随时间变化的X射线微断层学平面场校正,采用改进的深度学习方法

科学领域:

• 材料科学 材料科学 材料科学
• 影像科学 影像科学
• 人工智能的人工智能

背景情况:

• 射线微图学 (XRM) 需要平面场图像来准确的样本投影正常化.
• 动态的in-situ/in-operando XRM对于研究微结构演变至关重要,但由于快速获取和庞大的设备,在获取准确的平面场数据方面面临挑战.
• 传统的平面场校正方法在动态XRM中与工件作斗争.

研究的目的:

• 开发一种基于深度学习的方法,用于X射线微观断层学中准确的平面场校正.
• 在动态CT成像场景中解决传统方法的局限性.
• 通过减少强度正常化中的系统错误来提高CT重建的质量.

主要方法:

• 使用改进的pix2pixHD生成对抗网络模型,从单个CT投影中生成平面场图像.
• 深度学习模型是使用X射线微断层图像的实验数据进行训练和验证的.
• 该方法的性能与传统技术和现有的深度学习方法进行了比较.

主要成果:

• 拟议的深度学习方法显著优于传统和其他基于深度学习的平面场校正技术.
• 该方法有效地减少了强度正常化过程中的系统错误,从而大大提高了CT重建质量.
• 该模型展示了概括能力,成功地纠正了各种低Z材料样本的平面场图像,这些材料样本不包括在训练集中.

结论:

• 开发的深度学习方法是动态现场CT成像中平面场校正的实用解决方案.
• 该方法在经过有效的神经网络训练后适用于新样本,展示了其多功能性.
• 这种方法提高了使用XRM的微结构进化研究的可靠性和准确性.