通过深度学习对X射线吸收图像进行虚拟差异相位对比和暗场成像

科学领域:

• 医疗成像医学成像
• 计算生物学 计算生物学
• 生物物理学的生物物理.

背景情况:

• 射线计算机断层扫描 (CT) 在生物组织中与低吸收对比度作斗争,限制了其成像细结构的能力.
• 基于格子的X射线成像提供了增强的对比度,但需要复杂的设置,并且耗时.
• 先进的对比机制,如分相对比和暗场成像,提供了有价值的结构信息.

研究的目的:

• 开发一种计算方法,从传统的吸收图像中生成分相对比和暗场X射线图像.
• 为了证明深度卷积神经网络 (CNN) 与生成对抗网络 (GAN) 进行训练的有效性.
• 通过使用简化方法,使生物标本的高质量断层成像具有增强的对比度.

主要方法:

• 使用生成对抗网络 (GAN) 框架训练一个深层卷积神经网络 (CNN).
• 将标准X射线吸收图像输入训练的神经网络.
• 处理虚拟投影以重建具有增强对比度的断层图像.

主要成果:

• 深度学习模型成功地将X射线吸收图像转换为相差对比和暗场图像.
• 生成的对比度与通过复杂的同步仪和实验室基格式干扰仪获得的对比度相当.
• 生物标本的复构断层图像表现出高质量的不同相位对比度和暗场对比度.

结论:

• 深度学习,特别是GAN训练的CNN,可以从简单的吸收数据中有效地产生先进的X射线对比 (分相对比和暗场).
• 这种计算方法显著扩大了生物成像中X射线对比生成的可能性.
• 该方法为生物X射线断层扫描的传统基于格子的技术提供了一个更快,更简单的替代方案.