《Journal of Microscopy》：On optimisation of Paganin's method for propagation-based X-ray phase-contrast imaging and tomography
编辑推荐：
针对传播型X射线相衬成像(PBI)与相衬断层扫描(PB-CT)中广泛应用的Paganin图像重建方法，研究人员探讨了该方法在信噪比、空间分辨率等简单图像质量指标，以及与理想无噪声、无限空间分辨率“地面真值”图像相对均方误差的全参考类指标下的优化路径。研究详细分
针对传播型X射线相衬成像(PBI)与相衬断层扫描(PB-CT)中广泛应用的Paganin图像重建方法，研究人员探讨了该方法在信噪比、空间分辨率等简单图像质量指标，以及与理想无噪声、无限空间分辨率“地面真值”图像相对均方误差的全参考类指标下的优化路径。研究详细分析了Paganin方法本征正则化参数与重建图像空间分辨率的关联优化问题，证明将Paganin方法与成像系统点扩散函数(PSF)的Tikhonov正则化反卷积结合，可较标准版本显著提升图像质量。研究人员推导了相关图像质量指标的解析表达式并与数值模拟结果比对，讨论了不同优化策略的优势与局限。该成果可为实际X射线成像及机器学习模型的去噪、分割训练提供参考。
该研究发表于《Journal of Microscopy》，聚焦低吸收对比度样品成像需求，针对传播型X射线相衬成像(PBI)与相衬断层扫描(PB-CT)中Paganin方法（即均匀强度传输方程TIE-Hom形式）的实际优化问题展开。当前PBI技术已在生物医学成像中展现出降低辐射剂量、提升软组织对比度的潜力，但现有重建方法在平衡空间分辨率、信噪比与伪影抑制方面仍存在局限，且缺乏针对不同成像系统参数的量化优化依据。
研究人员首先梳理了三类图像质量评估(IQA)体系的适用场景：全参考(FR-IQA)依赖地面真值图像、半参考(RR-IQA)利用图像自身统计特征、无参考(NR-IQA)仅基于系统硬件参数。针对TIE-Hom重建中的本征正则化参数γ，研究人员推导了其与系统点扩散函数(PSF)宽度的定量关系，证明当成像系统存在有限探测器分辨率与光源尺寸时，最优γ值应小于标准理论值，并提出“离焦去模糊”的硬件参数匹配条件。进一步引入结合Tikhonov正则化的PSF反卷积流程，建立了以地面真值与重建图像相对均方误差最小化为目标的优化框架，给出正则化参数的解析估算公式。
关键技术方法方面，研究人员采用解析推导与数值模拟验证相结合的策略，基于薄物体模型与准单色部分相干光源假设，建立包含光源尺寸、探测器PSF、传播距离的完整成像链数学模型；利用傅里叶域分析推导重建误差的能量分布表达式，获得正则化参数的闭式解；通过数值模拟平面波成像场景验证参数优化的有效性，并采用澳大利亚同步辐射成像医学束线(IMBL)采集的临床乳腺切除样本PB-CT数据集进行实验验证，样本经伦理审批且获捐赠者书面知情同意。
研究结果部分如下：
2 均匀强度传输方程(TIE-Hom)重建的最优正则化参数
研究人员推导了正则化参数γ与系统PSF宽度的定量关系，证明最优γ' = γ/(1+F)，其中F为菲涅尔数。当系统PSF宽度已知时，可通过降低γ值抵消硬件带来的模糊效应，同时指出Beltran等人先前平面波情形公式存在4倍系数偏差。此外提出“离焦去模糊”的硬件优化条件，即通过调整传播距离使菲涅尔衍射条纹与系统PSF模糊相互抵消，在固定源到探测器距离下可转化为最优放大倍率的选择问题。
3 均匀强度传输方程(TIE-Hom)重建的全参考优化
研究人员以地面真值与重建图像的归一化均方根误差(RMSE)为目标函数，推导了频域误差分解表达式，证明误差由确定性模糊误差与随机性噪声误差两部分构成，二者存在权衡关系。为避免非正则化反卷积带来的噪声放大，引入带参数ε的Tikhonov正则化重建核，并推导了ε的最优解析近似公式：ε_opt ∝ (平均平方吸收对比度×探测器像素数与PSF宽度比)/重建图像信噪比2，该公式可直接用于实际成像场景的参数初始化。
4 数值与实验测试
数值模拟显示，标准TIE-Hom重建后信噪比从接触成像的71.7提升至140，空间分辨率从46.3 μm改善至35.7 μm；采用优化γ'值后空间分辨率进一步提升至33.1 μm，信噪比略有下降；结合Tikhonov正则化反卷积后，空间分辨率可达19.0~20.3 μm，信噪比/空间分辨率比值较其他方法提升30%以上。实验PB-CT数据验证表明，优化方法重建的乳腺样本图像空间分辨率从传统方法的183~230 μm提升至75.9~86.3 μm，对比度噪声比与空间分辨率的比值提升50%~150%。研究同时发现RMSE与结构相似性指数(SSIM)对PBI图像的边缘对比度变化敏感度较低，不适用于此类成像的优化评估。
讨论与结论部分指出，无参考指标因无法区分真实结构与伪影存在局限性，全参考指标虽更准确但依赖地面真值可用性。提出的Tikhonov正则化反卷积优化框架在系统PSF已知时可显著提升重建质量，若仅知PSF宽度则可采用简化的γ值优化方案。研究强调图像质量指标的选择会直接影响人工智能模型的训练效果，准确的指标设计对PBI/PB-CT的深度学习应用具有重要指导意义。最终结论证实，Paganin方法的优化需同时考虑硬件参数匹配与软件重建流程改进，所推导的解析公式为临床前与临床X射线相衬成像的系统设计与图像重建提供了量化依据。
