撰稿：蔡淼

近日，來自麻省理工學(xué)院的George Barbastathis團隊，報告了一種能夠在縮減掃描角度的情況下，通過深度學(xué)習(xí)的方法，快速實現(xiàn)納米尺寸下的三維成像的方案。這一研究成果對三維成像技術(shù)的進一步發(fā)展具有極高的學(xué)術(shù)與應(yīng)用價值。

該文章發(fā)表在eLight，題為“Three-dimensional nanoscale Reduced-Angle Ptycho-tomographic Imaging with Deep learning (RAPID)”。Ziling Wu為論文的第一作者與通訊作者，George Barbastathis為論文的共同通訊作者。

納米尺度的三維成像對生物學(xué)和材料動力學(xué)研究具有極其重要的意義，包括探查病毒功能，結(jié)構(gòu)損傷，納米電子學(xué)等。一種常見的納米尺度三維成像方案是破壞性地操作，即固定化樣品，用粒子束精細(xì)蝕刻頂層，用掃描電子顯微鏡或類似的高分辨率方法對顯示的特征成像，并重復(fù)這個過程，直到整個樣品體積被消耗。然而，在許多應(yīng)用中，我們更需要非破壞性成像，因此斷層掃描成像技術(shù)應(yīng)運而生。

然而，斷層掃描成像技術(shù)面臨著兩個主要的瓶頸：

1、是隨著特征尺寸接近其輻射波長，衍射和散射效應(yīng)對圖像保真度的影響也隨之增大；

2、宏觀體積內(nèi)的可分辨三維元素（體素）的數(shù)量會變得非常大。

隨著我們對分辨率需求的提升，納米尺度上的三維斷層成像也變得更加具有挑戰(zhàn)性。因此，如果能找到一種成像方案，有效解決這兩個問題，并同時實現(xiàn)高速的納米尺度的三維成像，無疑對于生物學(xué)、材料學(xué)等學(xué)科的研究具有極其重要的作用。

對于納米尺寸下的非破壞性三維成像，硬X射線是最理想的光源之一，因為它們同時具有長穿透深度和短波長。在納米尺度的情況下，X射線斷層掃描通常是通過疊層掃描（ptychography）尋找復(fù)雜的場，然后再進行斷層掃描。這種組合方案也被稱為疊層X射線斷層成像（ptycho-tomography）。

疊層X射線斷層成像的圖像重建過程包含兩個步驟：首先使用相位恢復(fù)算法從遠(yuǎn)場衍射圖案中檢索二維投影，然后實施層析重建以從中恢復(fù)三維對象的實部和/或虛部。然而，這需要大量的數(shù)據(jù)冗余，通常會導(dǎo)致采集和處理時間較長。

本研究在計算上結(jié)合了疊層和斷層成像重建過程，以提高在有限角度數(shù)據(jù)采集情況下的圖像重建質(zhì)量。研究團隊利用深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network, DNN），成功縮減了疊層X射線斷層成像中所需的角度范圍，并且提升了成像速度，減少了計算的時間需求（圖1）。

圖1：成像方案示意圖。（a）通過轉(zhuǎn)移與旋轉(zhuǎn)掃描來收集衍射模式數(shù)據(jù)的縮減角度的層析成像實驗。原始衍射模式經(jīng)過預(yù)處理后作為預(yù)訓(xùn)練網(wǎng)絡(luò)的輸入，并獲得重建三維分布作為最終輸出。（b）網(wǎng)絡(luò)訓(xùn)練過程。從縮減角度的層析成像實驗中獲取的衍射模式已進行預(yù)處理，以作為網(wǎng)絡(luò)輸入，并采用常規(guī)方法來生成高分辨率的黃金標(biāo)準(zhǔn)（golden standard，GS）作為用于訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)（DNN）的真實信息。

圖2：對于相同的測試體，不同掃描策略之間的定量比較

圖3：RAPID成像方案在Nθ=21個角度，成像角度在θ=140.8°范圍內(nèi)的條件下進行成像及與其他方案的定量比較

同時，由于傳統(tǒng)的DNN結(jié)構(gòu)在訓(xùn)練過程中可能引入過多的參數(shù)，研究團隊在DNN網(wǎng)絡(luò)結(jié)構(gòu)中進一步采用了不同結(jié)構(gòu)的空洞卷積模塊，有效的解決了這一問題（圖4）。

圖4：不同網(wǎng)絡(luò)架構(gòu)的重建結(jié)果之間的定量和定性比較

這一研究成果為納米尺度下的三維成像技術(shù)的進一步發(fā)展，提供了新的思路，并且對生物成像，材料學(xué)研究等領(lǐng)域，都具有極其重要的作用。

| 論文信息 |

Wu, Z., Kang, I., Yao, Y. et al. Three-dimensional nanoscale reduced-angle ptycho-tomographic imaging with deep learning (RAPID). eLight 3, 7 (2023). 

https://doi.org/10.1186/s43593-022-00037-9

閱讀原文