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。研究使用的網絡框架分為兩步，如圖1所示。第一步采用一個數(shù)據(jù)驅動網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)物理模型與神經網絡集成在一起，并利用物理一致性損失來指導權重優(yōu)化，使其成為一個未經訓練、可擴展可解釋的重建器。

研究重建結果如圖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。測試結果表明本研究方法相對于受限采樣下的重建方法在結果上有較大的提升且網絡的泛化性極高。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. 網絡重建結果。(a)與訓練集相關度較高的數(shù)據(jù)集重建結果。(b)與訓練集相關度較低的數(shù)據(jù)集重建結果

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