Cel segmentatie van X-ray micro-CT data van fruit en groenten met gebruik van deep learning

Kennis van ruimtelijke en dynamische veranderingen van de interne microstructuur van voedsel verbetert het begrip van voedselkwaliteit en dient als basis voor het ontwikkelen van nieuwe manieren om voedsel te produceren, op te slaan en te verwerken. Gezien de microstructuur van voedsel een complexe driedimensionale (3D) multischaal eigenschap is, is er behoefte aan verdere vooruitgang in 3D visualisatietechnologie. Een zeer waardevolle beeldvormende techniek om de microstructuur van voedsel te bestuderen is computertomografie (CT). CT is een bekende niet-destructieve 3D inspectietechniek voor het produceren van dwarsdoorsnedebeelden van een object op basis van de verschillen in röntgenabsorptie als gevolg van het type en de dichtheid van de bestanddelen in het voedsel. Met een nieuwe fasecontrast CT kunnen beelden worden verkregen met een ongekend contrast dat veel groter is dan conventionele CT contrast gebruik makend van het feit dat wanneer röntgenstralen door een materiaal gaan, er een faseverschuiving is over het golffront afhankelijk van de elektronendichtheid en de ruimtelijke frequentie van de materiaaleigenschappen. Het doel van dit doctoraatsproject is om het potentieel van fasecontrast voor voedseltoepassingen te onderzoeken en om geavanceerde beeldverwerkingsalgoritmen te ontwikkelen om relevante 2D en 3D microstructurele kenmerken van voedingsmiddelen te kwantificeren. In een eerste stap zullen kunstmatige microstructuren (schuimen, prints) en echte voedsel microstructuren (met een focus op groenten en fruit) geselecteerd en gekarakteriseerd worden met conventionele en fasecontrast beeldvormingstechnieken om een referentiedatabase te creëren, waarbij ook gebruik wordt gemaakt van reeds beschikbare datasets en protocollen. Specifieke protocollen voor fasecontrast beeldvorming zullen ontwikkeld en geoptimaliseerd worden om toe te passen op voedselsystemen. In een tweede stap worden algoritmen voor beeldanalyse ontwikkeld voor de multimodale verwerking (combinatie van absorptie- en refractiesignalen) van fasecontrast beelden. Multi-feature en multimodale Markov willekeurige velden zullen bestudeerd worden, evenals deep learning-methoden met behulp van generatieve vijandige netwerken. Gegevensvergroting met behulp van modelgebaseerde simulatie zal worden benut om trainingsgegevenssets te vergroten. Ten slotte wordt succesvolle fasecontrastbeeldvorming gebruikt om verbeterde 3D voedsel microstructuur modellen te creëren voor structurele technische toepassingen.