1.简介

计算机断层扫描（CT）允许人们从围绕公共旋转轴收集的一系列二维投影图像中获取三维样本的内部结构。使用X射线而不是可见光或电子显微镜，由于能够成像厘米大小或更大的物体，CT尤其强大（Stock，2008）一). 当使用来自实验室电子撞击源的锥形光束照明时，照亮厘米大小的物体是很简单的，这些电子撞击源发射到接近的立体角π; 然而，在基于实验室的系统中，在合理的实验时间内获得亚微米体素分辨率和厘米大小的视场变得很有挑战性。如果使用同步辐射源来获得更高的光谱通量相对论效应及其平行光束几何形状限制了光束的角度范围，因此即使在许多实验外壳距离X射线源20–50米的距离上，光束的宽度通常最多为1毫米或2毫米（Weitkamp等。, 2010). 虽然有限数量的长摆动光源光束线可以在更大的样本宽度上提供照明（Nemoz等。, 2007)，它们在样本上提供较低的光子密度，因此不太适合进行微米分辨率的研究。因此，需要一种方法，在今天的同步加速器光源上使用毫米级光束以亚微米分辨率对厘米级样品进行成像。

考虑一个2 cm大小、分辨率为1µm的样品三维成像的现实示例[使用闪烁器将显微镜物镜成像到可见光相机上可以实现的空间分辨率（Flannery等。, 1987)]。有了这样的样本，人们希望获得侧面有20000像素的投影图像。由于上述原因，不仅很难照亮这样的成像场，而且很难在单个设备中获得具有如此大量像素的高信噪比（SNR）小像素可见光相机。

为了在不牺牲空间分辨率的情况下获得大于照明光束和探测器视场的物体的层析重建，前面已经描述了几种方法（Kyrieleis等。, 2009); 我们在这里描述了三种主要的方法：局部层析采集方法、面向投影的采集方法和面向正弦谱的采集方法。这些采集方法（如图1所示，总结见表1)具有以下特征：

图1 如果旋转轴垂直，则从上方观察一个物体切片，对大于照明足迹和探测器尺寸的样本进行X射线计算机断层扫描的三种方法的示意图比较。底部图形行显示与一个检测器行相对应的对象中一个切片的视图，而顶部图形行显示对象旋转时一个检测器行中的正弦图。在局部断层扫描采集（LTA）或内部断层扫描中Tomosaic公司方法，将旋转中心放置在对象的子区域内，然后获取旋转序列；因此，当显示在对象的整体上下文中时，就会得到上面相应的正弦图。在中间所示的投影定向获取（POA）方法中，当物体横向移动到照明方向时，获取一组平铺的投影图像；然后将对象绕其整体中心轻轻旋转，重复该序列。在面向sinogram的收购（SOA）中Tomosaic公司方法如右图所示，旋转中心被移动到相对于照明和检测器的偏移位置，并且对象被旋转以从a柱状区域中的环形区域获取数据。POA和SOATomosaic公司这些方法包括减少接触重叠，减少辐射剂量。此外，SOA通常提供更快的获取速度，因为它涉及的示例阶段的平移运动更少。

（i） 局部层析成像采集（LTA）。一种方法是通过在旋转轴（Kuchment）上连续放置每个子区域来获取和重建样本子区域的一系列局部层析图等。, 1995; Oikonomidis类等。, 2017)【Kyrieleis的方法III等。(2009)]，如算法1所示这也称为截断物体层析成像（Lewitt&Bates，1978）)或作为内部断层扫描（Natterer，1986). 在该方案中，来自重建区域外部的特征仅出现在获取的投影的一小部分中。因此，尽管它们确实引入了一些成像伪影（Kyrieleis等。, 2011). 重建后，将这些局部重建的断层图像体积缝合在一起，以重建完整的三维体积。

（ii）面向投影的采集（POA）。在这种方法中，可以在每个投影角度收集二维图像的镶嵌平铺θ（算法2)之后，将这些图像缝合在一起，以创建该角度的单个二维投影。然后可以将这些投影按一定角度叠加，以创建完整三维体积的正弦图，然后获得层析重建。Kyrieleis的方法I等。(2009)]例如，已与菲涅耳波带片光学系统一起用于亚100 nm-resolution层析成像（Liu等。, 2012; 莫克索等。, 2012).

（iii）面向Sinogram的收购（SOA）。在这种方法中，使用固定的水平和垂直或(x个,年)视场和样本旋转轴之间的偏移。然后移动到下一个(x个,年)获取另一个旋转数据集之前的偏移（算法3)（韦斯科维等。, 2017). 这样[凯里莱斯的方法V等。(2009)]，每个旋转序列提供一个完整的三维正弦图的子区域θ和中的不完整x个在重建整个三维体积之前，这些“圆柱体中的环”投影集必须对齐并组装（Vescovi等。, 2017).

而通过将旋转轴放置在照明/检测边界上，可以实现比照明和检测视野大两倍的样本重建（Stock，2008b条)【Kyrieleis的方法II等。(2009)]，此技术无法扩展到更大的卷。

上述三种方法在数据采集和处理中都进行了不同的权衡。为了描述这一点，我们使用图1所示的几何图形和3，其中对象围绕年轴（在X射线层析成像设置中为垂直轴），重建的层析切片位于x个–z（z）平面。考虑每个视图字段包含以下内容的情况N个_x个和N个_年中的像素x个-和年-方向。忽略视场之间的重叠，使用LTA、POA和SOA中任意一种方法重建的对象中的体素总数将由下式给出

哪里S公司_x个和S公司_年表示沿x个-方向（水平且垂直于梁）和年-方向（垂直）。对于LTA，沿z（z）-方向（与光束平行），但我们假设S公司_z（z）=S公司_x个对于大致正方形的样品。然后，我们注意到LTA、POA和SOA之间的以下差异：

（i） 在LTA中，需要处理的数据大小为N个_x个^2个N个_年对于每个重建，以便可以使用针对一个照明/摄像机视场优化的层析重建软件而不改变。此外，可以在采集每个局部断层图像区域时对其进行检查，而无需等待采集整个样本的数据。然而，必须组装这些N个_x个^2个N个_年将重建体积调整为总体积(S公司_x个N个_x个)^2个(S公司_年N个_年)。在POA和SOA方法中，必须重建完整的(S公司_x个N个_x个)^2个(S公司_年N个_年)-可以查看重建体的任何子区域之前的大小数据集，这可能导致如下所述的计算挑战。

（ii）在LTA方法中，如图1的正弦图所示，试样的大多数区域多次暴露于光束中这可能会增加样本的辐射剂量，除非使用类似于剂量分馏的方法（Hegerl&Hoppe，1976). 假设样品呈方形，则LTA需要比POA和SOA更多的180°扫描次数，扫描次数为S公司_x个如果在x赫兹-使用平面，或如果使用六边形网格。这些权衡在模拟研究中进行了更详细的研究（Du等。, 2018).

（iii）这些方法之间的试样阶段运动差异很大。在LTA方法中，必须翻译所选样本(x个,年,z（z）)定位到旋转轴上，然后获取旋转角度数据集。在POA中，将样本转换为(x个,年)在每个角度θ，之后必须重复翻译序列。在SOA方法中，可以将轮换阶段转换为(x个,年)，然后获取完整的旋转角度数据集(x个,年)位置。实际上，高精度旋转台可以快速将样品旋转180°以上，而平移(x个,年,z（z）)往往需要更长的时间来考虑加速、减速和在末端位置稳定，因此SOA方法受到青睐。

从上面可以看出，与LTA相比，POA和SOA在剂量效率方面具有优势。这是成像软材料时需要考虑的一个关键因素。利用当今的计算资源和并行计算技术，可以克服POA和SOA的计算负担，如结果第节。此外，当比较POA和SOA时，人们会注意到SOA所需的平移运动更少，这使得SOA成为比POA更快的获取方法。因此，我们认为SOA是大型辐射敏感样本的最佳断层摄影采集方法。在下面描述的实验中，我们使用了SOA方法。

为了实现SOA方法，我们开发了一个用于处理多视场层析成像数据的软件包，名为Tomosaic公司由于断层摄影投影可以在同步加速器光源下高速获取，因此可以使用毫米大小的光束在数小时内获得厘米大小物体的微米分辨率断层摄影Tomosaic公司方法。虽然已经使用单个工作站（Vescovi）演示了从较小数据集重建图像等。, 2017)，我们在此扩展了重建方法，以处理teravoxel大小的重建体积和并行计算。完成了通过支持消息传递接口（MPI）的Python库，其编写方式是相同的代码可以在较小数据集的标准工作站上运行，也可以在需要更多内存和计算能力的数据大小的分布式集群上运行。虽然代码的编写方式可以使用特定的包读取特定格式的数据，也可以使用其他包重建层析数据，但当前版本使用数据交换数据文件输入/输出包（De Carlo等。, 2014)、和TomoPy公司（Gürsoy）等。, 2014; 比瑟等。, 2016)和阿斯特拉（毛皮等。, 2016)包作为断层重建的后端。此外，为了满足用户访问不同级别计算资源的需求，Tomosaic公司提供了两种重建模式（WBM和SSM），将在§3.5中进一步讨论.的总体工作流程Tomosaic公司如图2所示表1总结了我们关于采集和重建模式的术语.

图2 的总体工作流程Tomosaic公司数据采集和重建。使用面向正弦谱的采集（SOA）获得投影，如图1右侧所示然后细化子区域之间的对齐，然后通过将正弦图拼接在一起，组装完整的三维数据集，如图1右侧所示或通过收集如图3所示的全部物体投影如下所示。在任何一种方法中，都可以从完整对象的所有切片中获得正弦图集，然后可以将这些对象切片正弦图输入到TomoPy公司（Gürsoy）等。, 2014)用于并行重建（Bicer等。, 2016).

2.马赛克数据采集

我们的第一步Tomosaic公司方法是按照图1所示的SOA方法获取数据以及算法3这在图3中有更详细的显示.用于投影位置对₁，旋转轴向内移动(x个,年)相对于照明/摄像机视野，之后是第一个马赛克环形数据集M（M）₁通过旋转样本获得180°范围内的角度步长。然后对每个N个_镶嵌画=S公司_x个×S公司_年视野，以便最后投影位置为对_{N个镶嵌画}最后一个镶嵌环数据集是M（M）_{N个镶嵌画}。实际采集还包括在采集每个瓷砖的样本投影数据之前，采集白场（打开光束和缺少样本的图像）和暗场（关闭光束的图像）数据。这些提供了归一化校正的需要，旨在缓解光束强度波动、闪烁体不均匀性和CCD探测器中热感应信号的积累。光束快门和样品台的控制通过基于实验物理和工业控制系统（EPICS）的控制脚本实现自动化。我们的经验表明，强大的层析成像系统不仅应配备稳定、低失真的光学和定位器，还应配备可靠且适当优化的控制硬件和软件。这一要求很高，特别是对于具有大量旋转角度和短曝光时间的实验，因为数据保存速度可能成为循环中的瓶颈，并可能导致帧丢失。高速存储介质应用作数据传输和写入的缓冲区，主机控制台应具有足够的内存和多任务能力，以避免数据I/O中断。

图3 的示意图Tomosaic公司数据收集方法，提供图1以外的详细信息.旋转台首先移动到投影位置对1，然后将试样旋转180°范围内的角度位置。这将生成一个马赛克环形投影数据集M（M）1。对于所有N个镶嵌画视图字段。为了在一个旋转角处获得完整的投影图像，必须从所有马赛克环数据集中提取相应的投影M（M）我镶嵌画如右图所示。在本例中，镶嵌视野的数量为S公司x个=6和S公司z（z）=4，屈服N个镶嵌画= 24.

这个Tomosaic公司管道的工作方式是读取一个文件，该文件命名数据集中涉及的所有网格位置，以便创建合并和重建数据所需的元数据。每个数组（或“平铺”）M（M）_我的马赛克投影以层次数据格式（HDF）文件保存，并使用文件命名方案，其中是从零开始计数的两位数整数索引，用于标识瓷砖的网格位置。实验元数据包括曝光时间、束流、电机读数和每个投影图像的唯一ID，与层析数据一起记录在同一文件中。

3.马赛克数据处理

在获得马赛克投影数据后，我们现在描述了数据处理的步骤序列，以生成重建的三维图像。主要步骤如图2所示.

3.3. 数据的拼接和混合

找到马赛克字段的正确相对对齐后，必须将这些字段缝合在一起。X射线束强度归一化中的微小误差可能导致表观变化亮度在一块镶嵌田地与其相邻田地之间的边界处；这可能导致马赛克场边界出现可见的接缝，从而在层析重建中导致环形伪影。因此，相邻图像必须通过其重叠区域进行混合，以产生平滑过渡。虽然我们比较了几种方法，但金字塔混合（Adelson等。, 1984)如图4所示，在计算速度和准确性之间提供了良好的平衡.金字塔混合的工作流程如算法4所示简单地说，该算法通过在不同的下采样级别使用梯度遮罩来连接图像对。通过这些操作，可以捕获和保存多尺度的图像特征。较低空间频率下的背景变化被更平滑地混合，而具有较高空间频率内容的精细结构被给予更快的过渡以防止重影效应。图4所示的基准测试演示了金字塔混合的性能。每个输入图像的大小为1920×1200，边缘位置用蓝色和绿色线条标记。对于金字塔混合，与简单的混合方法（如选择重叠区域中每个像素的最大值或最小值）相比，在输出图像中找不到可见接缝。我们还尝试了羽毛混合，这实际上只是一个单一的高斯掩模应用于图像的原始比例。羽毛混合显示出一种“更难”的过渡，在层析重建中导致比使用金字塔混合时更多的环形伪影。金字塔混合的成本是与此处所示的其他方法相比，它的时间消耗相对较高；然而，在普通笔记本电脑上对一对全分辨率图像进行金字塔混合所需的时间仍然只有0.6s左右，这是可以接受的。

图4 二者的混合结果1920×1200通过金字塔混合、最大混合、最小混合和羽毛混合给出图像。混合结果中输入图像的边缘用蓝色和绿色箭头标记。在左栏中的每个子图中，都显示了一条白色曲线，以沿其水平中线反映混合图形的灰度轮廓。还提供了每种算法十次运行的平均挂钟时间条形图。

使用金字塔混合，Tomosaic公司读取在注册阶段创建的移位数据文件，并将网格中所有瓷砖的射线照片缝合为每个投影角度的全景图。合并的数据存储为新的HDF5文件。在拼接过程中，投影图像使用平场和暗场进行标准化，因此存储的数据是0到1之间的浮点形式。

3.4. 旋转中心校准

一旦组合好投影图像集，就必须找到正确的旋转中心。当它位于与假设不同的位置时，旋转轴上的对象似乎围绕它旋转，导致重建图像中出现弧形伪影。找到正确的旋转中心是层析成像中一个众所周知的问题，几种方法都显示出不同程度的成功（Brunetti&De Carlo，2004; 多纳思等。, 2006; Vo公司等。, 2014; 杨等。, 2017).

如果中心设置不正确，由点特征U形畸变表示的伪影会严重恶化图像质量。Tomosaic公司使用基于熵的优化方法（Donath等。, 2006)用于查找平铺网格中每一行的旋转中心。图像的概念熵定义为

哪里第页_我是某个灰度值的概率我已经观察到，由于伪影的弥散效应，中心设置不正确的重建图像的灰度值分布更广，并且与较高的熵。因此，正确的中心值第页₀可以通过找到

基于熵的中心搜索算法的演示如图5所示。来自的扫描第页=770至790，781的正确中心位置通过曲线的锐角最小值成功识别。

图5 利用重建图像的图像熵识别层析切片重建中的正确旋转中心[式（5）]]作为衡量标准（多纳思等。, 2006). 在这种情况下，旋转中心位于像素索引781处；示出了从770到790的像素中心的范围。

Tomosaic公司计算平铺网格中每一行的旋转中心。结果将导出为一个文本文件，列出行号和相应的中心位置。此外，搜索到的中心位置范围的重建图像也保存在硬盘中，以便在自动结果不令人满意时可以手动重新检查图像。

3.5. 重建

为了灵活地满足用户的需求，并在不同硬件条件下的各种平台上正常运行，Tomosaic公司提供了两种模式，用于根据二维投影图像的旋转集对三维对象进行层析重建，如表1所示:

（i） 全块模式（WBM）。在这种模式下，单个合并数据集包含§3.3中所述的所有旋转角度的对齐和缝合投影被送入断层重建包。实际上，数据集存储在硬盘上，并根据需要读取数据。算法6显示了此模式的工作流程。此模式能够处理沿旋转轴横向和沿旋转轴的亚像素注册偏移，或(x个,年)每个马赛克视野的偏移。由于沿旋转轴方向的每个投影切片都可以独立于所有其他投影切片进行重建，因此该任务在多节点集群上是可以并行执行的。由于投影的缝合是在x个-和年-可以在两个轴上保持方向、平滑混合和亚像素配准。

（ii）单片模式（SSM）。在此模式下，使用算法7缝合正弦图而不是投影在这种情况下，可以在旋转轴方向以全像素精度注册镶嵌正弦图，只有在横向才能实现进一步的亚像素精度。作为回报，SSM的优点是所需的存储空间和时间少得多，因为重建不需要缝合所有角度的投影。因此，可以通过这种方式在个人工作站甚至笔记本电脑上进行重建。此外，因为此模式提供了特别的对于重建少量切片的方法，这是一种方便的解决方案，可以快速预览数据质量。

在这两种情况下，我们假设子字段之间的注册已经确定，如§3.2所述。对于两种模式，Tomosaic公司使用包TomoPy公司（Gürsoy）等。, 2014)使用几种可用的标准算法之一进行体积图像重建，包括在分布式计算机上（Bicer等。, 2016). 该软件包实现了一种基于传输密集度的方法（Paganin等。, 2002)用于从距离样本一定距离的投影中重建相位对比特征。因为“gridrec”实现（Dowd等。, 1999)过滤反投影提供了快速的非迭代重建，当处理这里描述的超大数据集时，我们使用它来最小化计算时间。

为了比较WBM之间的重建质量与SSM重建，如图6所示我们通过观察沿垂直方向的重建质量来比较重建。SSM重建显示了两个数据采集块之间边界处的不连续性（图3)而WBM没有。这说明了单工作站兼容的SSM方法如何通过一次只考虑一个对象切片来快速而有用地查看数据，但WBM方法的完整数据集注册和混合功能（最好在较大的计算集群上实现）是获得最高重建图像质量所必需的。

图6 重建质量的比较(一)单片（SSM）和(b条)全块（WBM）模式Tomosaic公司重建。这些图像是x个–年从中重建平面木炭§4中描述的样品，其中年是垂直方向（在我们的几何中，同步加速器的水平照明光束的旋转轴的方向）。这个x个–年平面图位于两个平铺投影数据集之间的交叉点，一个位于另一个之上（见图3); 这个年梯度图像也显示在重建平面视图的旁边。由于SSM重建不会在垂直方向上执行对象切片之间的亚像素对齐或混合（以适应单个工作站的内存和计算能力限制），因此可以看到图块交点处的不连续性，如箭头所示。WBM重建中消除了这种不连续性，包括垂直方向的对齐和混合（因此需要更多内存和计算能力，使其更适合在可并行计算集群上使用）。

3.6. 可扩展性

由于WBM重建方法可以应用于大到无法容纳大多数单节点计算机内存的数据集，也可以提高数据处理速度，因此使用开源消息传递接口包对WBM步骤进行了并行化Python的MPI（达林等。, 2005, 2008, 2011). 可用“列组”或处理节点之间的作业分配在中自动完成Tomosaic公司，因此用户只需要输入要使用的列数。线程分配模式根据Tomosaic公司工作流。图7说明了注册、合并的并行化机制(即缝合和混合）、中心校准和重建。

图7 用于注册、合并、中心优化和重建的线程分配模式。

已在笔记本电脑、工作站和位于阿贡领导力计算设施的多节点超级计算机Cooley上进行了并行处理的测试运行。基准数据将在§4中列出.

4.结果

Tomosaic公司已应用于三维成像和样品采集处理。在本节中，我们描述了使用上述25keV单色X射线对两个样品进行成像的用途，数据处理时间如表2所示.

第一个数据集是活性炭直径约为4 mm的颗粒。每次扫描时，=4500个旋转角度在0–180°间隔内均匀采样。使用1920×1200像素照相机4×4tile网格用于覆盖整个样本，导致总数据大小为302GB（16位无符号整数）。完整的重建体积的体素维数为6600×6600×4204像素大小为0.6µm。此数据集的处理是在配备双Intel E5-2690V2 CPU（每个CPU 10个核，3 GHz）和128 GB物理内存的工作站上执行的。与20条线平行，16块瓷砖的配准在25秒内完成。通过金字塔混合和20条线，所有投影的拼接在176分钟内完成。其中一幅拼接投影图像如图8所示(一)然后用20个线程在500分钟内重建完整数据集。图8(b条)–8(（f）)显示沿x个–年和x个–z（z）飞机。在水平切片中未发现环形伪影。使用渲染完整的重建体积Vaa3D型（彭等。, 2010)产生如图8所示的可视化效果(克)。垂直截断体积以显示内部结构。此数据集以及使用合并的单个数据文件Tomosaic公司已在TomoBank上提供，该数据库是层析数据集和模型的公共存储库（De Carlo等。, 2018)，样本ID为00078。

图8 木炭标本的层析重建。(一)使用金字塔混合获得的全景投影图像之一。(b条)–(e（电子）)中选定的重建切片x个–z（z）平面。这些切片沿年-轴由中的虚线表示(b条). (（f）)中整个重建体积的横截面x个–年平面。(克)重建体积的三维渲染，垂直截断以显示内部结构。

我们还使用了Tomosaic公司对一个金属染色的环氧树脂包埋小鼠脑标本（10.7mm×9.2mm×13.2mm，其图像将另行公布）进行成像，由于其体积明显较大，因此面临更多挑战。采集的最终像素大小为0.8µm。为了照亮整个示例12×11部分断层图的平铺=4500个角度。投影图像存储为16位无符号整数，总数据大小为5.8 TB。数据集的全分辨率重建是使用位于Argonne的计算集群Cooley进行的，该集群有126个计算节点，每个节点拥有两个Intel E5-2620 v3处理器（共12个内核）和384 GB RAM。数据注册使用100个线程（20个节点，每节点5个线程）进行，并在30个线程内执行s.缝纫和混合大约需要10小时，共有250条线。在大约50小时内，用100个线程（50个节点，每个节点两个线程）进行最终重建。在整个过程之后，我们获得了包含22556 ×22556 ×18406= 9.36 × 10¹² 如表2所示的体素（或32位深度的37.4 TB）.

5.讨论

如图所示，层析成像视场的增加决定了数据采集、管理和重建管道的发展，以便将实验保持在计算可行的范围内。本文介绍了一种用于拼接层析成像的流水线。考虑到各种层析技术之间的强烈相似性，我们设计了Tomosaic公司使用模块化策略，以便其功能可用于其他技术（例如，图像注册和合并）。

使用高性能计算（HPC）系统解决大规模层析成像问题变得越来越重要。而启用管理的软件例程（Li等。, 2017)和可视化（Ahrens等。, 2005)已经向社区提供了万兆字节级的HPC数据，它们主要使用已经获得、组装和重建的千兆像素级三维图像数据。我们看到的充分利用HPC潜力进行层析成像数据上游处理的软件包示例较少，例如从原始投影或其对齐中获取三维体积。大多数现有的超视场层析重建例程及其HPC部署之间存在的主要问题要么是缺少在多个计算节点之间分配作业的接口，要么是整个层析处理管道的自动化水平不足。我们目前实施的Tomosaic公司在Python绑定之上有一个抽象层，以便使整个管道适合HPC系统。这种模块化和分层允许用户使用不同的计算资源访问工具箱的所有功能和特性（例如预处理功能）。

自Tomosaic公司作为一个开源项目，该软件包能够处理世界各地各种光源生成的数据，这一点很重要，因为这些光源的数据格式通常因情况而异。因此，需要一个通用数据读取器和转换器作为Tomosaic公司.已发布的方案，数据交换，有可能在存储的原始数据和Tomosaic公司管道（De Carlo等。, 2014). 使用数据交换模块，人们可以从世界各地的一系列同步加速器设施中导入数据，所有这些设施都有其独特的存储实验数据的格式。将来自这些不同设施的断层摄影数据转换为数据交换格式使其更容易Tomosaic公司以潜在地使成像社区的广泛用户受益。

未来，寻求改进解决方案的最大问题之一涉及瓷砖对齐和组装。由于缺乏高对比度特征，目前使用的相位相关方法对于超厚试样并不总是可靠的，并且容易受到噪声的影响。在样本中添加人工基准标记可以提高厚样本相关配准的可靠性。我们还可以考虑应用迭代重投影方法[有时称为自举方法（Dengler，1989）)，在使用迭代层析成像重建方法时，可获得加速（Gürsoy等。, 2017)]尽管这对于大数据量来说是一个挑战。我们还可以应用基于卷积神经网络的分类器作为注册结果质量的自动量具。

6.结论

本文描述了当前在Tomosaic公司该管道最重要的部分是它的可扩展性，允许层析成像实验的视野尽可能地扩展。这个Tomosaic公司到目前为止生成的代码在GitHub上作为同名包公开提供。