基于深度学习的时空融合用于高准确度超高速X射线放射学
Songyuan Tang1, Tekin Bicer1, Tao Sun2
1Advanced Photon Source, Argonne National Laboratory, Lemont, IL 60439, USA.
Journal of synchrotron radiation
|February 12, 2025
概括
这项研究引入了一个深度学习框架来融合X射线图像序列,增强超高速 (UHS) X射线成像的空间分辨率和率. 该方法显著提高了图像质量和动态过程表征的科学价值.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 材料科学 材料科学 材料科学
背景情况:
- 超高速 (UHS) X射线成像对于动态过程表征至关重要.
- 利用不同配置的X射线视频的联合获取仍然未得到充分探索.
研究的目的:
- 开发和评估基于深度学习的时空融合 (STF) 框架.
- 为了重建高空间分辨率,高率和高保真度的X射线图像序列.
主要方法:
- 应用转移学习策略来训练STF模型.
- 融合的互补X射线图像序列具有不同的分辨率和率.
- 将STF性能与基线深度学习,贝叶斯融合和使用PSNR,AAD和SSIM指标的双立方插值进行比较.
主要成果:
- 拟议的STF框架在图像重建方面显著超过了基线方法.
- 在特定输入条件下,达到37.57dB和35.15dB的高平均峰值信号噪声比 (PSNR).
- 在不同的输入分离和噪声水平上证明了强度.
结论:
- STF框架有效地提高了UHSX射线成像的质量.
- 这种方法有望提高UHSX射线实验的性能和科学价值.
- 与高速摄像机的集成将进一步扩大其功能.


