基于深度学习的混合剂量测量低剂量层析重建

基于同步辐射的 X 射线计算机层析成像被广泛用于以高空间分辨率研究样品内部结构。然而，潜在的束流对样品的损伤常常限制了层析实验中的 X 射线曝光量。所提出的消除束流损伤的策略也会降低重建质量。本文我们提出一种基于深度学习的方法，通过由极稀疏视角常剂量投影与全视角低剂量投影组成的混合剂量采集策略来增强低剂量层析重建。从低剂量/常剂量投影中提取相应的图像对来训练一个深度卷积神经网络，随后将其用于增强全视角含噪低剂量投影。在不同混合剂量采集条件下两个实验数据集上的评估表明，与总剂量数相同且均匀分布的采集相比，结构细节显著改善且噪声水平降低。所得重建也比由均匀采集经传统解析与基于正则化的迭代重建方法处理的重建保留了更多结构信息。我们的性能比较显示，我们的实现 HDrec 对真实世界实验数据进行去噪比最先进的 Xlearn 方法快 410 倍，同时提供更好质量。该框架可应用于其他层析或扫描型 X 射线成像技术，以加强对剂量敏感样品的分析，并在研究快速动态过程方面具有巨大潜力。