Een fossiel weer tot leven brengen
De Megalodon is een uitgestorven reuzenhaai die miljoenen jaren geleden in de oceanen rondzwierf op zoek naar zijn volgende maaltijd. Er wordt gezegd dat het een van de meest angstaanjagende roofdieren in de geschiedenis van de aarde was. Zijn enorme kaken bevatten 276 grote en scherpe tanden die tot 18 centimeter lang, konden worden en in meerdere rijen stonden.
Vandaag de dag worden er nog steeds veel fossiele Megalodontanden gevonden en vaak verkocht als verzamelobject. Maar wat kan X-ray tomography ons vertellen over een oude Megaolodontand? Laten we eens kijken.
Vastleggen van de details
De foto links is gemaakt met een smartphone. De CT-scan is gemaakt met een transmissiesysteem met hoge resolutie, gekoppeld aan een detector met een pixelafstand van 100 µm, dit om een groot aantal details op te vangen.
Er zijn een paar dingen zichtbaar in de CT-doorsnedes:
- Er zijn veel scheuren te zien – dit is te verwachten voor een fossiel dat veel extreme temperatuurveranderingen heeft ondergaan gedurende de miljoenen jaren dat het bewaard is gebleven.
- Er is een zichtbare glazuurlaag op het oppervlak, maar de helderheid ervan verandert sterk doorheen de tand en is op sommige plaatsen onzichtbaar.
- Er zijn ook enkele grote kanalen die met elkaar verbonden zijn en lijken op een “wortelkanaal-netwerk”. Sommige van deze kanalen zijn verbonden met het oppervlak via gaatjes aan de voorkant onderaan de tand.
- Daarnaast zijn er overal in de tand insluitsels (heldere deeltjes) te vinden.
Deze 4 componenten kunnen allemaal gevisualiseerd worden zoals weergegeven op de CT 3D View.
Alle gesegmenteerde componenten
Rechts is een voorbeeld van een CT-weergave van alle gesegmenteerde componenten in de Megalodon tand.
- Geel: Glazuurlaag
- Rood: Scheuren
- Blauw: Kanalen
- Groen: Insluitsels (inclusies)
Dragonfly’s deep learning
Het deep learning-proces wordt uitgevoerd met behulp van de Segmentation Wizard tool. Er worden enkele inputframes gegeven, en op basis van deze input wordt een 2,5D Unet-model getraind. In de afbeelding rechts worden enkele schermafbeeldingen getoond.
Het typische werk dat nodig is om input te leveren, in een of meer inputframes, duurt minder dan een uur, en het trainingsproces zelf (zonder afhankelijkheid van de operator) kan wel 24 uur duren.
In het voorbeeld (afbeelding rechts) duurde de training in totaal 10 uur. De snelheid van de training hangt vooral af van de specificaties van de computer:
- De RAM- en GPU-capaciteit.
- De bestandsgrootte zelf.
- De keuze van het modeltype en de gebruikte hoeveelheid augmentatie.
In dit voorbeeld was de dataset 8,5 Gb groot en werden de standaardparameters voor deep learning gebruikt voor een 2,5D Unet-model op een machine met 64 Gb RAM en een Nvidia 3070 laptop GPU (8 Gb onboard geheugen).
Lokale dikte – color mapping
Nu kunnen we de resultaten gebruiken om elk van de kenmerken in de tand in meer detail te onderzoeken.
Laten we eerst eens naar de scheuren kijken. Bij het bekijken van de scheuren in 3D is er een duidelijke verticale oriëntatie van de grootste scheuren vanaf de basis naar de snijranden van de tand. De visualisatie is met kleur gecodeerd volgens de plaatselijke dikte in de afbeelding rechts. De lokale dikte laat zien dat de scheuren meestal minder dan 0,5 mm zijn.
Wortelkanaal-netwerk in 3D
Het in 3D gevisualiseerde wortelkanaal-netwerk wordt getoond in de afbeelding links. Als u dit van opzij bekijkt, kunt u het beste de kanalen zien die verbonden zijn met de gaatjes aan de voorkant. De kleurcodering geeft de lokale dikte aan en benadrukt de verandering in breedte van de kanalen. De connectiviteit in drie dimensies is bijzonder interessant, net als de kromming van de grote kanalen bij de tandbasis.
Belangrijkste conclusies
- CT maakt de niet-destructieve inspectie van interne details van allerlei voorwerpen mogelijk, ook voor de tanden van een Megalodon.
- Dragonfly maakt beeldvorming en inspectie van scheuren en interne kanalen mogelijk, iets wat niet alleen nuttig is voor haaientanden, maar ook voor industriële CT-toepassingen.
- De echtheid van dergelijke tanden kan worden geverifieerd aan de hand van de natuurlijke inwendige kenmerken en bewijzen van kanalen, fossilisatie insluitingen en scheuren. Dit kan belangrijk zijn als je Megalodontanden koopt of verkoopt. Hetzelfde principe geldt voor andere dure en unieke voorwerpen die je misschien niet open wilt snijden om de authenticiteit te beoordelen door de interne details te bekijken.
- Dragonfly’s Deep Learning kan complexe datasets segmenteren in afzonderlijke componenten zoals kanalen, scheuren, lagen en meer. Dit was nuttig bij de Megalodon tand, maar kan ook worden toegepast op uw gefabriceerde onderdelen om te controleren op scheuren, om de locatie van interne kanalen of verstoppingen van deze kanalen te controleren, en nog veel meer.
