空间–频率物理引导双域融合深度学习改善弱吸收材料相位衬度X射线断层重建

《Optics》：An Improved Phase-Contrast X-Ray Tomography Based on Dual-Domain Combined Deep Learning

　　

针对X射线弱吸收材料对比度低的问题，相位检索（PR）被用于对比度增强和材料识别，但其等效低通滤波特性不可避免地导致结构模糊和边界平滑。研究人员提出一种空间–频率物理引导神经网络（SF-PGNet），在无需额外硬件辅助的情况下提高弱吸收材料相位敏感硬X射线断层成像的重建质量。该网络包括三个子网络：（i）空间域网络（SD-Net）从测量投影预测投影条件化的有效反卷积核（PSF_N），以实验校准的有效核PSF_tot作为物理监督，并应用PSF_N获得锐度增强的子图像；（ii）频率域网络（FD-Net）从测量投影预测逆传递函数，以由物理筛选的相位检索参数生成的解析H^?1(γ)函数作为监督，并生成相位衬度增强的子图像；（iii）双域融合网络整合互补子图像以产生最终重建。在聚合物体模上的验证和在生物标本上的测试表明，SF-PGNet增强材料对比度和边界表征，同时学习到的空间域和频率域分支与其对应的基于物理的校正参考保持高度一致。

研究背景：X射线计算机断层成像（XCT）已用于生物医学、材料科学和先进制造中内部结构的非侵入三维可视化；传统XCT依赖材料衰减系数差异产生吸收对比，适合骨或金属等致密材料，但对主要由低原子序数（low-Z）元素构成的软组织或材料存在弱吸收对比限制和微结构区分困难。为增强低Z材料对比，相位敏感XCT基于硬X射线区轻元素相位因子约为吸收因子1000倍；其中传播基相位衬度X射线计算机断层成像（PPCT）光路简单、无需额外复杂光学元件。直接PPCT重建的表观线性衰减系数图包含线性衰减系数断层图、组织电子密度三维拉普拉斯缩放图（边缘增强）以及吸收和相位全局变化引起的伪影噪声。弱吸收假设下的相位检索（PR）被用于高相位衬度断层重建，单距离PR低剂量高效，但在频域通过低通滤波器（逆传递函数）将测量强度转换为相位分布，存在对比噪声比（CNR）与空间分辨率（SR）的权衡，导致高频信息损失、结构模糊，并受成像系统固有PSF（PSF_sys）影响。已有解析校正如Gureyev等将Paganin相位检索与Tikhonov正则化PSF反卷积结合，Mirone等提出闪烁体光反卷积（SLD）校正闪烁体光扩散导致的分辨率退化；这些基于物理的方法依赖预定义或预表征成像响应。深度学习已用于去噪、环伪影消除、分割、像差校正和相位检索，但多数将相位检索视为图像到图像翻译或仅关注去噪/超分辨单一任务；传播基X射线相位衬度图像质量退化涉及两个耦合域：空间域测量图像响应含系统响应PSF_sys和传播依赖Fresnel响应PSF_fre，频域相位检索引入逆传递函数描述的低通滤波。现有单域网络难以显式解耦并同时校正两类退化，常在增强对比时牺牲高频边缘或提高分辨率时引入噪声。因此研究人员提出SF-PGNet，结合空间域和频率域处理的互补结构与相位衬度信息改善断层重建质量，无需额外成像硬件。该框架含三个子网络：SD-Net在实验校准PSF_tot物理监督下从测量投影估计投影条件化有效反卷积核PSF_N并用于投影反卷积生成锐度增强子图像；FD-Net学习测量投影到逆传递函数的映射，以物理筛选相位检索参数范围计算的解析H^?1(γ)函数为监督，实现无需推理时指定γ的逐投影相位检索；双域融合网络（Dual-Net）基于物理结构定位融合SD-Net和FD-Net子图像提高重建质量。训练中保留基于物理的反卷积和相位检索过程作为物理监督来源；在训练数据代表的采集条件下，推理时SD-Net和FD-Net从测量投影估计相应校正算子，无需校准PSF或人工指定相位检索参数作为单独输入。其意义在于以物理监督约束学习校正算子，并在双域融合中兼顾材料对比与边界表征。

关键技术方法（不超过250字）：研究人员基于同步辐射X射线相位衬度成像采集标准聚合物体模和冬虫夏草（Cordyceps sinensis）生物标本；聚合物体模由Goodfellow（Huntingdon, UK）提供，含PMMA棒、三根Nylon6管和PP套管，冬虫夏草数据集未参与训练。采用强吸收刀片边缘响应校准有效核PSF_tot；对标准体模进行TIE-Hom相位检索参数筛选，确定γ=900–1120；构建SD-Net、FD-Net和Dual-Net，分别以PSF_tot、解析H^?1(γ)和确定性融合Slice_fusion为监督；经滤波反投影（FBP）重建，用CNR、线扩散函数（LSF）全宽半高（FWHM）、峰值信噪比（PSNR）、均方根误差（RMSE）和结构相似性指数（SSIM）评价。

研究结果：
3.1 有效核PSF_tot校准：通过强吸收刀片成像和八个局部边缘采样，平均原始边缘扩散函数，拟合单调ESF抑制Fresnel振荡，求一阶导数得LSF，并在近似各向同性假设下角度反投影构建二维PSF_tot；结论是PSF_tot为当前采集条件下有效空间域校准核，而非直接二维测量PSF_sys。
3.2 FD-Net监督的相位检索参数筛选：对标准聚合物体模用不同γ做常规TIE-Hom，发现小γ相位衬度不足且振荡边缘明显，大γ边界增宽和平滑，γ≈1000在材料对比与边界保持间平衡；以跨界面强度差随γ变化及二阶导数拐点定义可接受区间，5%容差得900–1120，用于构建FD-Net训练目标。
3.3 SF-PGNet模型训练：比较SD-Net有无径向对称正则，物理正则约束预测PSF_N中心位置和对称性，加速收敛，最终输出PSNR提高约2.0 dB。
3.4 聚合物体模重建评估：原始FBP弱吸收材料对比极低并有边界边缘增强；SD-Net反卷积后FBP提高边界锐度和结构轮廓定位；FD-Net相位检索后FBP增强相位衬度和密度差小材料可区分性，但逆传递函数低通使边界可能更宽；Dual-Net融合增强材料对比和边界表征，直方图显示背景、PP、Nylon6、PMMA四个可区分峰且分布较窄，而原始和SD-Net强度分布重叠。
3.5 训练后SF-PGNet测试：在未参与训练的冬虫夏草标本上，SD-Net边界更锐，FD-Net增强相位衬度和纤维结构可见性，Dual-Net结合高频结构细节与全局增强对比；LSF FWHM为原始4.3像素、SD-Net 3.5像素、FD-Net 5.0像素、Dual-Net 2.96像素；与常规物理或确定性参考比较SSIM>0.95、PSNR>30 dB、RMSE较低，表明学习分支高度复现相应校正。

讨论总结：讨论指出空间域校正与频域相位检索在传播基X射线断层中互补，Dual-Net整合二者；生物标本Dual-Net FWHM 2.96像素优于原始4.3像素并改善对比，三维可视化显示孔隙和纤维结构可见性增强。定量比较表明学习重建与常规物理/确定性参考一致；SSIM/PSNR/RMSE表征一致性，CNR/LSF描述对比和边界。常规PSF反卷积和TIE-Hom相位检索在参数准确已知时仍适用；SF-PGNet以实验校准空间响应和解析相位检索传递函数为监督，估计校正算子，推理无需单独提供校准核或相位检索参数。与Gureyev等和Mirone等物理校正相关；与CTF-Deep、PhaseGAN、单帧干涉图深度学习等策略不同，SF-PGNet结合空间域PSF校正和频域相位检索算子估计及重建图像融合。γ影响TIE-Hom逆传递函数频率特性和对比/边界平衡，FD-Net学习投影条件映射而非估计材料特定γ；对本文弱吸收材料有效，但更强吸收或不同材料需进一步评估，绝对定量相位准确性需独立相位参考。适用性与训练数据采集条件相关，本文评估在单色同步辐射18 keV和物探距离0.2 m，显著不同传播距离或多色实验室源可能需额外校准或模型适应。未进行多独立采集配对显著性检验，需更广泛统计评估。计算开销：RTX 4080、PyTorch 2.0.1、FP32、批大小1，20次预热后100次前向，SD-Net 6.23±0.28 ms（200×200输入），FD-Net 177.95±0.89 ms（600×600输入），Dual-Net候选203.94±1.38 ms（两个600×600输入），不含预处理、物理校正和FBP。

结论翻译：本研究开发了由SD-Net、FD-Net和Dual-Net组成的空间–频率物理引导深度学习框架（SF-PGNet），用于在弱吸收材料硬X射线断层成像中共同保留结构边界信息并增强相位衬度。实验校准的有效核PSF_tot和解析TIE-Hom逆传递函数H^?1(γ)分别为空间域和频率域分支提供物理监督。训练后，SD-Net和FD-Net从测量投影数据直接估计相应校正算子PSF_N和相应频域校正算子，所得重建子图像由Dual-Net组合生成最终重建Slice_N。当所需物理参数准确已知时，常规反卷积和相位检索程序仍直接适用；学习分支因此提供投影条件化算子估计，而非替代基础物理校正。验证和测试结果表明，相对于原始重建，对比度和边界表征增强，同时学习分支与其相应基于物理的参考保持高度一致。