Natural Gas Hydrate CT Image Threshold Segmentation Based on Time Evolution
-
摘要: 微米X射线计算机断层扫描作为一种数字岩心探测手段，被广泛应用于研究含天然气水合物沉积物赋存形态，但由于水合物与水对X射线的衰减系数相近，二者在CT图像中灰度区间存在交集，导致在从CT图像上对水合物与水进行分割时存在强非唯一性。为提高对CT图像中水合物与水阈值分割的准确性，本文通过分析天然气水合物生长过程中不同时刻CT图像直方图特征，提出归一化CT图像及其直方图的方法。首先选定甲烷气与石英砂的峰值灰度基准；然后用高斯函数分别对当前CT图像直方图中的甲烷气与石英砂曲线进行拟合，得到当前CT图像直方图中的甲烷气与石英砂峰值灰度；再将当前CT图像直方图中的甲烷气峰值灰度与石英砂峰值灰度归一化到选定的峰值灰度基准；进而用归一化的直方图对CT图像进行归一化；最后根据归一化灰度直方图的变化趋势，定量统计得到CT图像中水合物增加和气-水减少的灰度区间，完成图像中不同组分的阈值划分。实验结果表明，提出的阈值分割方法能够为天然气水合物CT图像中水合物与水边界的确定和水合物饱和度计算提供定量的依据，具有实际的工程应用价值。Abstract: Micro-scale X-ray computed tomography (CT) has been widely used to study the occurrence forms of gas hydrate-bearing sediments. However, the similarity between the X-ray attenuation coefficient of hydrate and that of water leads to a strong non-uniqueness in their phase differentiation in CT images. To improve threshold segmentation accuracy between hydrate and water in CT images, this study proposes a CT image and histogram normalized method by analyzing the histogram characteristics of CT images at different times during the growth process of natural gas hydrate. First, the peak gray value baseline of methane gas and quartz sand was selected. Then, a Gaussian function was used to fit the curves corresponding to methane gas and quartz sand in the current CT image histogram to obtain the peak gray values. In addition, the peak gray values of methane gas and quartz sand in the current CT image histogram were normalized to the chosen peak gray baseline. Subsequently, the normalized histogram was used to normalize the corresponding CT images. Finally, according to the changing trend of normalized gray histogram curves, the increasing gray ranges of hydrate and decreasing gray ranges of gas-water in CT images were obtained quantitatively, which guided threshold segmentation of CT images. Experimental results show that the proposed threshold segmentation method can provide a basis for phase differentiation between hydrate and water in CT images, improving the threshold segmentation accuracy.
-
Keywords:
- CT image /
- gas hydrate /
- threshold segmentation /
- normalization
-
随着肝脏恶性肿瘤的发病率持续上升，肝脏局灶性病变的准确鉴别和诊断非常关键[1]。在各种检查手段中，肝脏多时相增强CT扫描在探测肝病变方面得到了广泛应用[2]。然而，该检查方式需要患者多次重复扫描，这增加了辐射剂量累积的风险。据报道，多时相肝脏CT扫描的剂量可达到标准腹部和骨盆CT扫描的两倍[3]。由于肝脏CT图像的软组织对比度相对较低，因此，实现高质量图像重建并有效检测出病灶显得尤为重要。这一挑战是在保障图像质量的基础上，实现放射剂量的显著降低，并确保病灶的准确检出[4]。
迭代重建技术（iterative reconstruction，IR）是一种广泛应用的图像重建算法，在降低辐射剂量的同时，为提升图像质量提供了可行方案[5]。比如，肝脏图像重建常用的一种IR技术是自适应统计迭代重建（adaptive statistical iterative reconstruction-V，ASIR-V）[6]。尽管IR技术在医学成像领域具有广泛的应用，但由于其非线性计算特性，在处理超低剂量CT生成高噪声图像中经常出现失真现象[7]。这种情况在一定程度上影响了对疾病的诊断。
近年来，深度学习图像重建（deep learning image reconstruction，DLIR）技术，作为一种利用神经网络模型训练以优化图像质量的方法，为低剂量CT扫描的发展提供了新的途径。通过应用DLIR技术，能够在维持图像空间分辨率和缩短重建时间的同时，有效降低图像中的噪声和伪影，同时保持噪声的纹理特征和组织的解剖细节[8-9]。与IR技术相比，基于神经网络的DLIR展现出在提升图像质量方面的显著优势，特别是在提高信噪比（signal-to-noise ratio，SNR）和对比噪声比（contrast-to-noise ratio，CNR）方面[10-11]。标准体模研究和腹部肿瘤临床研究均表明，DLIR技术在大幅减少辐射剂量的同时，能够显著提升图像质量[8,12]。
为了在尽可能降低CT剂量的同时保证肝脏病灶的显示质量，需要首先进行标准肝脏密度体模研究。鉴于此，本研究通过使用不同的扫描剂量，扫描模拟标准肝脏密度体模，比较DLIR与ASIR-V图像重建的质量，从而探索DLIR图像重建算法在低对比度图像质量提升方面的潜力。此外，我们比较DLIR算法在4.5 mGy（本实验采用的最低辐射剂量）和ASIR-V在15 mGy（肝脏扫描推荐剂量）[13]下的图像质量，通过定量分析探索DLIR在确保显示肝病变时所能达到的最低辐射剂量。
1. 材料与方法
1.1 研究体模
本研究使用标准体模（Gammex CT phantom，model 472，Sun Nuclear）[14]。此体模设计为直径33 cm、层厚5 cm的圆盘形状，内含16个直径2.8 cm、长7 cm的插入物，用于模拟不同的人体组织密度。
在本实验中，我们特别测量了代表标准肝脏密度（ρew=1.06）的插入物（图1箭头指示）。在整个扫描过程中，体模的位置始终保持固定不变。
![]()
图 1 Gammex CT体模的照片，箭头所指是代表标准肝脏密度（1.06 g/cm3）的插入物Figure 1. Image of the Gammex CT phantom shows an insert that represents liver density (1.06 g/cm3) (arrow)1.2 CT扫描和算法重建
使用一台256排CT（Revolution CT，GE医疗）完成体模扫描工作（图1）。在进行扫描时，参照腹部诊断CT扫描参数设置（表1），将管电压设定为120 kVp[15]，并根据需要调整管电流，以产生6种不同的辐射剂量（容积CT剂量指数（volume CT dose index（CTDIvol）：30、20、15、10、7.5和4.5 mGy）。其中，以15 mGy的剂量为标准的腹部扫描剂量[13]。重建图像的层厚和层距都是1.25 mm，重建图像视野为30 cm×30 cm，图像重建矩阵为512×512。
表 1 CT设备的参数Table 1. Parameters of CT equipment变量 参数 管电压 120 kVp 层厚 1.25 mm 辐射剂量 CTDIvol 30、20、15、10、7.5、4.5 mGy 视野 30 cm×30 cm 重建图像矩阵 512×512 重建算法 ASIR-V-50%，DLIR-H 为了评估不同重建算法的效果，我们将体模扫描图像重建两次：一次使用高强度DLIR（DLIR-H）算法，另一次使用50%强度ASIR-V（ASIR-V-50%）算法作为对照。为确保数据的准确性，模拟不同扫描间CT值的微小差异，我们在每种剂量条件下对体模进行5次重复扫描。
1.3 定量图像质量分析
本研究使用imQuest软件（版本7.2，Duke大学）进行系统的图像质量定量分析。分析过程中，主要测量了平均CT值（Hounsfield unit，HU）、图像噪声、SNR和CNR。计算SNR和CNR的公式如下，这里以水为基准计算CNR：
$$ \mathrm{SNR=HU}_{\mathrm{object}}\mathrm{/SD}_{\mathrm{object}}\ ， $$ (1) $$ \mathrm{CNR}=\Big( {{\mathrm{HU}}}_{ \mathrm{object}} \mathrm{–HU}_{ \mathrm{watermean}} \Big)/\mathrm{SD}_{ \mathrm{watermean}} \mathrm{。} $$ (2) 其次，我们通过测量噪声功率普（noise power spectrum，NPS）和基于任务的传递函数（task-based transfer function，TTF）对图像噪声纹理和空间分辨率进行分析。NPS空间分布频率（NPS spatial frequency，NPS-fpeak）是指NPS达到峰值（NPS-peak）所对应的频率，这一指标用于评估图像的噪声纹理和噪声数值幅度，而TTF用于评价图像的空间分辨率[16]。此外，为更客观地评估图像质量，本研究引入可检测度
$d' $ （detectability index）作为评价指标，它与图像质量呈正相关关系[2,16]。1.4 统计学
正态分布的定量数据以（均值±标准差）的形式表示。经P-P图检验，所有数据均呈现正态分布特征，因此我们采用成组t检验比较两组之间的差异。使用Bland-Altman分析评价DLIR算法在4.5 mGy（本实验的最低辐射剂量）和ASIR-V在15 mGy（肝脏扫描推荐剂量）的图像质量差异。
本研究使用GraphPad Prism 10和SPSS Statistics 27统计软件包进行数据分析，考虑P < 0.05具有统计学意义。
2. 结果
2.1 体模扫描
在6种不同辐射剂量条件下（即CTDIvol为30、20、15、10、7.5和4.5 mGy），使用多层CT成功扫描代表标准肝脏密度的标准体模，对DLIR和ASIR-V两种图像重建算法的图像质量进行全面评估。
2.2 DLIR与ASIR-V重建图像的基本测量
表2记录了在不同辐射剂量条件下，两种算法重建图像的CT值、噪声、SNR和CNR的平均值及标准差。图2展示了这些关键指标随辐射剂量变化的趋势。
表 2 在不同辐射剂量下，DLIR与ASIR-V算法重建图像的测量值比较Table 2. Comparison of measurements of reconstructed images by DLIR and ASIR-V algorithms at different radiation dosesCTDIvol/mGy CT value（P=0.001） Noise（P < 0.001） SNR（P < 0.001） CNR（P < 0.001） DLIR ASIR-V DLIR ASIR-V DLIR ASIR-V DLIR ASIR-V 30 62.66±3.17 62.06±3.55 11.12±0.69 17.19±1.05 5.65±0.38 3.62±0.19 5.3±0.12 3.69±0.15 20 55.91±2.08 57.58±2.81 12.15±0.34 19.39±0.33 4.61±0.22 2.97±0.15 4.09±0.26 3.2±0.17 15 55.94±1.70 56.91±2.27 13.66±0.55 21.17±0.67 4.1±0.16 2.69±0.14 3.89±0.26 2.87±0.11 10 55.74±2.18 57.71±3.17 15.18±0.30 24.19±1.06 3.67±0.10 2.39±0.17 3.83±0.33 2.63±0.27 7.5 55.35±2.32 59.86±3.34 15.79±0.57 26.37±1.50 3.51±0.20 2.28±0.24 3.78±0.14 2.44±0.17 4.5 55.88±3.31 59.94±4.77 17.41±0.32 29.33±0.91 3.21±0.24 2.05±0.20 3.42±0.35 2.18±0.30 ![]()
图 2 在不同辐射剂量下，DLIR与ASIR-V算法重建图像的测量值趋势图Figure 2. Trend of measured values of reconstructed images by DLIR and ASIR-V algorithms at different radiation doses在30 mGy的剂量下，DLIR的CT值高于ASIR-V。而在其它剂量下，DLIR的CT值均显著低于ASIR-V。
关于噪声水平，我们发现随着辐射剂量的增加，噪声水平逐渐降低。值得注意的是，在所有的剂量水平上，DLIR算法的噪声都显著低于ASIR-V。对于SNR和CNR，随着剂量增加，这两个指标呈上升趋势。在所有剂量条件下，DLIR算法的SNR和CNR均显著超过ASIR-V。这些数据统计结果表明，DLIR算法在多个关键性指标上均展现出一定的优势。
2.3 DLIR与ASIR-V重建图像的量化分析
表3展示在不同剂量辐射下，两种算法重建图像的NPS-peak、NPS-fpeak、TTF 50%和
$d' $ 的平均值及标准差。图3描绘这些指标随辐射剂量变化的曲线。表 3 在不同辐射剂量下，DLIR与ASIR-V算法重建图像的量化分析比较Table 3. Comparison of quantitative analysis of reconstructed images by DLIR and ASIR-V algorithms at different radiation dosesCTDIvol/mGy NPS-peak（P < 0.001） NPS-fpeak（P=0.379） TTF50%（P=0.61） $d' $（P < 0.001） DLIR ASIR-V DLIR ASIR-V DLIR ASIR-V DLIR ASIR-V 30 189.02±34.50 528.47±75.13 0.20±0.07 0.18±0.06 0.52±0.13 0.46±0.08 15.95±2.64 9.16±1.43 20 234.72±6.99 786.15±119.99 0.18±0.06 0.17±0.04 0.47±0.06 0.45±0.05 13.49±1.18 6.93±1.09 15 303.35±25.14 850.79±78.38 0.14±0.07 0.19±0.07 0.42±0.02 0.46±0.06 11.94±2.09 5.61±1.28 10 391.89±36.38 1168.32 ±84.180.15±0.05 0.15±0.04 0.4±0.02 0.44±0.11 9.64±0.72 4.94±0.64 7.5 418.12±63.66 1674.62 ±316.680.12±0.05 0.12±0.03 0.35±0.06 0.35±0.04 10.26±1.84 4.68±0.95 4.5 650.8±151.44 2385.55 ±474.440.09±0.02 0.12±0.04 0.35±0.04 0.30±0.06 8.81±0.63 4.43±0.40 ![]()
图 3 在不同辐射剂量下，DLIR与ASIR-V算法重建图像的量化Figure 3. Quantitative trend of reconstructed images by DLIR and ASIR-V algorithms at different radiation doses观察曲线可知，NPS-peak随着辐射剂量的增加呈下降趋势。在任一剂量下，DLIR的NPS-peak均显著大于ASIR-V。对于NPS-fpeak，其值随着放射剂量的升高而增加。具体来说，在20 mGy和30 mGy的剂量下，DLIR的NPS-fpeak值大于ASIR-V；在7.5 mGy和10 mGy的剂量下，两者值相等；而在4.5 mGy和15 mGy的剂量下，DLIR的值小于ASIR-V的值（P=0.379）。TTF 50%随着辐射剂量的增加呈现上升趋势。在4.5、20和30 mGy的剂量下，DLIR的NPS-fpeak值大于ASIR-V；在7.5 mGy的剂量下，两者值相等；在10 mGy和15 mGy剂量下，DLIR的值小于ASIR-V。此外，
$d' $ 的值随着辐射剂量的增加而升高。在所有剂量水平上，DLIR的$d' $ 值均显著超过ASIR-V。综上所述，DLIR和ASIR-V在不同辐射剂量下的图像重建性能存在差异，这些差异反映了两种算法在不同辐射剂量条件下对图像细节的捕捉能力和整体图像质量的处理效果。
2.4 DLIR与ASIR-V重建图像的Bland-Altman分析
经过Bland-Altman差异性分析（表4和图4），与常用的15 mGy剂量下的ASIR-V重建扫描比较，我们发现DLIR在4.5 mGy的辐射剂量下表现出显著的优势。具体来说，DLIR的噪声水平平均下降3.758（95% CI：−5.231，−2.285），这意味着其图像具有更低的噪声水平。
表 4 4.5 mGy剂量下的DLIR图像质量测量值与15 mGy剂量下的ASIR-V图像质量测量值差异性的Bland-Altman分析Table 4. Bland–Altman analysis of the difference in image quality measurements between DLIR (4.5 mGy) and ASIR-V (15 mGy)指标 DLIR vs. ASIR-V平均值（95%置信区间） CT Value −1.026（−6.450~4.398） Noise −3.758（−5.231~−2.285） SNR 0.522（0.090~0.954） CNR 0.552（0.171~1.274） NPS-peak −200.0（−398.3~−1.681） NPS-fpeak −0.104（−0.254~ 0.0457 ）TTF50% −0.110（−0.256~0.036） $d' $ 3.198（0.638~5.758） ![]()
图 4 4.5 mGy剂量下的DLIR图像质量测量值与15 mGy剂量下的ASIR-V图像质量测量值差异性的Bland- Altman散点图Figure 4. Bland–Altman scatter plots of the difference in image quality measurements between DLIR (4.5 mGy) and ASIR-V (15 mGy)此外，DLIR的SNR提高0.522（0.090，0.954），CNR上升0.552（0.171，1.274）。最后，DLIR的可检测度指数（
$d' $ ）提高3.198（0.638，5.758）。以上结果表明DLIR的图像质量显著优于ASIR-V。3. 讨论
经过6种不同辐射剂量下的体模扫描和图像质量评价实验，结果显示，DLIR重建图像的质量均优于ASIR-V重建。特别值得关注的是，在辐射剂量仅为4.5 mGy的情况下，DLIR的图像质量已达到相当于15 mGy ASIR-V的水平。这一发现对于优化放射影像学的图像质量和降低患者接受的辐射剂量具有重要的实际意义。
在CT肝脏扫描领域，为了在减少辐射剂量的同时保证图像质量，目前广泛采用迭代重建技术[17-18]。尽管迭代重建技术在正常剂量和低剂量CT图像中取得了显著成效，但在处理超低剂量CT图像时，由于其噪声较大，可能会导致图像出现“斑片感”和“蜡像感”，从而影响肝脏病变诊断的准确性[9]。
Mileto等[19]指出，迭代重建算法在腹部病灶成像方面，仍存在噪声纹理不自然，进而影响放射医生诊断的问题。近年来出现了基于深度学习的DLIR算法，其主要目标是在保留图像纹理细节的同时降低噪声干扰[20]。Cao等[21]通过临床实验证明在肝脏病灶的增强CT扫描中，DLIR相比于ASIR-V在减少76%辐射剂量的同时，获得更优秀的CNR和诊断置信度。
本实验通过扫描标准体模，定量探究DLIR和ASIR-V在重建后，图像质量方面各个参数上的差异，进一步证明在标准肝脏密度扫描中，DLIR相比于ASIR-V的优越性。
本研究的结果表明，在降噪、提高信噪比和对比噪声比方面，DLIR算法的表现优于ASIR-V。在不同辐射剂量下，DLIR和ASIR-V之间的CT值没有显著差异。值得注意的是，随着辐射剂量的增加，两种算法之间的CT值差异逐渐减小。此外，DLIR和ASIR-V的测量结果均显示，随着剂量的增加，噪声逐渐降低，并且DLIR始终低于ASIR-V。同时，SNR和CNR逐渐提高，DLIR在这方面始终优于ASIR-V。Van STIPHOUT等[4]的系统性综述通过总结16篇论著，也证明在腹部CT扫描中，测量CT值时DLIR和IR无明显不同，测量SNR和CNR时DLIR显著优于ASIR-V。
在图像的量化方面，随着剂量的增加，DLIR和ASIR-V两种算法处理下的NPS-peak均呈下降趋势，其中DLIR的降低幅度显著大于ASIR-V。然而，尽管两种算法处理下的NPS-fpeak和TTF 50%随剂量增加均呈上升趋势，但二者并未达到统计学上的显著差异。此外，随着剂量的增加，
$d' $ 在DLIR和ASIR-V两种算法下均有所增加，其中DLIR的增加幅度显著超过了ASIR-V。这与Greffier等[8,22]实验研究结果相一致，其通过两次体模实验证明了在增加辐射剂量的条件下，采用ASIR-V算法得到的所有NPS-peak值均高于DLIR，同时ASIR-V获得的所有$d' $ 值也均低于DLIR。本研究证实了DLIR在降噪方面的优势，相较于ASIR-V，DLIR在同是15 mGy的辐射剂量下能降低噪声64%，SNR增加64%，CNR增加36%，NPS-peak减少64%，其
$d' $ 值更是ASIR-V的两倍。即使在实验测得的最小剂量4.5 mGy条件下，相较于15 mGy的ASIR-V，DLIR噪声仍下降18%，SNR提高19%，CNR提高19%，NPS-peak下降24%，其$d' $ 值仍然是ASIR-V的1.6倍。DLIR能够在低对比度下优化肝脏病变的图像质量，比ASIR-V优化能力更强。在本研究中，我们针对上腹部CT扫描的典型临床应用，进行参数设置，其他研究发现即使在参数设置不同的情况下，DLIR相比于ASIR-V在图像优化能力上仍然表现更优秀[14,23]。
尽管如此，DLIR在肝脏病变扫描中仍存在潜在不足。Jensen等[24]提出，DLIR可能对小于0.5 cm的肝脏病灶和血管的检测图像造成模糊，并且其识别微小结构的能力可能有限，而这在肝脏病变诊断中尤为重要。
本研究在图像重建方面采用了ASIR-V与DLIR两种方法。ASIR-V作为一种迭代重建技术的代表，而DLIR则代表了深度学习重建技术。尽管这两种特定的命名方式源于某品牌设备，但其他品牌设备亦存在类似技术，只是命名上有所差异[22,25-27]。本研究中从特定角度展现了深度学习图像重建在提升图像质量方面的优势。尽管难以涵盖所有设备，但其仍具备一定的代表性。
本研究存在一些局限性。①在实验设计上，本研究对实验参数的设定相对有限，仅限于特定的电压和层厚。根据Van Stiphout等[4]的研究，层厚的选择可能会直接影响信噪比和对比噪声比的测量结果，以及诊断的置信度。②本研究采用的所有算法均来自同一制造商。Greffier等[22]通过比较不同CT供应商的迭代算法，证明不同制造商提供的算法可能会导致研究结果出现差异。③本研究设置的辐射剂量范围还不够大，未来需要扩大范围做进一步研究。以上这些因素可能对本研究结果产生一定的影响。④本实验扫描的是体模下的标准肝脏密度（1.06 g/cm3），未来我们将把本实验的结论和数据应用于不同碘密度及真实患者的CT扫描中，以此为将来的研究奠定基础。
综上所述，在模拟标准肝脏密度的局灶性病变体模CT扫描实验中，DLIR相较于ASIR-V，不仅显著提升了SNR，CNR和
$d' $ 值，而且大幅度降低了图像噪声，进而优化了图像的空间分辨率和整体质量。实验数据表明，DLIR技术能够在4.5 mGy的较低辐射剂量下，实现优于常规15 mGy剂量下ASIR-V重建图像的质量效果。这一发现为腹部CT增强扫描提供了新的可能性，即采用4.5 mGy的扫描剂量配合DLIR重建技术，有望在保障图像质量的同时，降低患者接受的辐射剂量。 -
![]()
图 2 灰度直方图归一化对比（切片编号150）
Figure 2. Comparison of histogram curves before and after normalization（slice 150）
![]()
图 4 图像归一化对比（切片编号150）及三维数字岩心图像
Figure 4. Image normalization contrast (slice 150) and 3D digital core
![]()
图 5 不同时刻CT图像直方图曲线差值（切片编号150）
Figure 5. Histogram curves of CT images subtracted at different times（slice 150）
![]()
图 6 基于本文阈值分割方法得到的伪彩色三维数字岩心及图像的孔隙局部放大图像
Figure 6. Pseudo-color digital core and local pore magnification image obtained based on threshold segmentation method used in this study
表 1 CT图像中各种组分的灰度区间
Table 1 Gray intervals of various components of CT images
反应时间/h 灰度区间（0～255） 甲烷气 甲烷水合物 水 砂 0 0～58 － 59～156 157～255 30 0～58 59～96 97～156 157～255 34 0～58 58～96 97～156 157～255 48 0～58 59～96 97～156 157～255 72 0～61 62～105 106～156 157～255 
下载: 导出CSV
-
[1] PRIEST J A, BEST A I, CLAYTON C R I, et al. A laboratory investigation into the seismic velocities of methane gas hydrate-bearing sand[J]. Journal of Geophysical Research: Solid Earth, 2005, 110: B04102.
[2] REN A R, LIU Y J, LIU Y X, et al. Acoustic velocity and electrical resistance of hydrate bearing sediments[J]. Journal of Petroleum Science and Engineering, 2010, 70: 52−56. doi: 10.1016/j.petrol.2009.09.001
[3] ZHANG L, GE K, WANG J, et al. Pore-scale investigation of permeability evolution during 364 hydrate formation using a pore network model based on X-ray CT[J]. Marine and Petroleum Geology, 2020, 113: 104157. doi: 10.1016/j.marpetgeo.2019.104157
[4] 李淑霞, 郭尚平, 陈月明, 等. 天然气水合物开发多物理场特征及耦合渗流研究进展与建议[J]. 力学学报, 2020,52(3): 828−842. doi: 10.6052/0459-1879-20-050 LI S X, GUO S P, CHEN M Y, et al. Research progress and suggestions on characteristics of multi-physical fields and coupled seepage in gas hydrate development[J]. Chinese Journal of Theoretical and Applied Mechanics, 2020, 52(3): 828−842. (in Chinese). doi: 10.6052/0459-1879-20-050
[5] LIU C L, MENG Q G, HU G W, et al. Characterization of hydrate-bearing sediments recovered from the Shenhu area of the South China Sea[J]. Interpretation, 2017, 5(3): 1−39.
[6] 叶建良, 秦绪文, 谢文卫, 等. 中国南海天然气水合物第二次试采主要进展[J]. 中国地质, 2020,47(3): 557−568. doi: 10.12029/gc20200301 YE J L, QIN X W, XIE W W, et al. Major process of second trial exploitation on gas hydrate in the South China Sea[J]. Geology in China, 2020, 47(3): 557−568. (in Chinese). doi: 10.12029/gc20200301
[7] SELL K, SAENGER E H, FALENTY A, et al. On the path to the digital rock physics of gas hydrate-bearing sediments-processing of in situ synchrotron-tomography data[J]. Solid Earth, 2016, 7(4): 1243−1258. doi: 10.5194/se-7-1243-2016
[8] LEI L, SEOL Y, JARVIS K. Pore-scale visualization of methane hydrate-bearing sediments with micro-CT[J]. Geophysical Research Letters, 2018, 45(11): 5417−5426. doi: 10.1029/2018GL078507
[9] LEE J Y, JUNG J W, LEE M H, et al. Pressure core based study of gas hydrates in the ulleung basin and implication for geomechanical controls on gas hydrate occurrence[J]. Marine & Petroleum Geology, 2013, 47: 85−98.
[10] KNEAFSEY T J, MORIDIS G J. X-ray computed tomography examination and comparison of gas hydrate dissociation in NGHP-01 expedition (India) and Mount Elbert (Alaska) sediment cores: Experimental observations and numerical modeling[J]. Marine and Petroleum Geology, 2014, 58: 526−539. doi: 10.1016/j.marpetgeo.2014.06.016
[11] JIN S, NAGAO J, TAKEYA S, et al. Structural investigation of methane hydrate sediments by microfocus X-ray computed tomography technique under high-pressure conditions[J]. Japanese Journal of Applied Physics, 2006, 45(24-28): L714−L716.
[12] 刘冬梅. 结合Retinex校正和显著性的主动轮廓图像分割[J]. 光学精密工程, 2019,27(7): 1593−1600. doi: 10.3788/OPE.20192707.1593 LIU D M. Active contour model for image segmentation based on Retinex correction and saliency[J]. Optics and Precision Engineering, 2019, 27(7): 1593−1600. (in Chinese). doi: 10.3788/OPE.20192707.1593
[13] 袁小翠, 吴禄慎, 陈华伟. 基于Otsu方法的钢轨图像分割[J]. 光学精密工程, 2016,24(7): 1772−1781. doi: 10.3788/OPE.20162407.1772 YUAN X C, WU L S, CHEN H W. Rail image segmentation based on Otsu threshold method[J]. Optics and Precision Engineering, 2016, 24(7): 1772−1781. (in Chinese). doi: 10.3788/OPE.20162407.1772
[14] KERKAR P B, KRISTINE H, KEITH W J, et al. Imaging methane hydrates growth dynamics in porous media using synchrotron X-ray computed microtomography[J]. Geochemistry, Geophysics, Geosystems, 2014, 15(12): 4759−4768. doi: 10.1002/2014GC005373
[15] TA X H, TAE S Y, BALASINGAM M, et al. Observations of pore-scale growth patterns of carbon dioxide hydrate using X-ray computed microtomography[J]. Geochemistry, Geophysics, Geosystems, 2015, 16(3): 912−924. doi: 10.1002/2014GC005675
[16] CHAOUACHI M, ANDRZEJ F, KATHLEEN S, et al. Microstructural evolution of gas hydrates in sedimentary matrices observed with synchrotron X-ray computed tomographic microscopy[J]. Geochemistry, Geophysics, Geosystems, 2015, 16(6): 1711−1722. doi: 10.1002/2015GC005811
[17] CHEN X Y, ESPINOZA D N. Ostwald ripening changes the pore habit and spatial variability of clathrate hydrate[J]. Fuel, 2018, 214: 614−622. doi: 10.1016/j.fuel.2017.11.065
[18] 李承峰, 胡高伟, 业渝光, 等. X射线计算机断层扫描测定沉积物中水合物微观分布[J]. 光电子•激光, 2013,24(3): 551−557. LI C F, HU G W, YE Y G, et al. The microscopic distribution observation of hydrate in sediments by X-ray computed tomography[J]. Journal of Optoelectronics Laser, 2013, 24(3): 551−557. (in Chinese).
[19] 胡高伟, 李承峰, 业渝光, 等. 沉积物孔隙空间天然气水合物微观分布观测[J]. 地球物理学报, 2014,57(5): 1675−1682. doi: 10.6038/cjg20140530 HU G W, LI C F, YE Y G, et al. Microscopic distribution of gas hydrate in pore sediments[J]. Chinese Journal of Geophysics, 2014, 57(5): 1675−1682. (in Chinese). doi: 10.6038/cjg20140530
[20] LI C F, LIU C L, HU G W, et al. Investigation on the multiparameter of hydrate-bearing sands using nano-focus X-ray computed tomography[J]. Journal of Geophysical Research:Solid Earth, 2019, 124(3): 2286−2296. doi: 10.1029/2018JB015849
[21] YANG L, ZHAO J, LIU W, et al. Microstructure observations of natural gas hydrate occurrence in porous media using micro-focus X-ray computed tomography[J]. Energy & Fuels, 2015, 29(8): 4835−4841.
[22] 李晨安, 李承峰, 刘昌岭, 等. CT图像法观测不同粒径多孔介质中水合物分布[J]. 核电子学与探测技术, 2018,(4): 545−551. doi: 10.3969/j.issn.0258-0934.2018.04.020 LI C A, LI C F, LIU C L, et al. Hydrate distribution observation in porous media with different particle sizes in CT image[J]. Nuclear Electronics & Detection Technology, 2018, (4): 545−551. (in Chinese). doi: 10.3969/j.issn.0258-0934.2018.04.020
[23] LIU Z C, KIM J C, LEI L, et al. 2019. Tetrahydrofuran hydrate in clayey sediments: Laboratory formation, morphology, and wave characterization[J]. Journal of Geophysical Research: Solid Earth, 124(4): 3307-3319.
[24] 李志军, 张佳璐, 解恺, 等. 含粉砂四氢呋喃水合物微观结构试验[J]. 油气储运, 2021,41(1): 84−90. LI Z J, ZHANG J L, XIE K, et al. Experimental study on microstructure of silty sand tetrahydrofuran hydrate[J]. Oil & Gas Storage and Transportation, 2021, 41(1): 84−90. (in Chinese).
-
期刊类型引用(1)
1. 向煜航，孟滔，刘佳奇，张杏林. 深度学习在膝关节MRI图像分割中的研究进展. 赣南医科大学学报. 2025(01): 68-73 . 
百度学术
其他类型引用(1)
计量
- 文章访问数: 499
- HTML全文浏览量: 157
- PDF下载量: 56
- 被引次数: 2
