近日，来自麻省理工学院的George Barbastathis团队，报告了一种能够在缩减扫描角度的情况下，通过深度学习的方法，快速实现纳米尺寸下的三维成像的方案。这一研究成果对三维成像技术的进一步发展具有极高的学术与应用价值。

该文章发表在eLight，题为“Three-dimensional nanoscale Reduced-Angle Ptycho-tomographic Imaging with Deep learning (RAPID)”。Ziling Wu为论文的第一作者与通讯作者，George Barbastathis为论文的共同通讯作者。

纳米尺度的三维成像对生物学和材料动力学研究具有极其重要的意义，包括探查病毒功能，结构损伤，纳米电子学等。一种常见的纳米尺度三维成像方案是破坏性地操作，即固定化样品，用粒子束精细蚀刻顶层，用扫描电子显微镜或类似的高分辨率方法对显示的特征成像，并重复这个过程，直到整个样品体积被消耗。然而，在许多应用中，我们更需要非破坏性成像，因此断层扫描成像技术应运而生。

然而，断层扫描成像技术面临着两个主要的瓶颈：

1、是随着特征尺寸接近其辐射波长，衍射和散射效应对图像保真度的影响也随之增大；

2、宏观体积内的可分辨三维元素（体素）的数量会变得非常大。

随着我们对分辨率需求的提升，纳米尺度上的三维断层成像也变得更加具有挑战性。因此，如果能找到一种成像方案，有效解决这两个问题，并同时实现高速的纳米尺度的三维成像，无疑对于生物学、材料学等学科的研究具有极其重要的作用。

对于纳米尺寸下的非破坏性三维成像，硬X射线是最理想的光源之一，因为它们同时具有长穿透深度和短波长。在纳米尺度的情况下，X射线断层扫描通常是通过叠层扫描（ptychography）寻找复杂的场，然后再进行断层扫描。这种组合方案也被称为叠层X射线断层成像（ptycho-tomography）。

叠层X射线断层成像的图像重建过程包含两个步骤：首先使用相位恢复算法从远场衍射图案中检索二维投影，然后实施层析重建以从中恢复三维对象的实部和/或虚部。然而，这需要大量的数据冗余，通常会导致采集和处理时间较长。

本研究在计算上结合了叠层和断层成像重建过程，以提高在有限角度数据采集情况下的图像重建质量。研究团队利用深度神经网络（Deep Neural Network, DNN），成功缩减了叠层X射线断层成像中所需的角度范围，并且提升了成像速度，减少了计算的时间需求（图1）。

图1：成像方案示意图。（a）通过转移与旋转扫描来收集衍射模式数据的缩减角度的层析成像实验。原始衍射模式经过预处理后作为预训练网络的输入，并获得重建三维分布作为最终输出。（b）网络训练过程。从缩减角度的层析成像实验中获取的衍射模式已进行预处理，以作为网络输入，并采用常规方法来生成高分辨率的黄金标准（golden standard，GS）作为用于训练深度神经网络（DNN）的真实信息。

在与已有的多种不同的成像方案进行定量比较后，研究团队提出的这种方案具有更优秀的性能（图2，图3）。

图2：对于相同的测试体，不同扫描策略之间的定量比较

图3：RAPID成像方案在Nθ=21个角度，成像角度在θ=140.8°范围内的条件下进行成像及与其他方案的定量比较

同时，由于传统的DNN结构在训练过程中可能引入过多的参数，研究团队在DNN网络结构中进一步采用了不同结构的空洞卷积模块，有效的解决了这一问题（图4）。

图4：不同网络架构的重建结果之间的定量和定性比较

这一研究成果为纳米尺度下的三维成像技术的进一步发展，提供了新的思路，并且对生物成像，材料学研究等领域，都具有极其重要的作用。

相关论文信息：https://doi.org/10.1186/s43593-022-00037-9

（来源：中国光学微信公众号）