■擎曄有限公司 / 李根嘉 技術長
前言
隨著產品製程精密度與複雜度日益提高，2D檢測或是3D非穿透式的表面檢測已漸漸不敷需求，要更深入了解材料整體微細結構，可透析材料內部的微奈米斷層掃描（micro/nano CT）已成為製程良率精進的最佳利器之一。
微奈米斷層影像技術是一種非侵入性的影像技術，可以高解析度捕捉材料內部的微觀結構和特性。這種影像技術在材料分析、生物醫學、電子元件、岩石礦物檢測……等領域扮演著重要角色。「深度學習」，作為人工智慧的一個分支，在分析微奈米斷層影像方面發揮著關鍵作用。
微奈米斷層影像技術使用射線或波束經過材料，通過探測器接收的訊號，可以重建出材料內部的三維結構。這種影像技術對於研究材料的微觀組成、缺陷、晶體結構、孔洞分佈等具有獨特的優勢。在材料科學領域，這些微觀特性直接關聯到材料的性能和功能。在生物醫學領域，微奈米斷層影像可以用於細胞和組織的觀察，幫助了解疾病的發展機制。在電子元件領域，這種影像技術可以幫助優化晶片內部的結構，提升元件的性能。
然而，微奈米斷層影像產生的數據龐大且複雜，傳統的分析方法難以處理這些數據。這時候，深度學習的強大能力就得以發揮。「深度學習」是一種模仿人類神經網絡結構的機器學習方法，能夠從大量數據中自動學習特徵和模式。在微奈米斷層影像分析中，深度學習可以用於自動標記和分割影像中的特定結構，如晶粒、孔洞等，從而實現對材料結構的精確定量分析。此外，「深度學習」還可以用於影像的雜訊去除、影像訊號重建和增強，提升影像品質。
「深度學習」在微奈米斷層影像分析中的應用，大幅增加分析的效率和準確性。它可以幫助研究人員從巨量的影像數據中攫取有價值、有意義的信息，加速新材料的發現和設計，推動科學研究的前沿。此外，「深度學習」還可以實現自動化的影像分析流程，減輕了研究人員的工作負擔。
本文利用Avizo/Amira軟體，說明客製化深度學習模型之訓練流程步驟，以實現產品製程自動化分析與品質監控之目標。
Avizo/Amira軟體深度學習模型訓練實戰秘笈
如何輕鬆有效率地完成Avizo/Amira平台的深度學習模型訓練？本文將相關流程切分並依序為各位讀者進行剖析。（相關實作影片請參考下方兩部影片）
《Amira‧Avizo高手實戰秘笈》深度學習資料預測及資料訓練
深度學習奈米電腦斷層影像碳纖維強化熱塑性塑膠分割
數據收集
深度學習影像資料可能來自多樣化的影像設備和各種不同的檔案格式。Avizo/Amira其強大的功能，完整支援各種類型的影像資料，讓使用者能夠輕鬆地將不同來源的數據匯入到軟體中進行進一步的分析和處理。無論是來自光學/電子顯微鏡、數位相機、掃描儀、磁振造影、超音波掃描還是其他影像設備所產生的資料，Avizo/Amira皆能直接讀取和解析這些資料，確保資料的完整性和準確性。而對於多樣化的檔案格式，如JPEG、TIFF、PNG、DICOM……等，軟體也提供了全面的支援，用戶能夠不必擔心格式轉換或資料兼容性的問題，專注於影像數據的分析和處理工作。
數據前處理
訓練之前，需要將影像資料進行一系列的預處理，以確保其適合進行特定任務的訓練。其中，特定區域的影像擷取和雜訊去除是提升影像品質的關鍵步驟，這有助於更好地進行後續的分割、標註等任務。Avizo/Amira融合了數百個內建的強大演算模組，為用戶提供了極大的靈活性，能夠根據具體任務的需求，自行構建專有的影像分析流程。這些演算模組可以協助用戶進行多種預處理步驟，如影像的區域擷取、雜訊去除、影像增強等，從而有效地改善影像資料的品質。
以Extract Orientated Volume from Landmark為例，模組利用少數手動標記點，自動計算標記物件的方向與範圍，快速擷取目標區域影像進行分析處理。（圖1、圖2）
影像分割標記
透過Avizo/Amira的互動式分割功能，即便在影像間呈現微小的邊界差異，也能輕易地進行影像標記（圖3）。軟體內建了多種優秀且有效率的工具，如分水嶺影像分割(Watershed Segmentation)、閥值分割和區域增長(Region Growing)，這些工具能夠讓使用者以互動方式，迅速而精確地標記整組影像。
此外，Avizo/Amira中專一的Image Recipe Designer，提供個人化的工作流程設計界面，融合專有的演算法，例如結構亮度增強過濾模組(Structure Enhancement Filter)、薄膜亮度增強過濾模組(Membrance Enhancement Filter)和圓柱結構關連偵測模組(Cylinder Correlation)等功能，讓使用者可以更快速建置專屬工作流程，便於將來反覆性的操作或與他人共享的SOP（圖4）。
深度學習模型選擇與訓練
Avizo/Amira不僅提供了功能完整的深度學習訓練模組，而且透過其直觀的使用介面，讓設定變得輕而易舉。無論是常見的各類型二維或三維UNet還是其他架構，都能輕鬆地進行自訂，以符合特定任務需求。這樣的便捷性使得即使對於不具備深度學習專業知識的用戶來說，也能夠在短時間內建立起有效的訓練模型（圖5）。
此外，Amira的訓練模組中還提供了多項資料前處理功能（圖6），包含亮度均一化、數據增強功能、資料裁切功能等，這對於訓練資料取得有限的用戶來說是一大福音。透過資料前處理的過程中生成多樣性的訓練樣本，從而提升模型的泛化能力和穩健性，即使在少量訓練資料的情況下，也能獲得優異的訓練效果。
深度學習實例分割 (Instance Segmentation)
Avizo/Amira的模型訓練主要是提供語義分割(Semantic Segmentation)，即指將圖像中的所有像素點進行分類。例如圖7分割為「纖維」（藍色）及「非纖維」兩種，在訓練模組的Number of Class選擇2。
如要進行實例分割目的，將每根纖維都獨立分割，以利後續的量化數據能夠更精確，此時，可以將訓練的目標影像透過Copmute Labels Distance Layer將目標類別分為3類，亦即背景（非纖維）、纖維中心（深藍）、纖維輪廓（淺藍）如圖8所示，再進行訓練。
完成訓練後，預測的影像也可以得到纖維中心與纖維輪廓，只要在Image Recipe Designer結合分水嶺分割法，就得到完成影像的實例分割如圖9所示。
進階量化分析
材料在產品中的占比分佈等數據，直接關乎著產品的品質和可靠性。這些數據提供了深入了解產品特性、性能及相互作用的視角，進而影響產品的應用可行性和長期穩定性。以複合纖維產品為例，無論是個別纖維的長度、方向和直徑，這些數據提供它們的幾何形狀，影響材料的力學性能；或是體積表面積，反映纖維的表面特性，對於界面交互作用和能量傳遞至關重要。通過這些細緻的數據，我們可以深入了解產品中纖維的特性及其對產品整體性能的影響，從而有助於更精確地設計和優化材料的應用。
在Avizo/Amira中提供了完整的報表數據及圖示說明（圖10、圖11），讓使用者可以一目了然，完整掌握產品性能。
結語
Avizo/Amira是一款功能強大的軟體，專注於影像資料的分析和處理。在深度學習的領域中，影像資料的來源多樣，檔案格式各異，而Avizo/Amira的優勢在於能夠完整支援各種類型的影像資料，輕鬆將不同來源的數據匯入軟體進行進一步的分析和處理。這對於確保數據的完整性和準確性至關重要，直接關係到後續分析的品質和結果的可靠性。
在數據前處理方面，Avizo/Amira提供了多種內建的強大演算模組，讓用戶可以依據任務需求自行構建影像分析流程。這些模組能夠處理影像的區域擷取、雜訊去除、影像增強等步驟，有助於提升影像資料的品質，為後續的分析奠定基礎。特別是通過互動式分割功能和個人化的工作流程設計界面，使用者能夠迅速且精確地標記影像，有效地改善影像資料的準確性。
在深度學習模型選擇與訓練方面，Avizo/Amira提供了完整的深度學習訓練模組，並以直觀的界面幫助用戶進行模型設定。這意味著即使對深度學習不熟悉的用戶，也能夠輕鬆地建立訓練模型。軟體內建多項資料前處理功能，如亮度均一化、數據增強等，有助於提升模型的泛化能力。透過這些功能，用戶可以在短時間內建立有效的訓練模型，為後續分析提供有力支持。
總結而言，Avizo/Amira在深度學習領域扮演著重要角色。它不僅能夠處理來自不同設備和檔案格式的影像資料，還提供了強大的數據前處理和深度學習訓練功能，幫助用戶輕鬆地進行影像分析和模型訓練，確保最終分析結果的品質和可靠性。
更多的Avizo/Amira軟體介紹與材料分析的應用，請參考下方影片。
三維影像處理在材料影像分析之應用：Avizo纖維提取與量化
