文章提出ParticleSeg3D，一种基于nnU-Net的开箱即用3D实例分割方法，用于矿物加工与回收领域的微CT图像个体颗粒表征。该方法通过颗粒尺寸归一化预处理和边界-核心表示转换，有效解决接触颗粒分离问题，并在包含多种材料（天然矿石、矿渣、电池等）的大型数据集上训练。实验表明：在分布内测试集上，该方法的F1分数达94.84%，Fmatch分数达95.16%，显著优于传统阈值法（ThreshWater）和商业软件（Dragonfly）；在分布外测试集上，F1分数保持93.27%，证明其强泛化能力。推理流程采用分块聚合策略，支持大图像处理。文章公开了代码与数据集，为矿物颗粒分析提供标准化解决方案。
矿物资源加工与回收需精确分析微米级颗粒特性，传统阈值分割方法依赖人工调参且无法可靠分离接触颗粒。现有深度学习方案泛化能力有限，需针对新材料重复标注训练。文章提出ParticleSeg3D框架，基于nnU-Net实现开箱即用的3D实例分割，通过标准化流程解决跨材料、跨尺度的颗粒表征难题。
将实例分割重构为语义分割任务：对每个颗粒实体进行固定宽度（体素）的腐蚀生成核心区域，被腐蚀部分定义为边界。该表示确保颗粒间核心永不连接（图6），使模型学习分离接触颗粒的内在特性。训练阶段引入两项创新：1) 颗粒尺寸归一化，将不同样本的平均粒径统一至60体素，消除尺度差异；2) 接触颗粒增强，随机复制训练集颗粒至接触状态，提升模型分离能力。
针对大尺寸CT图像（平均1256×1256×997体素）的GPU内存限制，设计分块聚合策略：将样本划分为重叠块（重叠区=单块尺寸），独立预测各块后再全局拼接。相比传统滑动窗口法，内存占用从>100GB降至<5GB（图7b）。预处理阶段执行强度归一化（z-score标准化），后处理阶段过滤粒径<3体素的错误核心，避免过分割。
在分布内测试集（8样本）上，ParticleSeg3D的F1分数达94.84%，较阈值法（ThreshWater）提升1.01%；Fmatch分数95.16%反映颗粒识别准确率提升12.58%。分离误差显著降低：合并错误率（MergerRatio）1.31%仅为阈值法一半，分裂错误率（SplitterRatio）0.58%远低于阈值法的9.02%（表3）。在分布外测试集（5样本）上，F1分数保持93.27%，仅粒径<30μm的超低对比度颗粒识别率下降，排除该样本后Fmatch达96.94%。
该方法在四类挑战场景展现鲁棒性：1) 射线硬化伪影：避免阈值法的条纹误分割（图13B）；2) 接触颗粒：成功分离交织颗粒（图13C）；3) 低对比度颗粒：边界预测一致性优于阈值法（图13E）；4) 多相材料：准确分割矿石-矿渣-电池的混合样本（图12）。商业软件Dragonfly在分布外样本表现崩溃（平均F1=63.16%），凸显本方法的泛化优势。
在NVIDIA A100 GPU上，中位推理时间4.41小时。粒径60体素时约2小时，粒径增至120体素时缩短至20分钟；粒径减至40体素时增至10小时（公式7）。该时间成本显著低于需重复训练的替代方案，支持大规模样本分析。
ParticleSeg3D首次实现矿物颗粒CT图像的开箱即用实例分割，通过边界-核心表示和颗粒归一化解决接触颗粒分离与跨尺度泛化难题。在15类材料测试中，分割精度超94%，分布外泛化误差<7%，为矿物加工自动化提供新范式。未来将探索亚3体素颗粒的检测优化，并扩展至动态颗粒流分析场景。