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:
局部层析成像采集(LTA) | 一种数据采集模式,从样本的局部区域收集层析成像数据,并将单个重建缝合在一起。 | 面向投影的采集(POA) | 一种数据采集模式,在该模式下,可以采集每个旋转角度的全景投影图像。 | 面向Sinogram的收购(SOA) | 一种数据采集模式,采集样本上每个位置的180°投影。这是用于Tomosaic公司。 | 全块模式(WBM) | 中的重建模式Tomosaic公司其中,为每个角度缝合投影,然后对合并的数据集执行重建。 | 单片模式(SSM) | 中的重建模式Tomosaic公司其中提取并缝合切片的正弦图,然后重建该特定对象切片。 | | |
| 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). |
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.
3.1. 数据降采样
为了提高管道和数据质量评估的速度,用户可以选择将数据重新组织到包含原始数据的binned版本的新文件夹中。安n个-在投影轴上执行折叠装箱,从而产生1/n个2原始数据大小的减少和1/n个三缩小重建尺寸。这种方法还使管道更健壮,可以为元数据找到最佳解决方案精细化,因为每个高分辨率步骤都可以使用从低分辨率(但处理速度更快)步骤获得的知识。
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。
致谢
我们感谢Venkat Vishwanath的有益讨论。整个小鼠大脑样本由S.Mikula按照公布的方案制备(Mikula&Denk,2015))图为N.Kasthuri(Argonne/芝加哥大学)领导的一项研究的一部分,该研究将单独出版。本研究使用了先进光子源和阿贡领导力计算设施的资源,这两个设施都是美国能源部(DOE)科学用户设施办公室,由阿贡国家实验室根据合同DE-AC02-06CH11357为DOE科学办公室运营。
资金筹措信息
本研究的资金来源于:国家心理健康研究所(批准号:U01-MH109100);美国能源部科学办公室(合同编号:DE-AC02-06CH11357)。
参考文献
Adelson,E.H.、Anderson,C.H.、Bergen,J.R.、Burt,P.J.和Ogden,J.M。(1984).RCA工程师。 29(6), 33–41. 谷歌学者
Ahrens,J.,Geveci,B.&Law,C.(2005年)。可视化手册,由C.D.Hansen和C.R.Johnson编辑,第717-731页。牛津:爱思唯尔出版社。 谷歌学者
Bicer,T.、Gürsoy,D.、Kettimuthu,R.、De Carlo,F.&Foster,I.T.(2016)。J.同步辐射。 23, 997–1005. 交叉参考 IUCr日志 谷歌学者
Brunetti,A.和De Carlo,F.(2004)。程序。SPIE公司,5535, 652–658. 交叉参考 谷歌学者
Chard,K.,Tuecke,S.&Foster,I.(2014)。IEEE云计算。 1(3), 46–55. 交叉参考 谷歌学者
Chard,R.、Chard,K.、Alt,J.、Parkinson,D.Y.、Tuecke,S.和Foster,I.(2017)。2017 IEEE第37届分布式计算系统国际会议研讨会(ICDCSW2017)由A.Musaev、J.E.Ferreira和T.Higashino编辑,第389-394页。电气与电子工程师协会。 谷歌学者
Dalcin,L.D.、Paz,R.R.、Kler,P.A.和Cosimo,A.(2011年)。高级水资源。 34, 1124–1139. 交叉参考 谷歌学者
Dalcín,L.、Paz,R.和Storti,M.(2005)。J.平行分布计算。 65, 1108–1115. 谷歌学者
Dalcín,L.、Paz,R.、Storti,M.和D'Elia,J.(2008)。J.平行分布计算。 68, 655–662. 谷歌学者
De Carlo,F.、Gürsoy,D.、Ching,D.J.、Batenburg,K.J.、Ludwig,W.、Mancini,L.、Marone,F.,Mokso,R.、Pelt,D.M.、Sijbers,J.和Rivers,M.(2018年)。测量。科学。Technol公司。 29, 034004. 交叉参考 谷歌学者
De Carlo,F.、Gürsoy,D.、Marone,F.,Rivers,M.、Parkinson,D.Y.、Khan,F.和Schwarz,N.、Vine,D.J.、Vogt,S.、Gleber,S.-C.、Narayanan,S.和Newville,M.,Lanzirotti,T.、Sun,Y.、Hong,Y.P.和Jacobsen,C.(2014)。J.同步辐射。 21, 1224–1230. 科学网 交叉参考 中国科学院 IUCr日志 谷歌学者
Dengler,J.(1989)。超微显微镜,30, 337–348. 交叉参考 科学网 谷歌学者
Donath,T.、Beckmann,F.和Schreyer,A.(2006年)。J.选项。美国职业足球协会,23, 1048. 科学网 交叉参考 谷歌学者
Dowd,B.A.,Campbell,G.H.,Marr,R.B.,Nagarkar,V.,Tipnis,S.,Axe,L.&Siddons,D.P.(1999)。程序。SPIE公司,3772, 224–236. 交叉参考 谷歌学者
Du,M.,Vescovi,R.,Fezzaa,K.,Jacobsen,C.&Gursoy,D.(2018年)。arXiv公司:1805.09846. 谷歌学者
Flannery,B.P.,Deckman,H.W.,Roberge,W.G.&D’Amico,K.L.(1987)。科学,237, 1439–1444. 交叉参考 公共医学 中国科学院 科学网 谷歌学者
Guizar-Sicairos,M.、Thurman,S.T.和Fienup,J.(2008)。选择。莱特。 33, 156–158. 谷歌学者
Gürsoy,D.、De Carlo,F.、Xiao,X.和Jacobsen,C.(2014)。J.同步辐射。 21,1188-1193科学网 交叉参考 IUCr日志 谷歌学者
Gürsoy,D.,Hong,Y.P.,He,K.,Hujsak,K..,Yoo,S.,Chen,S.、Li,Y.、Ge,M.、Miller,L.M.、Chu,Y.S.、De Andrade,V.、He,K、Cossairt,O.、Katsaggelos,A.K.和Jacobsen,C.(2017)。科学。代表。 7, 11818. 谷歌学者
Hegerl,R.&Hoppe,W.(1976年)。Z.Naturforsch公司。泰尔A,31, 1717–1721. 谷歌学者
Kuchment,P.、Lancaster,K.和Mogilevskaya,L.(1995)。反向探测。 11, 571–589. 交叉参考 谷歌学者
Kuglin,C.D.和Hines,D.(1975年)。IEEE控制论与社会国际会议第163-165页。电气与电子工程师协会。 谷歌学者
Kyrieleis,A.,Ibison,M.,Titarenko,V.&Withers,P.J.(2009年)。编号。仪器。方法物理学。决议A,607,677–684页交叉参考 谷歌学者
Kyrieleis,A.,Titarenko,V.,Ibison,M.,Connolley,T.&Withers,P.J.(2011)。《微生物学杂志》。 241, 69–82. 科学网 交叉参考 中国科学院 公共医学 谷歌学者
Lewitt,R.M.和Bates,R.H.T.(1978年)。Optik公司,50, 19–33. 谷歌学者
Li,Y.、Gong,H.、Yang,X.、Yuan,J.、Jiang,T.、Li,X.,Sun,Q.、Zhu,D.、Wang,Z.、Luo,Q.和Li,A.(2017)。前面。神经电路,11, 51. 交叉参考 谷歌学者
Liu,Y.、Meirer,F.、Williams,P.A.、Wang,J.、Andrews,J.C.和Pianetta,P.(2012)。J.同步辐射。 19, 281–287. 科学网 交叉参考 中国科学院 IUCr日志 谷歌学者
Mikula,S.&Denk,W.(2015)。自然方法,12, 541–546. 交叉参考 谷歌学者
Mokso,R.、Quaroni,L.、Marone,F.、Irvine,S.、Vila-Comamala,J.、Blanke,A.和Stampanoni,M.(2012)。J.结构。生物。 177, 233–238. 科学网 交叉参考 中国科学院 公共医学 谷歌学者
Natterer,F.(1986)。计算机断层成像的数学。纽约:约翰·威利父子公司。 谷歌学者
Nemoz,C.,Bayat,S.,Berruyer,G.,Brochard,T.,Coan,P.,Le Duc,G.、Keyrilainen,J.、Monfraix,S.、Renier,M.、Requardt,H.、Bravin,A.、Tafforeau,P.、Adam,J.F.、Biston,M.C.、Boudou,C.、Charvet,A.M.、。,Corde,S.、Elleaume,H.、Estève,F.、Joubert,A.、Rousseau,J.、Tropre,I.、Fernandez,M.、Porra,L.、Suortti,P.、Fiedler,S.和Thomlinson,W.(2007年)。AIP确认程序。 879, 1887–1890. 交叉参考 谷歌学者
Oikonomidis,I.V.、Lovric,G.、Cremona,T.P.、Arcadu,F.、Patera,A.、Schittny,J.C.和Stampanoni,M.(2017)。《物理学杂志》。Conf.序列号。 849, 012004. 交叉参考 谷歌学者
Paganin,D.M.、Mayo,S.C.、Gureyev,T.E.、Miller,P.R.和Wilkins,S.W。(2002).《微生物学杂志》。 206, 33–40. 科学网 交叉参考 公共医学 中国科学院 谷歌学者
Pelt,D.M.、Gürsoy,D.、Palenstijn,W.J.、Sijbers,J.、De Carlo,F.和Batenburg,K.J.(2016)。J.同步辐射。 23, 842–849. 科学网 交叉参考 中国科学院 IUCr日志 谷歌学者
Peng,H.、Ruan,Z.、Long,F.、Simpson,J.H.和Myers,E.W.(2010)。自然生物技术。 28, 348–353. 交叉参考 谷歌学者
Preibisch,S.、Saalfeld,S.和Tomancak,P.(2009年)。生物信息学,25, 1463–1465. 科学网 交叉参考 谷歌学者
Stock,S.R.(2008年一).微计算机断层成像:方法与应用。博卡拉顿:CRC出版社。 谷歌学者
Stock,S.R.(2008年b条).国际材料。版次。 53,129–181交叉参考 谷歌学者
Vescovi,R.F.C.、Cardoso,M.B.和Miqueles,E.X.(2017)。J.同步辐射。 24, 686–694. 交叉参考 IUCr日志 谷歌学者
Vo,N.T.、Drakopoulos,M.、Atwood,R.C.和Reinhard,C.(2014)。选择。快递,22,19078年至19086年科学网 交叉参考 公共医学 谷歌学者
Weitkamp,T.、Tafforeau,P.、Boller,E.、Cloetens,P.,Valade,J.-P.、Bernard,P.和Peyrin,F.、Ludwig,W.、Helfen,L.、Baruchel,J.、Denecke,M.和Walker,C.T.(2010年)。AIP确认程序。第33-38页交叉参考 谷歌学者
Yang,X.,De Carlo,F.,Phatak,C.&Gürsoy,D.(2017)。J.同步辐射。 24, 469–475. 科学网 交叉参考 IUCr日志 谷歌学者
| 的日志 同步加速器 辐射 |
国际标准编号:1600-5775
打开访问