TomoGAN：基于生成对抗网络的低剂量同步辐射 X 射线断层成像
计算机视觉与模式识别
2020-03-18 v5
摘要
基于同步辐射的 X 射线断层成像是一种非侵入式成像技术，可从数十微米至几纳米尺度重构材料内部结构。然而，为在更小尺度上分辨样品特征，需要更高的辐射剂量。因此，在这些尺度上可实现的分辨率主要受噪声限制。我们提出 \TOMOGAN{}，一种基于生成对抗网络（GAN）的去噪技术，用于改善低剂量成像条件下重构图像的质量。我们在两种光子预算受限的实验条件下评估该方法：（1）充足数量的低剂量投影（基于奈奎斯特采样）；（2）不足或受限数量的高剂量投影。两种情况下均假设角采样各向同性，且整个实验的光子预算根据样品最大允许辐射剂量固定。基于模拟与实验数据集的评估表明，我们的方法能显著抑制重构图像中的噪声，使模拟与实验数据的结构相似性分数分别从 0.18 提升至 0.9 和从 0.18 提升至 0.41。此外，经滤波反投影再接本去噪方法所得重构图像的质量优于同步迭代重构技术的结果，显示出本方法在计算上的优越性。
引用
@article{arxiv.1902.07582,
title = {TomoGAN: Low-Dose Synchrotron X-Ray Tomography with Generative Adversarial Networks},
author = {Zhengchun Liu and Tekin Bicer and Rajkumar Kettimuthu and Doga Gursoy and Francesco De Carlo and Ian Foster},
journal= {arXiv preprint arXiv:1902.07582},
year = {2020}
}