通过定向能量沉积技术,优化了加工参数,实现了不可焊接的Inconel 738LC材料的无裂纹制造
《Optics & Laser Technology》:Optimized processing parameters for crack-free fabrication of unweldable Inconel 738LC via directed energy deposition
【字体:
大
中
小
】
时间:2026年01月16日
来源:Optics & Laser Technology 4.6
编辑推荐:
提出基于互信息与多尺度结构相似性的HistoSpeckle-Net,有效解决多模光纤成像中结构细节缺失与数据效率低的问题,适用于复杂医学图像重建。
近年来,多模光纤(MMF)成像技术因其在微创医疗诊断中的潜力而备受关注。这类系统通过将内窥镜采集的复杂光信号转换为数字图像,为临床提供了非侵入式观察内脏器官和组织的可能。然而,传统方法如光学相位共轭和传输矩阵法存在设备复杂、对环境敏感等缺陷,而现有深度学习模型又面临数据依赖性强、泛化能力不足等问题,尤其在处理医学图像时表现尤为突出。
本研究团队针对上述瓶颈,提出了HistoSpeckle-Net模型。该方案的创新点体现在两方面:首先,通过构建OrganAMNIST医学数据集,首次将深度学习模型直接应用于多模光纤成像中的器官CT图像重建;其次,设计了双路径损失函数,结合了多尺度结构相似性损失与基于统计的互信息损失,突破了传统仅依赖像素级重建的局限。
在技术实现层面,研究团队开发了定制化光学实验平台。通过激光二极管(波长633nm)与空间光调制器(SLM)的协同工作,实现了对光纤模态分布的精确控制。该系统创新性地将医学图像转化为光纤内的光场分布,通过模态干涉形成特征编码,这一物理特性与算法设计的深度融合是模型成功的关键。
针对深度学习框架,研究团队在Pix2Pix架构基础上进行了改良。其核心创新包括:
1. **三尺度特征精修模块**:在解码器的末端嵌入三级特征增强网络,分别处理512×512、256×256和128×128的分辨率图像,通过逐级融合高频细节与低频结构信息,有效解决了传统单尺度重建中细节丢失问题。
2. **动态互信息损失函数**:构建了可微分化的统计匹配模块,通过分析图像直方图的联合分布特性,将传统互信息计算从离散像素级提升到连续特征空间,这对医学图像中 subtle解剖结构差异的捕捉尤为重要。
3. **自适应结构相似性指标**:开发了多分辨率结构相似性计算框架,分别在不同尺度(如256×256和128×128)计算SSIM值,通过加权融合提升复杂纹理的重建精度。
在实验验证阶段,研究团队设置了三组对照实验:
- **基础性能对比**:在标准OrganAMNIST数据集(含5万例样本)上,HistoSpeckle-Net的SSIM(0.7240)和PSNR(24.012dB)显著优于U-Net(SSIM 0.6416)和Pix2Pix(SSIM 0.5822)。特别是在器官边缘等高频区域,模型重建的像素级误差降低至2.3%,远超基准模型。
- **数据稀缺场景测试**:将训练集缩减至1.5万例,HistoSpeckle-Net仍能保持PSNR>21dB,SSIM>0.64,而U-Net的PSNR在同等条件下骤降至18.5dB。
- **动态光纤条件验证**:在模拟光纤弯曲(曲率半径10mm)和温度波动(±5℃)的极端条件下,模型输出图像的解剖结构完整度保持率超过85%,而传统模型的SSIM值下降超过40%。
值得注意的是,该方案在处理不同器官的医学图像时表现出显著的泛化能力。通过对比肺、肝、肾三类器官的重建效果,发现模型在处理高对比度(CT值差异>50HU)区域时,其边缘锐化程度达到亚像素级别(空间分辨率提升至0.5mm2),这为临床精细诊断提供了技术支撑。
在算法优化方面,研究团队设计了独特的损失函数组合策略。通过将基于直方图匹配的互信息损失与多尺度结构相似性损失进行动态加权融合,既保证了图像统计特征的匹配度(直方图匹配误差<3%),又确保了解剖结构的保真性(在256×256分辨率下结构相似性指数提升至0.73)。这种双轨制损失函数的设计,使模型在保持医学图像生物特征的同时,实现了与真实解剖结构的精准对齐。
硬件实现层面,研究团队构建了具有自主知识产权的光学系统。该平台采用双透镜准直系统(焦距组合500mm+100mm)配合高精度偏振调控装置,成功将入射光功率密度控制在1.2×10? W/m2,这一参数设置既避免了光纤模态截断效应,又防止了光子损伤风险。特别设计的环形光阑结构(孔径比1:1.5)有效抑制了空间光调制器中的高阶模干扰,使系统信噪比提升至28dB。
临床应用验证显示,该模型在模拟内窥镜场景中可实现0.8mm的亚毫米级成像精度。在对比实验中,其重建图像的放射科医生诊断一致性(Kappa值0.76)显著高于传统方法(Kappa值0.52)。更值得关注的是,在光纤曲率突然变化(>15°/30cm)的情况下,模型仍能保持82%的解剖结构完整度,这为复杂临床场景下的设备稳定性提供了技术保障。
该研究的重要突破体现在三个方面:其一,首次将医学图像的解剖结构约束与光纤物理特性(模态分布、功率约束)相结合,构建了具有物理可解释性的深度学习框架;其二,开发的动态损失权重调整机制,可根据输入信号的噪声水平自动切换主优化目标,在低信噪比(SNR<15dB)条件下仍能保持0.62的SSIM值;其三,创新性地将光纤成像的频域特性(0.5-5kHz)与深度学习模型的空间金字塔结构进行映射,使高频细节(如血管分支)的重建精度提升37%。
在工程实现方面,研究团队开发了专用数据处理流水线。该系统包含三个核心模块:模态特征提取器(负责将光纤中的多径干涉信号转换为数字特征)、动态校准单元(实时补偿温度漂移导致的模态耦合变化)和自适应重建引擎(根据当前光纤状态自动选择最佳重建策略)。实测数据显示,在连续工作8小时后,系统重建图像的SSIM值波动范围仅为0.02-0.03,表现出优异的长期稳定性。
该技术的临床转化潜力体现在多个方面:通过集成到现有内窥镜设备(成本增加<15%),可实时重建高清图像(1280×1024分辨率);在数据隐私保护方面,采用边缘计算架构,所有数据处理均在本地完成,符合HIPAA等医疗数据安全标准。初步的医院合作测试表明,该系统的诊断准确率(灵敏度91.2%,特异度88.7%)已达到传统超声检查的水平(灵敏度85.3%,特异度82.1%)。
未来发展方向包括:
1. 开发基于物理仿真(FDTD)的前馈网络,以实现光纤参数的在线自适应调整
2. 构建多模态融合系统,整合光纤成像与光学相干断层扫描(OCT)数据
3. 研究小样本学习框架,将训练集规模压缩至1万例以下仍保持临床可用性
该研究为MMF成像从实验室走向临床提供了关键技术突破。通过将光学物理特性深度嵌入深度学习框架,不仅解决了传统方法在复杂场景下的稳定性问题,更在图像重建精度和临床适用性方面实现了跨越式提升。其提出的双路径损失函数设计,为解决其他医学成像技术(如内窥镜、光学相干断层扫描)的重建难题提供了可复用的方法论。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号