圖1. 概述所提方法的框架

近期，中國科學院上海光學精密機械研究所空天激光技術與系統(tǒng)部研究團隊，提出一種在真實采樣受限燃燒環(huán)境下三維火焰化學發(fā)光光譜計算層析智能重建方案(PIPEN)，相關研究成果以“Physically enhanced neural network based on projection map synthesis for chemiluminescence tomography reconstruction with limited views”為題發(fā)表于Optics Express。

光學計算層析技術以其非侵入性在生物組織成像、工業(yè)檢測等方面得到了廣泛的應用。在通常情況下，獲得投影方向數(shù)的數(shù)量直接決定了后續(xù)算法恢復所能獲得特征信息的上限，然而在實際采集中由于成本、速度等限制能夠獲得的投影方向數(shù)是有限的。三維火焰化學發(fā)光光譜計算層析因其光學非侵入性在鍋爐燃燒污染物監(jiān)測、航空發(fā)動機燃燒診斷等方面得到了充分的關注。

研究團隊以三維火焰化學發(fā)光光譜計算層析為例，開展了采樣受限情況下的層析問題研究。研究使用的網(wǎng)絡框架分為兩步，如圖1所示。第一步采用一個數(shù)據(jù)驅(qū)動網(wǎng)絡學習視角變換映射，通過此步驟可將采集的有限視圖擴充為滿采樣視圖為后續(xù)三維層析重建提供更多可學習特征點。第二步將層析成像系統(tǒng)物理模型與神經(jīng)網(wǎng)絡集成在一起，并利用物理一致性損失來指導權重優(yōu)化，使其成為一個未經(jīng)訓練、可擴展可解釋的重建器。

研究重建結(jié)果如圖2所示，在與訓練數(shù)據(jù)集相關度較高和較低兩類場進行了測試。測試結(jié)果表明本研究方法相對于受限采樣下的重建方法在結(jié)果上有較大的提升且網(wǎng)絡的泛化性極高。本研究在傳統(tǒng)迭代優(yōu)化算法和數(shù)據(jù)驅(qū)動的深度學習方法之間架起了一座橋梁;為受限采樣下的層析重建問題提供了新思路，為更高性能的成像系統(tǒng)與算法開發(fā)提供了基礎，可在低劑量X射線層析成像、磁共振成像(MRI)和光聲層析成像(PAT)等領域應用。

圖2. 網(wǎng)絡重建結(jié)果。(a)與訓練集相關度較高的數(shù)據(jù)集重建結(jié)果。(b)與訓練集相關度較低的數(shù)據(jù)集重建結(jié)果

相關工作得到了國家自然科學基金、上海市科技重大專項、上海市揚帆計劃等基金項目支持。

審核編輯 黃宇