「X線とは？」から「ニューラルネットワークを学習させよう」へ

まずは基礎からスタートしました。X線の基本的な物理原理、装置の主要コンポーネント（X線源、検出器、撮影ジオメトリ）、そして CT が 2D イメージングとどのように異なるのかを解説しました。

15歳の学生にとっては、学校ではまだ学ばない高度な内容です。そのため、図や具体例を用いながら、できるだけ視覚的で実践的に理解できるように進めました。

そして、いよいよ実験に取りかかります。

「砂糖 vs 塩」CTチャレンジ

今回の実験では、FF35 CT を使ってシンプルなサンプルをスキャンしました。プラスチック製のストローに、半分は砂糖、もう半分は塩を詰めたものです。

取得した生データ（プロジェクション画像）を見ると、その違いはすでに確認できました。炭素を多く含む砂糖と、より高い密度を持つ塩化ナトリウム（NaCl）では、X線画像に現れるコントラストが異なるためです。

しかし本当に興味深いのは、その後です。ストローをよく振って粒子を混ぜ合わせると、2D画像では両者の区別が一気に難しくなりました。わずかに境界付近に手がかりが残る程度で、ほとんど見分けがつかなくなったのです。

再構成された3Dボリュームデータでは、概念的には両者を分離しやすくなります。しかし、それでも簡単に識別できるわけではありません。

なぜ単純な閾値処理では不十分なのか？

単純な閾値設定でも塩はある程度セグメンテーションできますが、砂糖の識別ははるかに難しいことが分かりました。

• 砂糖は信号強度が弱く、空気や軽微なビームハードニングアーチファクトと部分的に混ざって見える
• さらに、強度値が近いプラスチック粒子も存在し、セグメンテーションを混乱させる

そこで、手動によるセグメンテーションだけに頼る方法から一歩進み、別のアプローチを試すことにしました。

AI に識別を学習させる

次に、Dragonfly 3D World の Segmentation Wizard を使用し、ニューラルネットワークにボリュームデータの分類を学習させました。

1. 塩と砂糖を分類し、「プラスチック／粒子／空気」を第三のクラスとして設定
2. その後さらに精度を高めるため、プラスチックと粒子を別クラスとして分離

こうして完成した結果は、短い期間での取り組み、そしてインターン生の年齢を考えると非常に印象的なものとなりました（その成果は、ぜひ可視化結果をご覧ください）。

スピードと精細さのバランスについて

反復作業を高速化し、ワークフローをスムーズに進めるために、スキャン時には 2×2ビニング を使用し、さらに再構成したボリュームデータにも 2×2×2ビニング を適用しました。
そのため、一部の表面が少し階段状に見えることがありますが、学習と実験のスピードを高めるという点では適切なトレードオフでした。

主なポイント 

私が特に楽しいと感じたのは、学生が意味のある課題に取り組むと、どれほど早く意欲が高まるかを見ることでした。
実際のツール、実際の課題、そして実際の成果に触れることで、インターンシップは単に「誰かの作業を横で見ているだけ」のものではなくなります。

X線／CT と AIセグメンテーション、さらに機械学習を組み合わせたことで、このインターンシップはより魅力的で実践的な経験になりました。

次のステップとして、もう一つ別のテーマにも取り組みました。
3D プリンティングと CT を組み合わせた、偏差解析（as-built と CAD の比較）です。

こちらについては、次回のブログでご紹介する予定です。