开发一种深度学习方法,用于相位对比微计算机断层扫描中的相位检索图像增强

科学领域:

• 医疗成像医学成像
• 材料科学 材料科学 材料科学
• 人工智能的人工智能

背景情况:

• 传统的基于吸收的微计算机断层扫描 (μCT) 难以可视化像水凝这样的低密度材料.
• X射线相位对比成像,特别是微计算机断层扫描 (PBI-μCT) 的基于传播的成像,提供了改进的可视化,但面临着噪音和定量准确性的挑战.
• 现有的阶段检索 (PR) 算法可以改善信号与噪声比 (SNR) 和对比与噪声比 (CNR),但往往会导致过度平滑和不准确.

研究的目的:

• 开发一种基于深度学习的新方法,即边缘视图增强阶段检索 (EVEPR),以提高低密度材料的PBI-μCT图像质量.
• 为了提高水凝结构的细分精度和效率,在体外和体外.
• 克服传统PR算法的局限性,例如过度平滑和噪音易感性.

主要方法:

• 通过整合denoised边缘增强对比 (EEC) 和阶段检索 (PR) 图像来开发EVEPR.
• 训练了一个深度卷积神经网络 (CNN),在数据集对数据集的基础上使用对联的EEC和PR图像.
• 美国有线电视新闻网学会了将EEC图像中的高频细节与PR图像中的区域对比度结合起来.

主要成果:

• EVEPR证明了比传统的PR方法更强的区域对比,显著改善了SNR和CNR.
• 增强的CNR促进了低密度水凝结构的更有效,更准确的细分.
• 应用于体外和体外PBI-μCT图像时,EVEPR提供了水凝结构的卓越可见性和一致性,减少了手动细分调整.

结论:

• EVEPR是一种强大的后图像处理方法,可显著提高低密度材料的PBI-μCT图像质量.
• 该方法有效地解决了传统PBI-μCT处理中固有的过度平滑和噪声问题.
• EVEPR可实现高效和准确的体外和体外图像处理和细分,促进数据驱动应用程序的大型数据集的创建.