• 1990 (Том 4)
  • 1989 (Том 3)
  • 1988 (Том 2)
  • 1987 (Том 1)

Том 36 №1

Содержание

  1. ОЦЕНКА ОСТРОТЫ ЗРЕНИЯ. 2. ТЕОРЕТИЧЕСКИЕ И КЛИНИЧЕСКИЕ ТРЕБОВАНИЯ К ОПТОТИПАМ И ДИЗАЙНУ ТАБЛИЦ
  2. ОЦЕНКА ПЕРИФЕРИЧЕСКОЙ ОСТРОТЫ ЗРЕНИЯ В РАЗЛИЧНЫХ УСЛОВИЯХ ТЕСТИРОВАНИЯ
  3. ЭКСПРЕССИЯ И ФУНКЦИОНАЛЬНАЯ РОЛЬ СИГНАЛЬНЫХ БЕЛКОВ ОБОНЯТЕЛЬНОЙ, ВКУСОВОЙ И ФОТОТРАНСДУКЦИИ В БЕТА-КЛЕТКАХ ОСТРОВКОВ ЛАНГЕРГАНСА
  4. РАСПОЗНАВАНИЕ ПРОЕКТИВНО ПРЕОБРАЗОВАННЫХ ПЛОСКИХ ФИГУР. XVI. ОКТЕТ ПРОЕКТИВНО СТАБИЛЬНЫХ ВЕРШИН ОВАЛА И НОВЫЕ МЕТОДЫ ЭТАЛОННОГО ЕГО ОПИСАНИЯ, ИСПОЛЬЗУЮЩИЕ ОКТЕТ
  5. УЧЕТ ГЕТЕРОСКЕДАСТИЧНОСТИ В ИЗМЕРЯЕМЫХ ТОМОГРАФИЧЕСКИХ ПРОЕКЦИЯХ ПРИ РЕАЛИЗАЦИИ АЛГЕБРАИЧЕСКОГО ПОДХОДА В ТОМОГРАФИЧЕСКОЙ РЕКОНСТРУКЦИИ

УЧЕТ ГЕТЕРОСКЕДАСТИЧНОСТИ В ИЗМЕРЯЕМЫХ ТОМОГРАФИЧЕСКИХ ПРОЕКЦИЯХ ПРИ РЕАЛИЗАЦИИ АЛГЕБРАИЧЕСКОГО ПОДХОДА В ТОМОГРАФИЧЕСКОЙ РЕКОНСТРУКЦИИ

© 2022 г. М. В. Чукалина1,2, А. С. Ингачева2,3, А. В. Бузмаков1,2, И. В. Якимчук4, И. А. Варфоломеев4, П. А. Кулагин5, Д. П. Николаев2,3

1ФНИЦ Кристаллография и фотоника, 119333 Москва, Ленинский проспект, 59, Россия
chukalinamarina@gmail.com
2Смарт Энджинс Сервис, 117312 Москва, проспект 60-летия Октября, 9, Россия
3Институт проблем передачи информации РАН, 127051 Москва, Большой каретный пер., 19, Россия
4Московский научно-исследовательский центр Шлюмберже, 125171 Москва, Ленинградское шоссе, д.16 А, стр. 3, Россия
5Московский физико-технический институт, 141707 Долгопрудный, Институтский пер, 9, Россия

Поступила в редакцию 20.10.2021 г.

Метод компьютерной томографии, являясь неразрушающим методом искусственного интеллекта, позволяет восстанавливать внутреннюю морфологическую структуру объектов по набору зарегистрированных под разными углами проекций. Объект зондируется рентгеновским излучением, которое при прохождении через него ослабляется. Ослабленное излучение регистрируется позиционно чувствительным детектором. Время экспозиции является важным параметром измерительной системы и наряду с поглощающими свойствами самого образца определяет вероятностные характеристики регистрируемых величин. Статистическая модель формирования сигнала в ячейке детектора базируется на распределении Пуассона, поэтому, чем меньше значение регистрируемого сигнала, тем больше его дисперсия, т.е. значения гетероскедастичны. Гетероскедастичность порождает на восстановленных изображениях искажения, которые мешают правильной интерпретации получаемых результатов. В данной работе предлагается метод реконструкции, базирующийся на алгебраическом подходе, основная идея которого состоит в добавлении матрицы “доверия” в решаемую систему линейных алгебраических уравнений (СЛАУ). Матрица рассчитывается на основе результатов анализа дисперсии зарегистрированных сигналов. Выписан шаг градиентного метода оптимизации, используемого для решения СЛАУ. Результаты экспериментов на синтетических данных показывают увеличение точности реконструкции при учете гетероскедастичности.

Ключевые слова: рентгеновская томография, метод искусственного интеллекта, методы реконструкции, гетероскедастичность

DOI: 10.31857/S0235009222010036

Цитирование для раздела "Список литературы": Чукалина М. В., Ингачева А. С., Бузмаков А. В., Якимчук И. В., Варфоломеев И. А., Кулагин П. А., Николаев Д. П. Учет гетероскедастичности в измеряемых томографических проекциях при реализации алгебраического подхода в томографической реконструкции. Сенсорные системы. 2022. Т. 36. № 1. С. 90–98. doi: 10.31857/S0235009222010036
Цитирование для раздела "References": Chukalina М. V., Ingacheva А. S., Buzmakov А. V., Yakimchuk I. V., Varfolomeev I. A., Kulagin P. A., Nikolaev D. P. Uchet geteroskedastichnosti v izmeryaemykh tomograficheskikh proektsiyakh pri realizatsii algebraicheskogo podkhoda v tomograficheskoi rekonstruktsii [Heteroscedasticity correction to improve tomographic reconstruction with an algebraic approach]. Sensornye sistemy [Sensory systems]. 2022. V. 36(1). P. 90–98 (in Russian). doi: 10.31857/S0235009222010036

Список литературы:

  • Гладилин C.А., Котов А.А., Николаев Д.П., Усилин С.А. Построение устойчивых признаков детекции и классификации объектов, не обладающих характерными яркостными контрастами. ИТиВС. 2014. № 1. С. 53–60.
  • Коднянко В.А. Условная минимизация слабоунимодальных функций методом бинарного сканирования (бискана). Вестник ЮУрГ, серия Вычислительная математика и информатика. 2018. Т. 7. № 4. С. 59–66. https://doi.org/10.14529/cmse180404
  • Agulleiro J.I., Fernandez J.J. Fast tomographic reconstruction on multicore computers. Bioinformatics. 2011. V. 27 (4). P. 582–583. https://doi.org/10.1093/bioinformatics/btq692
  • Arlazarov V.L., Nikolaev D.P., Arlazarov V.V., Chukalina M.V. X-ray tomography: the way from layer-by-layer radiography to computed tomography. Computer Optics. 2021. V. 45 (6). Р. 897–906.
  • Balasubramani V., Montresor S., Tu H-Y., Huang C-H., Picart P., Cheng C-J. Influence of noise-reduction techniques in sparse-data sample rotation tomographic imaging. Applied Optics. 2021. V. 60. P. B81–B87. https://doi.org/10.1364/AO.415284
  • Bulatov K., Chukalina M., Buzmakov A., Nikolaev D., Arlazarov V. V. Monitored reconstruction: computed tomography as an anytime algorithm. IEEE Access. 2020. V. 8. P. 110759–110774. https://doi.org/10.1109/ACCESS.2020.3002019
  • Gilbert P. Iterative methods for the three-dimensional reconstruction of an object from projections. J. Theoretical Biology. 1972. V. 36 (1). P. 105–117.
  • Grigoriev M., Khafizov A., Kokhan V., Asadchikov V. Robust technique for representative volume element identification in noisy microtomography images of porous materials based on pores morphology and their spatial distribution. Proc. SPIE, Thirteenth International Conference on Machine Vision. 2021. V. 11605. P. 1–10. https://doi.org/10.1117/12.2586785
  • Inoue H. Efficient tomographic reconstruction for commodity processors with limited memory bandwidth. 13th International Symposium on Biomedical Imaging (ISBI). 2016. P. 747–750. https://doi.org/10.1109/ISBI.2016.7493374
  • Kak A.C., Slaney M. Principles of Computerized Tomographic Imaging. NY. IEEE Press, 1988. 329 p.
  • Konovalenko I.A., Smagina A.A., Nikolaev D.P., Nikolaev P.P. ProLab: A Perceptually Uniform Projective Color Coordinate System. IEEE Access. 2021. V. 9. P. 133023–133042. https://doi.org/10.1109/ACCESS.2021.3115425
  • Lasio G.M., Whiting B.R., Williamson J.F. Statistical reconstruction for x-ray computed tomography using energy-integrating detectors. Physics in Medicine & Biology. 2007. V. 52. (8). P. 2247–2266.
  • Pietsch P., Wood V. X-Ray tomography for lithium ion battery research: a practical guide. Annual Review of Materials Research. 2017. V. 47. P. 451–479. https://doi.org/10.1146/annurev-matsci-070616-123957
  • Sartini S., Frizzi J., Borselli M., Sarcoli E., Granai C., Gealli V., Cevenini G., Guazzi G., Bruni F., Gonelli S., Postorelly M. Which method is best for an early accurate diagnosis of acute heart failure? Comparison between lung ultrasound, chest X-ray and NT pro-BNP performance: a prospective study. Internal and Emergency Medicine. 2017. V. 12. P. 861–869. https://doi.org/10.1007/s11739-016-1498-3
  • Shepelev D.A., Bozhkova V.P., Ershov E.I., Nikolaev D.P. Simulating shot noise of color underwater images. Computer Optics. 2020. V. 44 (4). P. 671–679. https://doi.org/10.18287/2412-6179-CO-754
  • Withers P.J., Bouman C., Carmignato S., Cnudde V., Grimaldi D., Hagen C.K., Meire E., Manley M., Du Plessis A., Stock S.R. X-ray computed tomography. Nature Reviews Methods Primers. 2021. V. 1. (18). P. 1–21. https://doi.org/10.1038/s43586-021-00015-4
  • Zschech E., Löffler M., Krüger P., Gluch J., Kutukova K., Zgłobicka, I., Silomon J., Rosenkranz R., Standke Y., Topal E. Laboratory computed X-ray tomography – a nondestructive technique for 3D microstructure analyis of materials. Practical Metallography. 2018. V. 55 (8). P. 539–555. https://doi.org/10.3139/147.110537