面对对比度极低的古生物化石CT扫描数据，传统分割方法往往难以精确提取目标。本内容详细演示了如何借助预训练的Unet模型与SAM大模型，在Dragonfly软件中实现精准的AI分割，并通过三维重建清晰呈现化石结构，为相关研究提供了高效可靠的技术路径。
智能速览
传统阈值分割无法有效提取低对比度化石。
通过调整对比度与数据简化，优化AI训练基础。
结合预训练Unet模型与SAM进行高效AI训练。
通过迭代修正标记，持续提升模型分割精度。
将训练好的AI模型应用于完整数据集进行分割。
提取分割结果并实现三维可视化展示。
精华内容
当传统图像处理方法在复杂场景下失效时，AI技术便成为破局关键。以下将逐步拆解如何利用AI模型，实现对模糊古生物化石的精准识别与三维可视化。
数据预处理
首先处理原始CT扫描数据。使用“Windows Leveling”功能调整对比度和透明度，使化石结构更易辨识。为增强三维立体感，可启用“Use Shadows”功能并应用如“Copper”之类的3D预设渲染效果。
由于传统阈值分割无法将化石与围岩分离，且原始数据量庞大，可通过“Modify and Transform - Sample”功能进行数据降采样，将数据量缩减至八分之一，以加快后续AI处理速度，同时保持关键细节。
AI模型构建
启动“Segmentation Wizard”进入AI训练界面。首先，导入或使用SAM（Segment Anything Model）AI大模型对训练框进行标记，这是保证模型准确性的关键步骤。
然后，添加一个预训练的U-Net 2.5D 6层模型，该模型能同时分析三个相邻切片，提供上下文信息。在参数设置中，将“Class Weight”用于平衡样本量少的类别，并将数据增强倍数适度降低以避免过拟合。点击“Train”开始训练，过程中可监控误差曲线。
迭代与优化
初次训练后，对比标记结果与AI推理结果。若发现局部识别不准，将推理结果应用到训练数据，并使用SAM模型手动修正错误标记。将修正后的训练框从“Monitor”类型转为“Mix”类型，再次点击“Train”进行迭代训练。
增加准确标记的训练数据后，模型的分割精度会得到提升。优化完成后，为模型命名并点击“Publish”发布，以便后续使用。
成果应用展示
回到主界面，选择灰度数据并应用已发布的AI模型对整个数据集进行分割。分割完成后，提取“Class 1”（化石类别）作为ROI数据。隐藏原始数据，仅展示分割结果。
利用“ROI Tools”中的平滑功能优化边缘，最后点击“3D”按钮生成三维模型。通过调整裁剪、透明度及边缘对比度等参数，可以清晰地观察到化石在围岩中的完整形态，例如牙齿等精细结构。
这套基于预训练模型与SAM的AI工作流，极大地提升了处理低对比度、高复杂度古生物化石图像的效率与准确性。它不仅验证了深度学习在科研领域的应用潜力，也为未来自动化、智能化分析海量古生物数据奠定了基础，这对于解开更多远古生命的奥秘意味着什么？
