通过机器学习方法增强 X 射线显微层析成像系统的能力
图像与视频处理
2024-02-12 v1 机器学习
应用物理
仪器与探测器
摘要
X 射线显微 CT 图像中的环形伪影是影响其准确视觉解释和定量分析的主要问题之一。X 射线显微 CT 扫描仪的几何结构与医用 CT 机器相似，区别在于样品旋转而源和探测器固定。环形伪影是由 MicroCT 数据采集过程中探测器像素的缺陷或非线性响应引起的。MicroCT 图像中的伪影通常非常严重，以至于图像无法用于进一步分析。因此，理解伪影的成因和潜在的解决方案以最大化图像质量至关重要。本文提出了一种基于卷积神经网络（CNN）的深度学习（DL）模型，该模型受 UNet 启发，包含一系列带有跳跃连接的编码器和解码器单元，用于去除环形伪影。所提出的架构使用结构相似性指数测度（SSIM）和均方误差（MSE）进行了评估。此外，将结果与传统的基于滤波器的非机器学习技术进行了比较，发现其优于后者。
关键词
引用
@article{arxiv.2402.05983,
title = {Capability enhancement of the X-ray micro-tomography system via ML-assisted approaches},
author = {Dhruvi Shah and Shruti Mehta and Ashish Agrawal and Shishir Purohit and Bhaskar Chaudhury},
journal= {arXiv preprint arXiv:2402.05983},
year = {2024}
}