2023年高能所博士后学术交流会

提高中子/x射线CT图像质量是中国散裂中子源(CSNS)双模成像系统能量分辨中子成像光谱仪(ERNI)面临的关键挑战。噪声和伪影的去除是提高图像质量的核心环节。然而，现有的中子/ x射线CT去噪方法大多不能同时处理各种类型的噪声和伪影。为了解决这个问题，我们重点研究了基于深度学习的中子/x射线CT图像的后处理方法，并采用多种技巧来保留原始图像的细节。特别是，我们初步研究了基于ViT风格宏观架构的学习框架的创建，用于低质量CT图像中图像结构的语义表示。随后，我们利用空间注意机制和通道注意机制对上下文关系进行建模，探讨上下文信息的聚合对语义表示的影响。最后，我们对中子和x射线CT图像数据集进行了实验，分别评估了低剂量x射线CT和稀疏视图中子CT情况下的去噪效果。在这两个应用场景中，我们都取得了令人满意的结果。该方法有助于提高成像结构细节的准确性和完整性，生成去除不同噪声和伪影的清晰中子/ x射线CT图像。该项目的实施将克服现有方法在适应性、可靠性和鲁棒性方面的局限性。我们将为中子/ x射线CT成像领域提供新的视角、算法和模型，从而支持大型科学设施CT、医疗CT和工业CT等关键应用。