arXiv:2609.22315v1 cs.CV

위상적 재료 특징을 이용한 대규모 3D 직물 보강재 실 추적

Yarn tracking of large-scale 3D textile reinforcements using topological material features

Hafsa El Herichi (LMPS, CVN), Arturo Mendoza (LMPS), Yanneck Wielhorski (CVN), Hugues Talbot (CVN), St\'ephane Roux (LMPS)

제출 2026-09-22

한국어 초록

CT 영상의 자동 분할(segmentation)은 고충실도 수치 모델 생성을 통해 시뮬레이션의 신뢰성을 높이는 데 점점 더 중요해지고 있다. 본 연구는 X선 CT 영상(거친 해상도, 즉 140 $\mu$m 초과)으로 촬영한 팬 블레이드 드라이 프리폼(dry preform)에서 직물 보강재를 반자동으로 추적하는 어려운 과제를 다룬다. 제안 방법은 실(yarn)의 주 방향에 수직인 평면에서 수행하는 확장 가능한 슬라이스 기반 분석을 대규모 실제 산업 부품에 적용하며, 최소한의 학습으로 실 경로를 정확히 식별·추적할 수 있게 한다. 이 방법은 세 가지 핵심 실 특성을 통계적으로 모델링한다: 전형적인 단면 형상, 3차원 공간에서의 연속성과 이동, 이웃 실에 대한 공간적 상대 배치. 이러한 통계적 특성은 연속적인 단면 평면에서 모든 실 중심 위치를 최적화하는 변분(variational) 공식화를 통해 추적 프레임워크에 통합된다. 이 방법은 1,500개 슬라이스에 걸쳐 3,000개 이상의 경사 실(warp yarn)을 추적하며 90% 이상의 추적 성공률을 달성한다. 전반적으로 본 연구는 대규모 자동 직물 보강재 주석(annotation)을 향한 유망한 접근을 보여 주며, 복잡한 복합 구조에서 보다 효율적인 재료 특성화의 길을 연다.

원문 초록

Automated segmentation of CT images has become increasingly important to enhance the reliability of simulations through the generation of high fidelity numerical models. This study addresses the challenging task of semi-automatically tracking textile reinforcements in fan blade dry preforms using X-ray CT images captured at coarse resolutions (i.e., above 140 $\mu$m). Our approach offers a scalable, slice-based analysis conducted on planes orthogonal to the main yarn directions, applied to a large-scale real industrial component. This enables accurate identification and tracking of yarn paths while requiring minimal training. The method models three key yarn properties statistically: their typical cross-section shape, their continuity and movement in the 3D space, and their spatial relative arrangement with respect to neighboring yarns. These statistical properties are integrated into a tracking framework via a variational formulation that optimizes all yarn center positions in successive cross-section planes. The method tracks more than 3,000 warp yarns across 1,500 slices and achieves a tracking success rate above 90%. Overall, this work demonstrates a promising approach toward large-scale, automated textile reinforcement annotation, paving the way for more efficient material characterization in complex composite structures.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2609.22315v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.08219v2cs.CV공통 태그 Image Segmentation, computed tomography ct

다중 장기 이미지에 대한 연합학습 벤치마크 평가

Benchmark Evaluation of Federated Learning on Multi-organ Images

의료 데이터의 프라이버시 요구사항과 장기·모달리티에 따른 상당한 변이는 의료 AI의 임상 적용을 저해한다. 연합학습(FL)은 이러한 과제를 극복하기 위한 실행 가능한 접근법이다. FL 알고리즘의 지속적인 등장과 의료 데이터의 고도로 이질적인 특성으로 인해, 실제 임상 환경에서의 성능을 객관적으로 평가하는 것은 여전히 어렵다. 따라서 통합된 평가 기준으로서의 포괄적인 연합 의료 영상 벤치마크는 신뢰할 수 있는 임상 적용을 향한 기술 발전에 필수적이다. 기존 연합 의료 영상 벤치마크는 최신 알고리즘을 충분히 반영하지 못하고, 단일 장기 또는 단일 모달리티의 데이터에 국한되어 있으며, 모델 정확도를 지나치게 강조함으로써 실제 의료 환경에서 FL의 전반적인 효용성을 종합적으로 평가하기 어렵다. 이러한 과제를 해결하기 위해 MobenFL 벤치마크를 개발하였다. 이 벤치마크는 20개의 최신 FL 알고리즘과 22개의 의료 영상 데이터셋을 통합하며, 인체의 12개 주요 장기를 포괄하여 기존 벤치마크보다 넓은 범위를 다룬다. 평가 차원에서 MobenFL은 성능 평가에 그치지 않고 알고리즘 효율성과 프라이버시 보호 능력 등 핵심 지표를 체계적으로 통합한다. 또한 서로 다른 질환, 기기, 영상 모달리티를 포함하는 복잡한 실제 임상 시나리오에 대한 전문적인 평가를 수행함으로써, 의료 분야에서 FL의 임상 적용을 위한 포괄적이고 심층적인 평가 프레임워크를 제공한다.

arXiv:2607.09135v1cs.CV공통 태그 Image Segmentation, computed tomography ct

Super-Generalist: 제너럴리스트-스페셜리스트 시너지를 통한 포괄적이고 정확한 의료 영상 이해를 향하여

Super-Generalist: Towards Comprehensive and Accurate Medical Image Understanding via Generalist-Specialist Synergy

의료 영상은 다양한 임상 상태의 진단을 지원하기 위해 포괄적이고 정확한 해석이 필요하다. 최근 비전-언어(vision-language) 제너럴리스트 모델은 광범위한 태스크 커버리지와 유망한 제로샷(zero-shot) 능력을 제공하지만, 신뢰할 수 있는 진단과 공간적 해석 가능성을 위한 세밀한 해부학적·병변 인식이 부족한 경우가 많다. 반면, 지도 학습 기반 스페셜리스트 모델은 특정 태스크에서 강력한 성능을 달성하지만, 일반적으로 질환 및 해부학 전반에 걸친 일반화가 부족하다. 본 연구에서는 제너럴리스트 비전-언어 학습과 스페셜리스트 목표를 통합하여 광범위한 일반화와 스페셜리스트 수준의 진단 능력을 모두 가능하게 하는 Super-Generalist 프레임워크인 SuG를 제안한다. SuG에서는 학습 중 어노테이션된 해부학 구조를 넘어서는 병변을 포착하는 해부학 분할기, 클래스별 병변 분할기, 클래스 비특이적 병변 분할기를 포함한 다수의 분할 전문가로부터 공간적 사전 정보(spatial prior)를 통합함으로써 스페셜리스트 강화 비전-언어 정렬을 수행한다. 병변 그라운딩(grounding) 능력을 향상시키기 위해, 병변 마스크를 공간적 사전 정보로 활용하여 텍스트 조건부 시각적 어텐션을 보정함으로써 질환 관련 의미 정보가 임상적으로 유관한 영역에 집중하도록 유도한다. SuG는 CT-RATE, Merlin, MedVL-CT69K 및 여러 자체 종양 데이터셋을 포함한 광범위한 흉부·복부 CT 벤치마크에서 평가된다. SuG는 다양한 질환 진단 태스크에서 최첨단(state-of-the-art) 성능을 달성하며, 여러 핵심 종양 진단 벤치마크에서 스페셜리스트 모델을 능가한다. 또한 SuG는 클래스별 지도 학습이 없는 병변 유형에 대한 강건한 일반화를 포함하여 강력한 병변 그라운딩 능력을 입증한다.

arXiv:2607.08688v1cs.CV공통 태그 Image Segmentation, Object Tracking

SAM-MT: 실시간 인터랙티브 다중 대상 비디오 분할

SAM-MT: Real-Time Interactive Multi-Target Video Segmentation

현대의 비디오 객체 분할(VOS)은 사용자가 지정한 대상을 추적하고 분할하는 작업을 포함합니다. 최근 접근법들이 단일 대상 시나리오에서 뛰어난 성능을 달성했으나, 이를 다중 대상 환경으로 확장할 경우 일반적으로 각 개별 객체에 대해 단일 대상 처리를 반복하는 방식이 사용되며, 그 결과 대상 수 증가에 따라 프레임 속도(FPS)가 감소하고 지연 시간이 무한히 늘어나는 문제가 발생합니다. Segment Anything 2 (SAM2)를 기반으로, 우리는 이 문제를 해결하기 위해 모델을 실시간 다중 대상 비디오 분할을 위한 인터랙티브 프레임워크로 변환하는 SAM-MT를 제안합니다. SAM-MT는 명시적 쿼리를 사용하여 각 개별 대상을 표현하며, 전역 컨텍스트를 위한 공유 표현과 병렬로 동작합니다. 개별 식별자를 교차 대상 간섭으로부터 분리하기 위해 분리된 마스크드 어텐션(decoupled masked attention)을 적용하고, 안정적인 시간적 변화를 위해 희소 메모리(sparse memory)를 활용하며, 가림(occlusion) 처리 및 겹침 방지를 위한 특화된 전략을 사용합니다. SAM-MT는 지연 시간을 대상 수와 성공적으로 분리하여, 단일 대상 기준선에 필적하는 실시간 속도(10개 대상에서 >36 FPS)를 달성하면서도 SAM2의 강건한 비디오 분할 성능을 유지합니다.

arXiv:2607.02585v1cs.CV공통 태그 Image Segmentation, computed tomography ct

신뢰도 인식 CT-MRI 정합: 안정성 분석 및 위험 분류를 포함한 품질 엔지니어링 프레임워크

Reliability-Aware CT-MRI Registration: A Quality Engineering Framework with Stability Analysis and Risk Classification

다중 모달 CT-MRI 정합(registration)은 영상 유도 방사선 치료, 수술 내비게이션, 진단 워크플로우의 핵심이지만, 대부분의 파이프라인은 케이스별 신뢰도 신호 없이 집계된 품질 지표만을 보고한다. 본 논문에서는 데이터 기반으로 학습된 임계값을 이용해 정합 품질을 Green/Yellow/Red 위험 범주로 변환하는 신뢰도 인식 프레임워크를 제안한다. 뇌, 복부, 경부 해부학적 영역에 걸친 18명 환자의 90쌍 슬라이스에 대해 강체(rigid) 및 어파인(affine) 변환을 사용하여 CT 영상을 T1 강조 MRI에 정합하였다. 신뢰도는 Delta NMI, Delta SSIM, Dice 중첩(overlap), 정합 안정성, 역일관성 오차(inverse consistency error)를 이용해 평가하고, 이를 단일 점수 R로 결합하였다. 학습 환자로부터 학습된 임계값은 홀드아웃 테스트 환자에게 변경 없이 적용되었다. 어파인 정합은 NMI 및 SSIM에서 강체 정합보다 우수한 성능을 보였으며, Green 분류 비율이 강체 정합의 33%에 비해 44%를 기록하였다. 신뢰도 필터링된 정합은 필터링되지 않은 방법에 비해 평균 정렬 프로파일을 향상시켰다. 해부학적 영역별 분석에서는 뇌 정합에 비해 복부 정합의 신뢰도가 더 높은 등 상당한 변동이 관찰되었다. 가중치 민감도 분석 결과, Dice 중첩이 신뢰도의 지배적인 구성 요소로 확인되었다. 제안된 프레임워크는 다중 모달 정합을 위한 해석 가능한 품질 관리 층(layer)을 제공하며, 위험 임계값은 임상적 검증이 아닌 통계적 검증을 반영한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.