在这篇博文中，我们将展示如何使用Dragonfly X射线CT的超分辨率功能。超分辨率技术是指在X射线CT中采集低分辨率和高分辨率扫描图像，并利用这两张图像构建深度学习模型。然后，该深度学习超分辨率模型以低分辨率扫描图像为输入，生成质量卓越的图像——几乎与高分辨率图像一样清晰，但无需进行高分辨率扫描！

本次演示选择的应用是增材制造晶格结构的表征。这些设计复杂的孔隙结构具有许多潜在应用：有关其应用的更多信息，请参阅最近的综述论文[1]。

尽管晶格结构的增材制造具有诸多优势，但也存在一些固有的局限性，制造过程中可能会出现缺陷，需要进行仔细的检查和表征。X射线CT非常适合用于此，但其分辨率受限于物体尺寸，因此通常需要接受较低的分辨率。例如，想象一下一个大型物体，其中包含一小部分晶格材料。深度学习超分辨率成像可以克服这一挑战。在下图（图1和图2）中，我们展示了同一晶格的高分辨率（4 μm体素尺寸）和低分辨率（16 μm体素尺寸）扫描结果——低分辨率会导致大量表面细节丢失。本演示中的扫描是使用…… Comet 伊克森FF35 CT系统。样品本身直径为6毫米，采用EOS M290激光粉末床熔融（L-PBF）工艺，使用Ti6Al4V粉末制造而成。

图 1 + 2：晶格结构的高分辨率和低分辨率扫描示例（样品宽度为 6 毫米，用于比例尺）

低分辨率扫描图像细节不足的原因很简单，就是体素尺寸较大，如图3和图4所示的切片图像对比所示（同样针对两种分辨率）。为了突出体素尺寸的差异，图像特意以单个体素而非插值的方式呈现。

图 3 + 4：低分辨率和高分辨率的比较，显示单个体素/像素。

如图 5 所示，该示例展示了如何训练神经网络，使其以两幅图像作为输入和输出，并创建一个能够将所有类似的低分辨率图像转换为高分辨率输出的网络。图中中间的图像是超分辨率处理后的结果。图像中信噪比 (SNR) 的提升清晰可见，并已通过量化方法进行了验证。 Dragonfly 分别为：原始低分辨率 SNR 为 1.19，高分辨率扫描为 1.48，超分辨率结果为 1.47。

图 5：通过使用一个高分辨率数据集（右）和一个低分辨率数据集（左）进行训练，可以得到超分辨率模型（中间），该模型可以应用于任何未来的低分辨率扫描。

尽管由于原始像素尺寸的限制，细节可见性仍然有限，但超分辨率处理后的图像增强效果使得对微小特征的量化更加精确。图 6 至图 8 展示了使用低分辨率、超分辨率和高分辨率数据集对晶格支柱中的孔隙率进行成像和分割的三维图像。此处的分割采用自动 Otsu 阈值分割法。尽管超分辨率和低分辨率基于相同的像素尺寸和数据输入，但其效果明显优于低分辨率，并几乎达到了与高分辨率结果相同的细节水平。

图 6 - 8：分析孔隙率的各个晶格支柱区域：左上角为低分辨率结果，右上角为超分辨率结果，底部为高分辨率结果。

将超分辨率模型应用于整个晶格后，得到的孔隙率分析对比结果如下图 9 至图 11 所示，在这种情况下，使用深度学习分割模型进一步改进了分析结果（请参阅我们 2023 年 4 月 5 日的博客文章）。 Comet的用于孔隙度测量的AI解决方案）。

图 9 - 11：对低分辨率、超分辨率和高分辨率数据集进行全晶格孔隙率分析。

总之，对增材制造晶格结构中的缺陷进行最佳检测和量化，应尽可能采用最高的采集分辨率。但如果无法做到这一点，超分辨率技术也能显著提升性能，并能比低分辨率数据集提供更优质的分析结果。利用超分辨率深度学习模型提高对比度的优势包括：能够扫描更大的物体并提升图像质量，或者更高效地利用两套系统（例如，先进行一次高分辨率扫描，然后始终使用低分辨率、低成本的系统进行后续扫描）。高分辨率扫描通常需要更精细的设置和更长的扫描时间，因此也具有效率优势。超分辨率只是人工智能在X射线计算机断层扫描领域众多应用之一，它带来了显著的优势！

[1] Du Plessis, A., Razavi, SMJ, Benedetti, M., Murchio, S., Leary, M., Watson, M., Bhate, D. 和 Berto, F., 2022.增材制造金属多孔材料的性能和应用：综述。材料科学进展，125，第100918页。