IRXCT: Iterative Reconstruction and visualization application for X-ray Computed Tomography
D Trinca, R Madureira
本报告描述了用于断层扫描任务重建和可视化的IRXCT Windows应用程序。
This report describes the IRXCT Windows application for reconstruction and visualization of tomography tasks.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
继续探索
Visualization of fully connected layer weights in deep learning CT reconstruction
近年来，利用深度学习技术重建计算机断层扫描（CT）图像已成为研究热点，包括正弦图域方法、图像域方法和正弦图域到图像域方法。所有这些方法都取得了良好的效果。在这篇文章中，我们研究了在正弦图域到图像域的方法中使用的全连接层的重要功能。首先，我们提出了一个简单的域映射神经网络。然后，我们分析了这些网络的全连接层的作用，并直观地分析了全连接层的权重。最后，通过可视化全连接层的权重，我们发现全连接层的主要作用是实现CT重建中的反投影功能。这一发现对使用深度学习技术重建计算机断层扫描（CT）图像具有重要意义。例如，由于全连接层权重需要消耗巨大的内存资源，因此可以使用解析算法来实现反投影函数，以避免资源占用，可以嵌入整个网络。
Computed Origami Tomography
本文提出一种基于折纸和光透射的简易层析成像实验装置及配套数据与软件，并扩展至模拟单颗粒冷冻电镜数据，帮助理解层析重建原理与实践难点。
Task-specific Performance Prediction and Acquisition Optimization for Anisotropic X-ray Dark-field Tomography
各向异性X射线暗场层析成像（AXDT）是最近开发的成像模式，其使得能够使用基于实验室的X射线光栅干涉仪设置来可视化定向微结构。虽然有非常有前途的应用场景，例如在纤维复合材料的材料测试或脑细胞连接的医学诊断中，但由于对各向异性X射线散射函数进行完全采样所需的复杂且耗时的采集，AXDT在实用性方面面临挑战。然而，根据手头的具体成像任务，可能不需要完全采样，从而减少采集。在这项工作中，我们正在研究的性能预测方法AXDT使用特定任务的可检测性指数。基于这种方法，我们提出了一个任务驱动的采集优化方法，使减少采集方案，同时保持特定于任务的图像质量高。通过仿真和实验数据验证了该方法的可行性和有效性。
X-GRM: Large Gaussian Reconstruction Model for Sparse-view X-rays to Computed Tomography
X-GRM提出一种大型前馈模型，结合可扩展Transformer与基于体素的高斯溅射表示，从稀疏视图X射线高效重建高质量3D CT体积，适用于域内外输入。
Deep learning-enabled image quality control in tomographic reconstruction: Robust optical diffraction tomography
在断层摄影重建中，重建图像的图像质量可能由于测量的二维（2D）原始图像数据中的缺陷而显著降低。尽管筛选有缺陷的2D图像的重要性，强大的断层重建，人工检查和基于规则的自动化遭受低吞吐量和准确性不足，分别。在这里，我们提出了基于深度学习的全息数据质量控制，以产生鲁棒和高吞吐量的光学衍射断层扫描（ODT）。其关键思想是将专家的知识提取到深度卷积神经网络中。我们建立了一个广泛的光场图像数据库，其中包含干净/嘈杂的注释，然后根据数据训练了一个二进制分类网络。经过训练的网络优于非专家用户的视觉检查和广泛使用的基于规则的算法，测试准确率> 90%。随后，我们证实，优越的筛选性能显着提高断层图像的质量。为了进一步确认训练模型的性能和可推广性，我们对使用未用于生成训练数据集的设置获得的看不见的生物细胞数据进行了评估。最后，我们使用各种可视化技术解释训练模型，这些技术提供了每个模型推理的显着性图。
Single-shot Tomography of Discrete Dynamic Objects
针对动态断层成像中各时间点测量有限的问题，提出融合时空信息的变分框架，结合水平集方法与正弦基运动表示，实现单投影下高分辨率离散动态物体重建，性能优于现有方法。
Noise2Filter: fast, self-supervised learning and real-time reconstruction for 3D Computed Tomography
在同步加速器光源的X射线光束线处，物体内部的3D断层成像的可实现的时间分辨率已降低到几分之一秒，从而能够检查快速变化的结构。相关联的数据采集速率需要相当大的计算资源用于重建。因此，通常在扫描完成后执行对象的全3D重建。准3D重建-其中计算几个交互式2D切片而不是3D体积-已被证明效率更高，并且可以实现内部的实时重建和可视化。然而，准3D重建依赖于滤波反投影型算法，其通常对测量噪声敏感。为了克服这个问题，我们提出了Noise 2Filter，这是一种学习滤波器方法，可以只使用测量数据进行训练，并且不需要任何额外的训练数据。该方法结合了准3D重建，学习滤波器和自监督学习，以获得一种可以在一分钟内训练并实时评估的断层重建方法。与使用额外训练数据的训练相比，我们显示出有限的准确性损失，并且与基于标准过滤器的方法相比，准确性有所提高。
Innovative Integration of 4D Cardiovascular Reconstruction and Hologram: A New Visualization Tool for Coronary Artery Bypass Grafting Planning
本研究开发了一套融合4D心血管重建与全息技术的CABG术前规划可视化工具，经外科医生评估和临床对比验证，实用性强且粘连评估准确性高，可为术前规划提供有效支持。
A Self-Supervised Approach to Reconstruction in Sparse X-Ray Computed Tomography
计算机断层扫描推动了从生物学到材料科学等领域的科学进步。该技术允许通过相对于射束以不同旋转穿过对象的X射线的衰减来阐明三维内部结构。通过对2维投影成像，可以通过计算算法重建3维对象。在更大数量的旋转角度下成像允许改进的重建。然而，进行更多的测量会增加X射线剂量，并可能导致样品损坏。深度神经网络已被用于通过在已知相似对象的数据集上训练来将稀疏2-D投影测量变换为3-D重建。然而，为训练数据集获得高质量的对象重建需要高X射线剂量测量，这可能在成像完成之前破坏或改变标本。这就变成了一个先有鸡还是先有蛋的问题：没有深度学习就无法生成高质量的重建，而没有重建就无法学习深度神经网络。这项工作开发并验证了一种自监督概率深度学习技术，即物理信息变分自编码器，以解决这个问题。仅由来自每个对象的稀疏投影测量组成的数据集用于联合重建集合的所有对象。这种方法有可能允许可视化的脆弱的样品与X射线计算机断层扫描。我们在https://github.com/vganapati/CT_PVAE上发布了用于复制结果的代码。
TomoGRAF: A Robust and Generalizable Reconstruction Network for Single-View Computed Tomography
针对超稀疏视图CT重建难题，提出结合X射线传输物理的TomoGRAF框架，无需先验即可从单视图重建高质量3D体积，在未见数据集上性能大幅超越现有深度学习和NeRF方法。
Limited Angle Tomography for Transmission X-Ray Microscopy Using Deep Learning
在透射X射线显微镜（TXM）系统中，扫描样品的旋转可能被限制在有限的角度范围内，以避免与其他系统部件碰撞或在某些倾斜角度下的高衰减。从这样的有限角度数据进行的图像重建由于缺失数据而遭受伪影。在这项工作中，深度学习首次应用于TXMs中的有限角度重建。为了获得足够的真实数据进行训练，研究了从合成数据训练深度神经网络。特别地，U-Net是生物医学成像中最先进的神经网络，从合成椭球数据和多类别数据中训练，以减少滤波反投影（FBP）重建图像中的伪影。在$100^\circ$有限角度层析成像中，对合成数据和实际扫描数据进行了评价。对于合成的测试数据，U-网络显着降低均方根误差（RMSE）从$2.55 \times 10^{-3}$ μm $^{-1}$在FBP重建到$1.21 \times 10^{-3}$ μm $^{-1}$在U-网络重建，也提高了结构相似性（SSIM）指数从0.625到0.920。通过对测量投影进行惩罚加权最小二乘去噪，RMSE和SSIM分别进一步提高到$1.16 \times 10^{-3}$ μm $^{-1}$和0.932。实验结果表明，该方法能有效地提高细胞亚细胞结构的三维可视化效果，对生物学、纳米科学和材料科学等领域的纳米尺度成像具有重要的应用价值。
$μ$NeuFMT: Optical-Property-Adaptive Fluorescence Molecular Tomography via Implicit Neural Representation
本文提出自监督FMT重建框架μNeuFMT，通过联合优化荧光分布与光学特性，在无需精确先验或训练数据的情况下实现稳健准确的重建，并在多种验证中优于现有方法。
Dynamic Compressed Sensing for Real-Time Tomographic Reconstruction
随着压缩传感技术的最新进展，电子断层扫描在减少剂量的情况下实现了更高的分辨率和质量。压缩感知（CS）理论利用固有的稀疏信号结构，从欠采样测量中有效地重建纳米级的三维（3D）体积。然而，该过程的计算时间从几个小时到几天，使3D重建成为瓶颈。在这里，我们展示了一个动态压缩传感的框架，产生一个3D的标本结构，实时更新新的标本投影收集。研究人员可以在收集数据时开始解释3D标本，以促进高通量和交互式分析。使用扫描透射电子显微镜（STEM），我们表明，动态压缩传感加快收敛速度的3倍，同时也减少了27%的Au/SrTiO 3纳米粒子试样的误差。在断层扫描实验完成之前，3D断层图像在完成的33%内具有可解释的结构，并且早在66%时就可以看到精细的细节。实验完成后，立即生成高保真3D可视化。此外，可以在整个计算过程中操纵调整数据保真度的重建参数，而无需重新运行整个过程。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈
发表机构由 AI 从论文文本抽取，如发现错误，欢迎反馈修正建议。