利用学习到的原始-对偶网络对细长物体进行稀疏视图层析重建

《Engineering Applications of Artificial Intelligence》：Sparse view tomographic reconstruction of elongated objects using learned primal-dual networks

本文提出了一种基于深度学习的2.5D迭代重建方法（2.5D LPD），适用于工业中移动日志的稀疏X射线断层扫描。该方法通过利用相邻切片的信息（最多5个连续切片）补偿少量源位置（如5个）带来的数据不足，显著提升重建质量。实验表明，在仅5个源位置下，2.5D LPD的PSNR达到31.26dB，SSIM为0.90， knots分割Dice值接近全CT数据（0.771），且"middle"策略在低源位置时表现更优，适用于木材工业的实时检测需求。

　　在木材加工行业中，通常采用离散的X射线扫描技术来评估原木的质量。这种技术通过在移动的传送带上从几个固定位置获取数据，以二维（2D）平面形式对原木进行扫描。然而，单一的二维平面数据往往不足以进行三维（3D）的断层扫描重建，特别是当需要保留原木内部的生物特征时。为了克服这一限制，本文提出了一种基于学习迭代重建的方法，即学习的原始-对偶（Learned Primal-Dual, LPD）神经网络，这种方法适用于顺序扫描几何结构。通过这种方法，我们能够在重建过程中整合相邻切片的信息，而不是仅仅依赖于单个切片的数据。

在工业应用中，传统的CT扫描设备通常具有较高的成本，而且需要较长的扫描时间，这使得它们难以应用于实时生产过程。因此，许多小型锯木厂更倾向于使用离散的X射线扫描设备，这些设备仅在传送带上从几个固定角度进行扫描，从而减少投资成本。然而，由于数据稀疏，这些方法可能无法提供高质量的三维图像。为了解决这一问题，本文提出了一种新的方法，即2.5D LPD方法，通过利用相邻切片之间的相似性，以较少的X射线源位置实现高质量的三维重建。

本文的实验部分展示了2.5D LPD方法在实际应用中的效果。通过对不同源位置数量和连续切片数量的评估，我们发现该方法在有限的源位置下依然能够提供较为准确的重建结果。特别是在处理原木内部的生物特征，如节疤（枝条）、心材和边材时，该方法表现出了良好的性能。心材是树木中心相对干燥且生物活性较低的部分，而边材则是活跃的水分和营养运输部分，这两部分的区分在高水分含量的情况下可能变得模糊。通过整合相邻切片的信息，2.5D LPD方法能够在有限的数据基础上更准确地识别这些生物特征。

在实验中，我们使用了基于U-Net的网络结构进行节疤分割任务，这是一种广泛应用于医学图像处理和工业检测的技术。通过对不同数据集的评估，我们发现2.5D LPD方法在某些情况下能够提供与完整CT扫描相似的分割性能，尤其是在处理节疤的起始部分时，这种方法的优势更为明显。通过比较不同策略下的重建效果，如“最后”策略和“中间”策略，我们发现“中间”策略在源位置较少的情况下能够更好地预测节疤的出现，从而提高分割的准确性。

本文还讨论了2.5D LPD方法的理论基础，以及其在工业应用中的优势。这种方法不仅能够降低扫描成本，还能够提高数据处理的效率，使得锯木厂能够更快地获取原木内部结构的信息。此外，该方法在处理不同源位置数量和连续切片数量时表现出了良好的适应性，能够满足不同工业需求下的扫描条件。

总之，本文提出了一种适用于顺序扫描几何结构的2.5D LPD方法，通过整合相邻切片的信息，实现了对原木内部生物特征的准确重建和分割。这种方法在工业应用中具有重要意义，能够帮助锯木厂提高产品质量，减少浪费，从而提升整体的经济效益。未来的研究将进一步探索该方法在不同扫描条件下的性能，并尝试将其应用于更广泛的工业场景中。