总是很清楚，即黑白CT扫描或X射线中的灰色区域，Krygier说。
他说，对扫描图像进行分割的固有问题是，无论是由一个人使用现有的最佳软件工具还是最新的机器学习功能，都有许多可行的方法将像素分配给对象。
对同一图像执行分割的两个人可能会选择不同的过滤和技术组合，从而产生不同但仍然有效的分割。没有理由支持一种图像分割而不是另一种图像分割。先进的机器学习技术也是如此。虽然它可以比手动分割更快、更一致、更准确，但不同的计算机神经网络使用不同的输入并处理不同的参数。因此，他们可以产生不同但仍然有效的分段，Martinez说。
Krygier 说，Sandia的Equipms工作流并没有消除这种细分不确定性，但它通过让决策者看到以前未被识别的不确定性，提高了最终模拟的可信度。
EQUIPS 可以使用两种类型的机器学习技术: 蒙特卡罗辍学网络和贝叶斯卷积神经网络，来执行图像分割，这两种方法都可以创建一组图像分割样本。将这些样本组合起来，以映射某个像素或体素位于分割材质中的概率。为了探索分段不确定性的影响，EQUIPS创建了一个概率图来获得分段，然后用于执行多个模拟和计算不确定性分布。研究人员已在线提供源代码和 EQUIPS 工作流程示例。
为了说明可以从 EQUIPS 工作流程中受益的各种应用，研究人员在 Nature Communications 论文中展示了新方法的几种用途：锂离子电池中石墨电极的 CT 扫描，最常见于电动汽车、计算机、医疗设备和飞机；扫描正在大气层再入飞行器（如火箭或导弹）上进行热防护试验的编织复合材料；以及人体主动脉和脊柱的扫描。
