Image Synthesis for Precipitate Segmentation Neural Network

Abstract

Machine learning methods are increasingly applied to quantitative analysis of scanning electron microscopy (SEM) micrographs, but their performance is often limited by the scarcity and inconsistency of annotated data, as well as by strong variability in image appearance. This thesis investigates whether synthetic data can mitigate these limitations for the segmentation of precipitates in polycrystalline metals. A procedural generator of SEM-like images is developed to simulate microstructural features and imaging effects in a controlled and reproducible manner, enabling the generation of synthetic images with exact ground-truth masks. These synthetic images are used to augment real training data for a deep-learning- based segmentation model, and their impact on segmentation performance is evaluated. Compared to a real-data-trained baseline, the proposed synthetic data augmentation approach leads to a considerable improvement in segmentation accuracy and stability across runs.

Metody strojového učení se v posledních letech stále častěji uplatňují při kvantitativní analýze snímků ze skenovací elektronové mikroskopie (SEM). Jejich využití je však často omezeno nedostatkem a nekonzistencí anotovaných dat, stejně jako výraznou variabilitou vzhledu mikroskopických snímků. Tato práce se zabývá využitím syntetických dat ke zmírnění těchto omezení při segmentaci precipitátů v polykrystalických kovech. Je vyvinut procedurální generátor SEM snímků, který umožňuje řízeným a reprodukovatelným způsobem simulovat mikrostrukturní prvky i zobrazovací efekty a generovat tak syntetické snímky s přesnými anotačními maskami. Tyto syntetické snímky jsou následně použity k rozšíření reálných trénovacích dat pro hlubokou segmentační neuronovou síť a je hodnocen jejich vliv na kvalitu segmentace. Ve srovnání se základním modelem trénovaným pouze na reálných datech vede navržený přístup využívající syntetická data k výraznému zlepšení přesnosti segmentace a ke zvýšení stability výsledků napříč opakovanými tréninky.