Pesquisadores da Universidade de Malta desenvolveram um algoritmo que realiza “segmentação virtual” para revelar as estruturas internas de vestígios arqueológicos; especificamente, antigos animais mumificados.
Com informações de Archaeology News Network.
As estruturas internas ocultas de vestígios arqueológicos podem ser reveladas por meio de uma técnica, Microtomografia Síncrotron de Contraste de Fase de Propagação (PPC-SRμCT), considerada o padrão ouro para imagens não invasivas e não destrutivas.
O PPC-SRμCT permite que os pesquisadores realizem uma “autópsia virtual” e “desempacotamento virtual” de restos mumificados, descobrindo informações sobre os processos usados para criar múmias e informando o estudo histórico. Tem sido aplicado a estudos arqueozoológicos de restos de animais mumificados dos períodos ptolomaico e romano do Egito Antigo, originários do século III a.C. ao século IV d.C.
A segmentação de imagens é um processo importante na visão computacional, desbloqueando tarefas de nível superior, como compreender o progresso de uma doença a partir de uma imagem de TC. Estudos anteriores treinaram a IA para segmentar imagens automaticamente, com a maioria dos trabalhos focados na segmentação de imagens médicas, como tomografias computadorizadas de fígado humano.
No entanto, há uma diferença significativa entre as varreduras de TC convencionais e as varreduras volumétricas capturadas por PPC-SRμCT. Os métodos de segmentação do último são comparativamente primitivos, exigindo que um especialista segmente manualmente o espécime virtual para separar diferentes partes e materiais.
Os pesquisadores da Universidade de Malta desenvolveram uma ferramenta para segmentar automaticamente imagens volumétricas, com o objetivo de reduzir drasticamente o esforço envolvido de semanas de esforço, mesmo para pequenos restos, para uma questão de horas. Eles usaram amostras segmentadas manualmente de trabalhos anteriores para treinar e ajustar seu modelo de aprendizado de máquina.
Para um conjunto de quatro espécimes de múmias de animais egípcios antigos, eles alcançaram uma precisão geral de 94 a 98 por cento quando comparados com fatias segmentadas manualmente, aproximando-se do software comercial de prateleira que aproveita o aprendizado profundo (97 a 99 por cento) em complexidade muito menor.
Uma análise qualitativa da produção segmentada demonstrou que seus resultados foram próximos em termos de usabilidade aos do deep learning, justificando o uso dessas técnicas. Seu sistema tem a vantagem principal de alcançar alta precisão em menor complexidade, permitindo uma boa escalabilidade para volumes maiores.
Os pesquisadores escreveram em seu estudo PLOS ONE que seu algoritmo de segmentação automática poderia ser aplicado diretamente a uma variedade de outras aplicações nas quais a microtomografia é usada.
“Em aplicações industriais, a segmentação automática será útil em metrologia não destrutiva e detecção de vazios, rachaduras e defeitos”, escreveram eles. “Na pesquisa biomédica, seria útil em imagens de pequenos animais e tumores, entre outras. Outras aplicações incluem nanotecnologia, geologia, eletrônica e ciência alimentar. ”
Fonte: The Institution of Engineering and Technology [16 de dezembro de 2021]
