一种基于光学传播约束的、利用物理知识进行神经网络重建的方法,用于基于X射线散斑的成像

《Optics and Lasers in Engineering》:A physics-informed neural network reconstruction method for X-ray speckle-based imaging based on optical propagation constraints

【字体: 大 中 小 】 时间:2026年04月12日 来源:Optics and Lasers in Engineering 3.7

编辑推荐:

  本文提出一种基于物理信息神经网络(PINN)的X射线散斑成像重建方法,通过嵌入物理约束模型解决传统方法误差累积和计算依赖问题,显著提升图像质量、噪声抑制及数据采样效率,适用于模拟与真实数据场景。

  
贾莉 | 于晓 | 袁亚军 | 王传义 | 胡晓芳 | 徐峰
中国科学技术大学现代力学系,安徽合肥 230027

摘要

本文提出了一种基于物理信息神经网络(PINN)的X射线散斑成像(SBI)重建方法。传统的X射线吸收成像难以检测低密度或相似密度样品中的细微结构差异。相比之下,X射线相位对比成像能够测量样品引起的相位变化,因此特别适用于软组织和轻元素材料。特别是,通过在光路中引入扩散器(也称为相位调制器),X射线散斑成像实现了高灵敏度的多模态成像。本研究通过将PINN方法整合到X射线散斑相位对比成像中,直接将物理约束纳入神经网络,改进了传统的重建方法。与需要大量标记数据集且难以适应具有复杂系统误差的实际实验环境的传统深度学习方法不同,PINN通过将物理原理嵌入训练过程来优化重建精度,消除了对大量数据集的依赖。该方法克服了传统重建方法首先确定相位位移再计算传输信息的计算依赖性问题。通过采用物理约束的联合优化策略,有效防止了误差累积。此外,利用网络的全局感受野,它克服了传统局部窗口分析在空间分辨率和信噪比之间的权衡。结果表明,基于PINN的重建方法在图像质量、噪声抑制和数据采样效率方面优于传统方法,在模拟数据和真实数据上都表现出更优的性能。

引言

自1895年伦琴发现X射线以来,基于比尔-朗伯定律的吸收成像一直是医学诊断和工业无损检测的基石[1,2]。然而,传统的X射线吸收成像主要依赖于材料内部的密度差异。对于低密度或密度相近的样品,其成像灵敏度有限,难以有效区分微小的结构变化[3]。X射线相位对比成像通过测量X射线穿过样品时产生的相位位移信号[[4], [5], [6]],其灵敏度比吸收成像高出几个数量级[7]。因此,它在软组织成像和轻元素材料的无损检测中具有显著优势。当前的相位对比成像技术包括基于传播的成像[8,9](PBI)、基于分析器的成像[10](ABI)、光栅干涉测量[11,12](GI)和边缘照明[13](EI)等多种方法。然而,每种方法都面临实施过程复杂、光学组件成本高以及信息解释困难等问题。特别是基于光栅的方法对组件的精度要求极高,应用场景有限;而基于传播的方法对探测器分辨率的要求也很高。X射线散斑成像[14](SBI)通过在光路中引入简单的扩散器(如砂纸或带有随机分布小孔的聚合物薄膜)来克服这些限制。该技术既适用于同步辐射源,也适用于实验室X射线源,能够同时获取基于三种模态的信息:吸收、折射和散射。它具有高空间分辨率、相位灵敏度和实验灵活性等优点。
大多数基于X射线散斑的成像方法,包括单次曝光X射线散斑跟踪[15](XST)、X射线散斑扫描跟踪[16](XSS)和X射线散斑矢量跟踪[17](XSVT),通常依赖数字图像相关(DIC)技术来计算散斑位移。基于此方法开发的统一调制模式分析(UMPA)方法构建了光场传播的物理模型。通过应用最小二乘原理来最小化理论参考模式与测量样品模式之间的残差,从而获得最优解,实现高角灵敏度和高空间分辨率成像。然而,传统的UMPA重建方法存在某些固有限制。UMPA方法需要预先计算位移场,然后根据求解出的位移场推导传输和暗场信息。这种单向依赖机制意味着传输和暗场信息的重建精度受到位移场精度的极大限制。如果位移计算中出现任何偏差,误差将不可避免地传播并耦合到传输和暗场图像中。其次,UMPA使用滑动窗口逐点计算局部损失,并寻找最优位移,缺乏对整体图像结构的全局约束。同时,子区域内的散斑信息往往不够丰富,选择子区域大小需要权衡。较小的窗口保持高空间分辨率,但容易受到噪声干扰;较大的窗口虽然能抑制噪声,但会导致分辨率降低和细节模糊。
近年来,深度学习在X射线散斑成像重建领域取得了显著进展,实现了无需滑动分析窗口的逐像素参数预测和优化。齐桥等人[18]提出了一种基于深度学习框架的散斑成像神经网络模型,实现了高分辨率和高速实时相位对比成像。史S.Q.Z.等人[19]设计了一种基于卷积神经网络架构的散斑跟踪技术,表现出优异的性能和鲁棒性。然而,这种基于神经网络的监督学习方法存在固有局限性。它们依赖于大量的模拟参考散斑图像和样品散斑图像数据集进行网络训练,以重建包括传输、相位对比和暗场模式在内的多模态成像信息。但是,通过数值模拟生成的训练集难以准确反映实际实验环境中的多种干扰因素。数据驱动的方法受到域偏移问题的限制,而在模拟数据上训练的模型往往无法直接应用于具有复杂系统误差的实际实验环境,从而限制了它们的泛化能力。相比之下,物理信息神经网络(PINN)[20,21]通过将物理约束纳入网络优化目标,以无监督的方式实现参数反演,从而无需大量标记数据。PINN在各种物理建模问题中表现出优异的性能,但其在X射线散斑成像中的应用尚未得到充分探索。
本文提出了一种基于物理信息神经网络(PINN)的X射线散斑成像重建方法,以解决上述问题。该方法将UMPA成像物理模型作为先验约束明确嵌入深度学习训练过程中。通过利用神经网络在非线性函数拟合方面的优势,它并行优化样品的传输分布和散斑位移场。这种方法避免了传统方法中固有的误差累积问题,并消除了传统重建技术的计算依赖性,这些方法在重建传输信息之前首先确定相位位移。

方法部分

本节详细介绍了基于物理信息神经网络(PINN)的X射线散斑成像重建方法,包括物理约束模型、PINN网络架构和训练策略。该方法不需要标记数据,而是通过物理方程约束来指导网络学习,以实现传输、相位和暗场信息的高精度反演。

结果与讨论

为了全面评估所提出的基于物理信息神经网络(PINN)的X射线散斑成像重建方法的性能,本节从四个维度进行了评估:使用模拟数据的定量评估、数据采样效率、噪声鲁棒性以及使用真实数据的验证。我们还重点分析了本文提出的双路径暗场计算机制在提高成像质量和物理一致性方面的作用。

结论

本文提出了一种基于物理信息神经网络(PINN)的X射线散斑成像重建方法。该方法将UMPA物理模型作为硬约束纳入深度学习中,实现了无需真实标签的自监督训练。它解决了获取高精度真实值的挑战,并使重建结果具有明确的物理可解释性。与传统方法相比,这种方法

CRediT作者贡献声明

贾莉:撰写——原始草稿、软件开发、方法论设计、数据分析、概念化。于晓:撰写——审稿与编辑、项目管理、资金筹集。袁亚军:软件开发。王传义:软件开发。胡晓芳:撰写——审稿与编辑、资金筹集。徐峰:撰写——审稿与编辑、资金筹集。

利益冲突声明

我代表我自己和所有合作者确认,手稿中报告的结果是原创的,整个工作或其任何部分之前均未发表。作者确认该文章尚未提交给同行评审,也未被其他期刊接受发表。作者确认他们的工作是原创的,文章中的所有数据都是真实可靠的。如有必要,文章可以

致谢

本研究得到了国家自然科学基金(编号:12525207)和中国科学技术大学同步辐射联合基金(编号:KY2090000059、KY2090000054)的支持。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    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