实验室条件下基于传播型 X 射线相衬测量的学习式定量相位恢复方法的鲁棒性研究
医学物理
2023-04-19 v1 机器学习
图像与视频处理
摘要
在实验室条件下，由于部分空间相干性和多色性，对异质且结构复杂物体进行传播型 X 射线相衬成像中的定量相位恢复（QPR）具有挑战性。一种基于学习的方法（LBM）为此问题提供了非线性途径，同时不受限于关于物体特性和光束相干性的严格假设。本工作中，通过评估 LBM 在典型实验变化下的鲁棒性和泛化性，考察了其在实际场景中的适用性。为此，采用端到端 LBM 在实验室条件下进行 QPR，并研究了该方法在各种系统和物体条件下的鲁棒性。该方法的鲁棒性通过改变传播距离进行测试，其对物体结构和实验数据的泛化性也进行了测试。尽管 LBM 在所研究的变化下稳定，但其成功部署受到数据预处理、网络训练考量及系统建模等相关选择的影响。据我们所知，我们首次展示了一种在模拟数据上训练的端到端基于学习的定量相位恢复方法，可应用于实验室条件下获取的实验性传播型 X 射线相衬测量。我们考虑了实验室条件下典型的多元色性、部分空间相干性和高噪声水平。本工作进一步探究了该方法对传播距离和物体结构实际变化的鲁棒性，以评估其实验应用潜力。任何 LBM（无论其网络架构如何）在实际部署前进行此类探究，有助于理解其在实验设置下的潜在行为。
引用
@article{arxiv.2211.01372,
title = {Investigating the robustness of a learning-based method for quantitative phase retrieval from propagation-based x-ray phase contrast measurements under laboratory conditions},
author = {Rucha Deshpande and Ashish Avachat and Frank J. Brooks and Mark A. Anastasio},
journal= {arXiv preprint arXiv:2211.01372},
year = {2023}
}
备注
Under review as a journal submission. Early version with partial results has been accepted for poster presentation at SPIE-MI 2023