将x射线显微镜与先进的重建工具箱的下一个水平

在这次采访中，来自卡尔蔡司的科学家马修安德鲁与AZoM谈论了Xradia 3D x射线显微镜(XRM)的概念，以及他们如何将x射线显微镜的产品范围提升到下一个水平。

您能给我们介绍一下Xradia 3D x射线显微镜(XRM)的概念吗?

如果您想要以非常高分辨率图像图像，您可以为您提供一些不同的选项，具体取决于您想要做的以及您想做的方式。最常见的是人们熟悉传统的光学显微镜，通常样品被抛光为块或切成薄片的块。

然后仅在两个维度上成像这些制备的样品。你已经切了它，它很薄。基本上，在调查之前，您或多或少地销毁了样本。这有一些例外，例如在体内和非侵入性的3D显微镜，或者使用3D成像系统，如共聚焦或光纸显微镜，但大多数通常您都仅限于2D。

你可以用电子显微镜得到非常高的分辨率，低到一纳米，甚至更低的空间分辨率。同样，这只是2D。因此，挑战依然存在;我们如何在3D图像和(更有挑战性的)图像他们不切割他们。如果你想想日常生活，这个挑战也会出现在你面前。当你进入医院时，一种常用的诊断技术被称为CAT或CT扫描。使用这个是因为另一种选择是探索性手术，从特定区域取出一块，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，但它是有创的，会带来后续风险。大多数侵入性手术不是一个可行的选择，所以可以使用x光。众所周知，x射线可以透视组织，而CT可以用于三维成像。 If we want to do this at very high resolution, this is called “microCT”; rather than the millimeter scale (modern medical CTs can do a bit better than this) we go down to the micron scale (or even lower).

为了实现这一目标，而不是在临床CT中发生在您周围旋转X射线源和探测器，您将静置和检测器保持静止，并且样品进入仪器并旋转。以等间隔的角度增量获取X射线图像，并且从该开始，我们重建了三维体积。

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亚博网站下载的能力原位以及跨多个尺度对复杂结构进行成像的能力。蔡司x射线系统的独特之处在于，它不是微型ct，而是x射线显微镜。x射线显微镜和微ct的最大区别在于x射线的检测方式。microCT的放大方式是通过基于投影的放大——将样品放置在非常接近x射线源的地方，x射线就像胶片放映机的光线一样发散到一个大的x射线探测器上。这是非常有用的，但也有一些很大的缺点，其中的原则是您需要能够将示例移动到靠近源的地方。蔡司Xradia系统具有二次放大功能，使其独一无二。他们是唯一的商业可用的系统，在探测器上有这种二次放大。我们把x射线转换成可见光，然后把可见光通过光学放大，然后用高分辨率CCD相机检测。

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，比如多尺度和原位特征。原位表征指的是在材料中实时发生的过程的成像。亚博网站下载例如，也许我想要一个碳纤维复合材料，给它加压，压缩，拉，加热，或冷却。也许我想研究流体在多孔材料中的流动，或者是一个经过充放电循环的电池。亚博网站下载

随着这些事情变得更加复杂，所需的设备可以获得更高级的。app亚博体育类似地，在分析复杂的多尺度结构时，必须能够在大型样本内的指定区域中放大。在这两种情况下，兴趣区域之外的材料可防止您将样品放置在源上，限制几何放大率。然而，您可以在X射线显微镜内具有高倍放大率的高分辨率。

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重建涉及什么？

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)。

您能否向我们介绍蔡司高级重建工具箱（ART）平台？

与传统的分析重建相比，高级重建工具箱是一个总括性术语，指的是用于实现高级数据采集和精确图像重建的一整套工具。今天，我们将展示两个主要的组件，然而，这是我们不断创新的领域，所以请确保您保持关注更多的东西在未来出现!

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射线成像设备中的性能是一个多头野兽，尺寸如分辨率，对比度，吞吐量，样本大小或视野。对于本领域的释放，我们瞄准图像质量和吞吐量。在其最简单的级别，XRM中的性能可以在分辨率，吞吐量和图像质量之间被视为三向权衡。如果要提高图像质量，则必须进行权衡分辨率或吞吐量。这些技术的重点是，他们允许您改善整个性能信封，而不进行权衡。由于图像质量和吞吐量通常是同一硬币的两侧，您可以使用重建技术（Optirecon和Deprecon）来提高吞吐量，同时保持图像质量常数或提高图像质量，同时保持吞吐量常数。

值得注意的是，这些算法是硬件改进的补充。例如，在去年，我们推出了新的600系列Versa。这包括多次更新，允许多达2倍的吞吐量改进，但这些硬件上的增量粒度应该与x射线采集工作流程的其余部分的改进相适应，使得软件和算法开发同样重要。

在艺术的第一个版本中，您正在推出Optirecon和Deeprecon。他们是什么，它们如何彼此不同？

在断层图像中最常见的是，分析重建在单个通行证中创建图像：我们重量并过滤投影，然后使用称为逆向氡变换的技术将它们返回到音量域中，这基本上只是增加了从所有的角度都有突起。这种技术快速且易于实现，但后面的数学理论对所获得的数据施加了高标准，这很难在实践中实现。

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。

使用这种方法的优势在于，当我说比较时，它涵盖了各种罪。“比较”实际上意味着您使用非常复杂的损失和正则化功能，这些功能与我们的仪器工作方式的明确知识建立。第一个Zeiss Xradia Versa XRM于9年前发布，我们在此之前长期进行了X射线成像系统。通过这次我们对我们的仪器表现出噪音和人工制品的方式来了解了很多关于，我们可以将这些知识明确构建到重建过程中。这使我们能够消除大部分图像劣化因子，允许更快的采集时间或更高的质量图像。

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，但计算机可以做同样的事情，甚至做得更好，因为它们可以在数小时内查看和学习数以百万计的CT图像。ZEISS DeepRecon是深度学习或人工智能在XRM图像重建中的第一个商业化实现。它的工作方式是通过训练一系列卷积神经网络，在数据出现在体积域之前，数据必须作为重建过程的一个组成部分通过这些神经网络。这些网络去除图像伪影和噪声，当它们在数据集上训练时，最佳拟合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大的性能优势(在相同的图像质量下，可提高10倍的采集时间)。

迭代reco如何重新DIDSCRACT，如OPTIRECON，WORK，以及如何使用它？

迭代重建是通过多次迭代建立三维模型来完成的。它取一个体积，向前投影它，建立一个模型投影数据集，然后在每次迭代时，用损失函数将其与真实的投影数据集进行比较。这样我们就可以对乐器的噪声行为或人为行为建立明确的知识。

它相对于Deeprecon的重要优势是它不需要在实施之前任何预先训练模型。它可以在没有关于样本的任何预先信息的情况下采取数据，并提高图像质量。

DeepRecon模型必须经过训练，所以它们最适合用于重复的工作流程，即反复成像相同的样本。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是第一个用于X射线显微镜的商业深度学习重建技术？在发展过程中是否必须克服任何障碍？

建设深度学习技术的挑战之一是所产生模型的普遍性。当您培训深度学习模式时，它会在特定的培训集中培训。我们在执行和开发方面做了很多工作，以允许该技术，并在特定的示例类中实现尽可能一般的模型。

在蔡司，我们一直努力向前看，多年来，深度学习和人工智能一直是我们的重点。然而，这是相对较新的技术，它在显微镜上的应用更是如此，许多公司的技术和重点并不一定是面向这项技术的。我认为，像这样的新技术需要一段时间才能被消化到特定的行业和特定的应用程序中，使其成为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时间了，所以越来越多的人意识到了它。挑战更多的是在实现中——我们如何将技术整合到一个对普通用户来说合理的包中(即不需要超级计算机)，并且参数优化是直观的和用户友好的。

在我看来，神经网络的深度整合通常和深入学习专门为显微镜学习将是下一个大边疆。我认为这项技术和技术课程中仍有许多道路，而不仅仅是在X射线中，而是穿过成像谱。这是我们的第一次foray - 我会期待在这一领域的蔡司中出现了更多的技术，如果在长期其他厂商决定遵循我们的领先地位，我就不会感到惊讶。

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;我们尽一切从测量机器到Planetariums的显微镜。基本上，如果它有镜头，我们将建立它。该释放艺术旨在解决常见的XRM特定工件。更一般地，可以使用工作流来实现和训练这些方法，验证，以完成整个东西，从提高分辨率和对比，以将文物移除到图像分割和分类。它们不仅仅是X射线，可以应用于我们的整个投资组合。他们还可以启用我们所谓的相关工作流程。这是集成不同的工具，成像不同的东西，并使用机器学习，AI和高级算法将它们连接在一起。他们代表，我相信，在科学分析中的下一个巨大的飞跃，所以如果你在这个月份和年份的这些主题中听到了更多的话，那么不要感到惊讶！

关于马修·安德鲁博士

马修·安德鲁(Matthew Andrew)目前是蔡司(Carl Zeiss)的研究科学家。他获得了伦敦帝国理工学院地球科学与工程系的博士学位。亚博老虎机网登录他在这些主题上发表了大量文章，包括他的博士论文《储层条件下多相流孔隙尺度成像》。