将x射线显微镜与先进的重建工具箱的下一个水平

在本次采访中，卡尔蔡司的科学家马修·安德鲁（Mathew Andrew）向亚速姆介绍了XRIDIA 3D X射线显微镜（XRM）的概念，以及他们如何将X射线显微镜的产品系列提升到一个新的水平。

你能告诉我们关于X射线三维X射线显微镜（XRM）的概念吗？

如果你想以非常高的分辨率拍摄图像，你有一些不同的选择，这取决于你想做什么和你想做的方式。大多数人都熟悉传统的光学显微镜，通常将样品打磨成块或切成薄片。

这些制备的样品只在二维空间中成像。你把它切开了，它很薄。基本上，你在调查之前或多或少地破坏了样本。当然也有一些例外，比如在活体和非侵入性的情况下使用3D显微镜，或者使用3D成像系统，如共焦或光片显微镜，但大多数情况下你都局限于2D。

你可以用电子显微镜获得非常高的分辨率，低至纳米，甚至更低的空间分辨率。然而，这再一次只是二维的。因此，挑战依然存在；我们如何在三维图像中对事物进行成像，并且（甚至更具挑战性的）在不打开它们的情况下对它们进行成像。如果你想想日常生活，这个挑战也会呈现在你面前。当你进入医院时，一种常用的诊断技术被称为CAT或CT扫描。之所以使用这种方法，是因为另一种选择是探索性手术，从某个区域提取一块，然后将其放在切片上，然后放在光学显微镜下。这就是所谓的活组织检查，非常有用，但具有侵入性，并具有后续风险。大多数情况下，侵入性手术是不可行的，因此可以使用X射线。众所周知，X射线可以穿透组织，而CT可以用于三维成像。如果我们想在非常高的分辨率下实现这一点，这被称为“microCT”；与毫米级（现代医学CT可以做得更好）不同，我们使用的是微米级（甚至更低）。

为了实现这一点，不像临床CT中那样让X射线源和探测器围绕你旋转，而是让X射线源和探测器保持静止，样本进入仪器并旋转。X射线图像是以等间距的角度增量获取的，从中我们重建了一个三维体积。

x射线成像的基本优势是它是非侵入性的——它允许你成像物体内部深处的结构。材料表征和分析的主要挑战在于当复杂过程发生时成像欧洲杯足球竞彩的能力原位（实验）以及跨多个尺度对复杂结构成像的能力。蔡司XRIDIA系统的独特之处在于，它不是一台微型计算机，而是一台X射线显微镜。X射线显微镜和microCT的最大区别在于X射线的探测方式。在microCT中实现放大的方法是通过基于投影的放大——将样品放置在离X射线源非常近的位置，X射线像电影放映机上的光线一样发散到大型X射线探测器上。这是非常有用的，但也有一些很大的缺点，主要是您需要能够将样本移到靠近源的位置。蔡司Xradia系统具有二次放大功能，使其独一无二。它们是商业上唯一在探测器上具有这种二次放大的系统。我们将X射线转换为可见光，然后在使用高分辨率CCD相机检测之前，我们将可见光通过光学放大。

它允许你在保持高分辨率的同时在大的物体中成像物体。这是很重要的，如果你想解决那些重大的科学挑战，比如多尺度和原位鉴定。原位表征是指材料内部实时发生的过程的成像。例如，也许我想得到一个碳纤维复合材料，然后对它施加压力，压缩，拉伸，加热，或者冷却。也许我想研究流体通过多孔材料或经过充放电循环的电池欧洲杯足球竞彩的流动。

随着这些事情变得越来越复杂，所需的设备也越来越先进。类似地，在分析复杂的多尺2020欧洲杯下注官网度结构时，必须能够放大大样本中的指定区域。在这两种情况下，感兴趣区域之外的材质都会阻止您将样本靠近源放置，从而限制几何放大。然而，在X射线显微镜内，通过二次放大，可以保持高分辨率。

这种方法的缺点是，它有时会导致长时间的获取时间，特别是当您正在处理这些复杂的工作流程时，并且噪音水平可能相当高。解决这些问题是我们今天要讨论的，我们可以使用先进的算法来减少图像伪影和噪声，加快采集速度，并改善图像质量。

3D重建包括什么?

任何x射线成像设备的三个主要组成部分是x射线源，x射线探测器，以及两者与样品之间的相对旋转。在我们的例子中，我们有一个旋转的样本阶段，我们通过一系列等间距的角度增量来旋转样本，例如移动360度。在每一个增量，通常小于每增量的度数，我们将获得一个新的投影，曝光相机，并拍摄一个新的图像。每个投影都是被成像的3D物体的“压缩”2D版本，因为x射线通量通过它并沿着它消散，代表了组成该物体的不同材料密度。

每个2D投影本身并不是很有用，但是整个角度投影集会进入一个重建算法，给你一个样本的三维表示。它是将在角域中获得的数据转换为XYZ三维域。所需的转换本质上是相当复杂的，需要数以百万计的数学运算，不可能由人手完成，并且需要使用强大的计算机，因此得名“Computed Tomography”或CT。最常用的算法是基于分析过滤的反投影方法，也称为Feldkamp-Davis-Kress或FDK重构。它的主要优点是计算效率高，但是当优先考虑图像质量和快速采集时，它的性能就不太好。今天，在介绍ZEISS高级重建工具箱的同时，我们将展示另外两种重建技术——ZEISS OptiRecon(基于模型的迭代重建的实现)和ZEISS DeepRecon(用于重建的深度学习人工智能(AI)的实现)。

您能给我们介绍一下蔡司高级重建工具箱（ART）平台吗？

高级重建工具箱是一个总括术语，用于指与传统分析重建相比，允许高级数据采集和精确图像重建的一系列工具。今天，我们将介绍两个主要组成部分，然而，这是我们不断创新的领域，因此请确保您密切关注未来将出现的更多内容！

这两个组件被称为OptiRecon和DeepRecon。OptiRecon是一种迭代重建的实现，它允许在保持图像质量的同时将吞吐量提高4倍，或者在相同的吞吐量下提高图像质量。DeepRecon是深度学习在重建过程中的第一个商业化实现，它在吞吐量和图像质量方面都有极大的好处。这是一个数量级的吞吐量改进，或增加了10倍。

当谈到ART的第一个版本时，它的目标是什么XRM性能属性，这些技术创新能否将x射线显微镜的应用提升到下一个水平?

X射线成像设备的性能是一个多头野兽，具有分辨率、对比度、吞吐量、样本大小或视野等维度。对于这一版本的艺术，我们的目标是图像质量和吞吐量。在最简单的层面上，XRM中的性能可以看作是分辨率、吞吐量和图像质量之间的三方权衡。如果您想提高图像质量，您必须权衡分辨率或吞吐量。这些技术的要点是，它们允许您改进整个性能范围，而无需进行权衡。由于图像质量和吞吐量通常是同一枚硬币的两面，您可以使用两种重建技术（OptiRecon和DeepRecon）来提高吞吐量，同时保持图像质量不变，或者在保持吞吐量不变的情况下提高图像质量。

应该注意的是，这些算法也是对硬件改进的补充。例如，去年我们推出了新的600系列Versa。这包括多次更新，使吞吐量提高了2倍，但硬件的这些增量颗粒应与X射线采集工作流程的其余部分的改进相称，使软件和算法开发同等重要。

在ART的第一个版本中，你将同时启动OptiRecon和DeepRecon。它们是什么?它们之间有什么区别?

在层析成像中最常见的是，分析重建在一次过程中创建一个图像：我们对投影进行加权和过滤，然后使用一种称为逆Radon变换的技术将其反向投影到体积域，该技术基本上只是将所有投影在不同角度的线积分相加。该技术快速且易于实现，但其背后的数学理论对采集的数据施加了高标准，这在实践中很难实现。

相比之下，OptiRecon是迭代重构的实现，允许吞吐量提高四倍。迭代重构通过一系列迭代建立一个重构体。我们取这个体积(初始估计可以设置为任意值)，对它进行前向投影，然后将正向投影结果(模型投影数据集)与测量的图像投影数据集进行比较。然后，经过一系列的多次迭代，我们建立三维体积，以最佳地拟合真实投影数据集和模型投影数据集。

使用这种方法的优点是，当我说比较时，它涵盖了各种各样的罪恶。“比较”实际上意味着您使用非常复杂的损失和正则化函数，这些函数建立在关于我们的仪器工作方式的明确知识中。第一台蔡司XRIDIA Versa XRM是9年前发布的，在此之前很久我们就在生产X射线成像系统。通过这段时间，我们已经了解了很多关于我们的仪器显示噪音和人工制品的方式，我们可以明确地将这些知识构建到重建过程中。这使我们能够消除大多数图像退化因素，从而实现更快的采集时间或更高质量的图像。

尽管人类对X射线成像了解很多，并将这些知识应用到实践中，但计算机也可以做到同样的事情，甚至做得更好，因为它们可以在数小时内回顾和学习数百万张CT图像。蔡司DeepRecon是首款商用深度学习（AI）技术，用于XRM图像重建。它的工作方式是通过训练一系列卷积神经网络，在将数据呈现在体积域之前，数据必须作为重建过程的一个组成部分通过这些网络。这些网络在一个数据集上进行训练时会同时去除图像伪影和噪声，而最适合的网络是在去除所有噪声的同时恢复所有特征的网络。这最终工作得很好，这就是为什么我们获得了极高的性能优势（在可比的图像质量下，采集时间最多快10倍）。

迭代如何记录指令，如OptiRecon，工作，以及如何利用它?

迭代重建通过多次迭代建立三维模型来工作。它获取一个体积，对其进行正向投影，构建一个模型投影数据集，然后在每次迭代时，使用损失函数将其与实际投影数据集进行比较。这样，我们就可以明确了解仪器的噪声行为或其伪影行为。

相对于DeepRecon，它最大的优点是在实现之前不需要对模型进行任何预训练。它可以在没有任何预先信息的情况下采集数据，提高图像质量。

DeepRecon模型必须经过培训，因此它们最好针对重复的工作流程，在重复的工作流程中，同一个样本被一次又一次地成像。在这种情况下，网络必须只训练一次，但可以在多个样本上应用多次。

为什么你认为DeepRecon是第一个商业化的x射线显微镜深度学习重建技术?在开发过程中是否有需要克服的障碍?

构建深度学习技术的一大挑战是生成模型的泛化性。当你训练一个深度学习模型时，它是在一个特定的训练集上训练的。我们在实现和开发这一技术方面做了大量工作，以便在特定的示例类中实现尽可能通用的模型。

在蔡司，我们总是努力向前看，深入学习和人工智能已经成为几年来的焦点。然而，它是相对较新的，它在显微镜上的应用更是如此，许多公司的技能和重点不一定是针对这项技术。我认为，像这样的新技术需要一段时间才能融入到特定的行业和特定的应用中，从而进入广泛可用的商业产品。

迭代重建作为一个研究领域已经有很长的时间了，所以越来越多的人意识到了这一点。在实施过程中，我们面临的挑战更多——我们如何将技术纳入一个对普通用户合理（即不需要超级计算机）且参数优化直观且用户友好的包中。

在我看来，神经网络的深度集成，特别是显微镜的深度学习，将是它的下一大前沿。我认为，在这一技术和技术领域，还有很多路要走，不仅仅是在X射线领域，而是在整个成像光谱领域。这是我们的第一次尝试——我预计蔡司将在这一领域推出更多的技术，如果从长远来看，其他制造商决定效仿我们，我也不会感到惊讶。

你能给我们介绍一下工具箱即将发布的新技术吗?你能告诉我们卡尔·蔡司的未来会是什么样子吗?

蔡司是一家大公司;从测量仪器到显微镜再到天文馆，我们什么都做。本质上，如果它有一个镜头，我们会建造它。这个ART版本的目标是解决常见的XRM特定工件。更普遍地说，这些方法、算法和网络可以使用工作流来实现和训练，以完成一系列的事情，从提高分辨率和对比度到去除伪影，再到图像分割和分类。它们不仅仅是特定于x射线的，而且可以应用于我们的整个投资组合。它们还可以实现我们所说的相关工作流。这是整合不同的工具，成像不同的东西，并使用机器学习、人工智能和高级算法将它们连接在一起。我相信，它们代表着科学分析的下一个重大飞跃，所以，如果你在未来的几个月或几年里从蔡司那里听到更多关于这些主题的消息，不要感到惊讶!

关于马修·安德鲁博士。

马修·安德鲁目前是卡尔蔡司的研究科学家。安德鲁博士获得了博士学位。来自伦敦帝国理工学院地球科学与工程系。他在这些主题上发表了大量文章，包括他的博士学位。论文，“多相流储层条件孔隙尺度成像”欧洲杯线上买球