中国科学院 (一)有限角度断层扫描示意图
角轴中的每个照明角度对应于类似时间轴中的时间步长
用于强散射条件下实验的光学仪器
常规反演算法重建的定性比较(FBP:滤波反投影，FBP +电视:电视正则化滤波反投影；TwIST)和基于递归神经网络的算法(RNN)
每一列显示了沿轴的二维横截面
静态机器学习方法重构的定性比较(基线(0
5 M)和基线(21m)；基线(0
5 M)参考Goy等人，Proc
国家的
专科院校
社会学
，116(40)，页
19848-19856 (2019))和动态机器学习方法
荣誉:姜伊松、亚历山大·戈伊和乔治·巴尔巴斯塔西 在生物成像、集成电路故障分析等的实际应用中，从有限的角度视角对物体内部体积进行层析重建是一个具有挑战性的问题
麻省理工学院的一个团队针对这一重要问题提出了一种动态机器学习方法，并展示了该方法在两个问题上的性能——弱散射和强散射条件下的层析成像
这种技术的广泛适用性为许多其他具有挑战性的反问题带来了希望
从生物细胞到集成电路，各种各样的物体被断层成像以识别它们的内部结构
物体内部的体积重建具有实际意义，例如，细胞的定量相位成像和电路的故障分析，以验证它们的设计
限制断层摄影角度范围通常是期望的，以减少辐射暴露的时间，并避免对样本的任何破坏性影响，或者甚至由于物体的结构而不可避免，如在乳房x光摄影的断层合成的情况下
然而，从算法的意义上来说，从有限的角度视图进行断层摄影重建并不总是受欢迎的，因为它不可避免地给重建引入了伪影和模糊性，从而降低了整体重建的保真度
在《光:科学与应用》杂志上发表的一篇新论文中，麻省理工学院的一个团队，由机械工程系的乔治·巴尔巴斯塔西教授领导，开发了一种动态机器学习方法来解决这个重要的问题，它采用了一种与大多数传统逆算法完全不同的方法
他们证明了新方法在两个问题上的性能，弱散射和强散射条件下的有限角度层析成像
根据物体散射的程度，确定问题的复杂性
通常情况下，硬x光用于成像大多数材料，包括生物组织，射线可以很好地近似为直线，没有大的偏差，因为材料弱散射光
当光线被具有复杂结构的物体更强烈地散射时，复杂性的下一个层次就出现了
麻省理工学院的团队表示，他们的方法利用“机器学习来重建与散射类型无关的三维折射率”
" “我们的动机是，随着照明角度的改变，光穿过相同的散射体积，但散射事件，无论强弱，遵循不同的顺序
与此同时，从新的照明角度获得的原始图像给断层摄影问题增加了信息，但是该信息受到先前获得的图案的限制
我们认为这类似于一个动态系统，随着时间的推移和新的输入的到来，输出受到早期输入历史的限制，”他们补充道
递归神经网络(RNN)架构是他们的选择，以实现他们的想法，将有限角度断层成像问题视为一个动态系统，因为递归神经网络通常用于动态处理数据
在这里，麻省理工学院的团队也将他们的原始图像视为一个序列，因为图像是一个接一个地获得的
他们注意到“我们的RNN建筑不断地处理原始图像，使得从一个新的角度得到的每一幅原始图像都比从以前的角度得到的重建图像有所改进
" “新方法在我们处理的两个问题(弱(氡)和强散射下的层析成像)中的性能表明，它有望用于许多其他同等或更具挑战性的反问题
因此，我们预计这份出版物将产生重大影响，超出我们在这里讨论的直接背景
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
