基于深度学习的透射 X 射线显微术有限角度层析成像
图像与视频处理
2020-01-09 v1 机器学习
机器学习
摘要
在透射 X 射线显微术（TXM）系统中，被扫描样品的旋转可能受限于有限角度范围，以避免与系统其他部件碰撞或在某些倾斜角度下产生高衰减。由此类有限角度数据进行的图像重建会因数据缺失而产生伪影。本工作首次将深度学习应用于 TXM 中的有限角度重建。面对获取充足真实训练数据的挑战，我们研究了从合成数据训练深度神经网络的方法。特别地，将生物医学成像中最先进的神经网络 U-Net 从合成椭球数据和多类别数据训练，以减少滤波反投影（FBP）重建图像中的伪影。所提方法在合成数据和真实扫描的衣藻数据的 有限角度层析成像上进行了评估。对于合成测试数据，U-Net 将均方根误差（RMSE）从 FBP 重建的 {\mu}m 显著降低至 U-Net 重建的 {\mu}m，并将结构相似性（SSIM）指数从 0.625 提升至 0.920。通过对测量投影进行惩罚加权最小二乘去噪，RMSE 和 SSIM 进一步分别提升至 {\mu}m 和 0.932。对于真实测试数据，所提方法显著改善了衣藻细胞亚细胞结构的三维可视化，这表明其在生物学、纳米科学及材料科学的纳米尺度成像中的重要价值。
引用
@article{arxiv.2001.02469,
title = {Limited Angle Tomography for Transmission X-Ray Microscopy Using Deep Learning},
author = {Yixing Huang and Shengxiang Wang and Yong Guan and Andreas Maier},
journal= {arXiv preprint arXiv:2001.02469},
year = {2020}
}