基于数据一致性扩散先验的层析X射线纳米成像中的先进脑组织成像
Advanced Brain Tissue Imaging with Data-Consistent Diffusion Priors in Laminographic X-Ray Nanoimaging
- École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
- Paul Scherrer Institute（保罗·谢勒研究所）
- The Francis Crick Institute（弗朗西斯·克里克研究所）
- Mineral Resource CSIRO（澳大利亚联邦科学与工业研究组织矿产资源部）
- ESRF, The European Synchrotron（欧洲同步辐射光源）
机构由 AI 辅助整理，请以论文原文为准。
AI总结：
针对X射线层析成像中缺失锥导致的伪影问题，提出LUCID框架，结合多视图扩散先验与投影域数据一致性，在模拟和实验数据上显著提升空间保真度并恢复缺失傅里叶信息。
AI中文摘要：
哺乳动物大脑的纳米级成像对于连接组学至关重要。X射线层析成像能够对延伸的、板状的生物样本进行高通量成像。然而，倾斜的采集几何导致傅里叶空间覆盖不完整，产生信息缺失锥。传统重建方法无法恢复锥内未测量的信息，导致伪影扭曲精细的脑结构。虽然解决这些问题需要建模3D结构，但直接的3D深度学习方法受限于数据稀缺和计算成本。这里我们引入LUCID（层析成像与统一一致性扩散），一个将多视图扩散先验与投影域数据一致性相结合的框架。LUCID整合互补的3D结构信息，同时强制与层析成像前向模型严格对齐。在模拟数据集上，LUCID显著提高空间保真度并恢复缺失的傅里叶分量，优于基线方法。应用于实验层析成像数据时，尽管仅在完全采样的断层体积上训练，LUCID仍能稳健泛化，并有效恢复未测量的傅里叶信息。
英文摘要：
Nanoscale imaging of mammalian brains is critical for connectomics. X-ray laminography enables high-throughput imaging of extended, plate-like biological specimens. However, the tilted acquisition geometry leads to incomplete Fourier-space coverage, giving rise to a missing-cone of information. Conventional reconstruction methods cannot recover unmeasured information within the cone, resulting in artifacts that distort fine brain structures. While resolving these requires modeling 3D structure, direct 3D deep learning approaches are limited by data scarcity and computational cost. Here we introduce LUCID (Laminography with Unified Consistent Diffusion), a framework that combines multi-view diffusion priors with projection-domain data consistency. LUCID integrates complementary 3D structural information while enforcing strict alignment with the laminography forward model. On simulated datasets, LUCID substantially improves spatial fidelity and restores missing Fourier components, outperforming baseline methods. Applied to experimental laminography data, LUCID generalizes robustly despite being trained exclusively on fully sampled tomographic volumes, and effectively recovers unmeasured Fourier information.
