Zlepšení kvality obrazu v rentgenové výpočetní mikrotomografii s velkým úhlovým krokem s využitím hlubokého učení

Abstract

Rentgenová výpočetní mikrotomografie představuje neinvazivní metodu, díky které jsme schopni zobrazit vnitřní strukturu objektů, proto se využívá v průmyslu i ve výzkumu. Doba měření rentgenových projekcí, které jsou potřebné pro tomografickou rekonstrukci obrazu objektu, se však může pohybovat v řádu desítek hodin. Jeden ze způsobů, jak zkrátit čas měření, spočívá ve zmenšení počtu naměřených projekcí, což ovšem negativním způsobem ovlivňuje kvalitu výsledné rekonstrukce obrazu. Pro zlepšení kvality rekonstruovaného obrazu je však možné aplikovat různé interpolační techniky. V této práci budou na data z laboratoře rentgenové mikro a nano výpočetní tomografie na CEITEC VUT a na data z veřejného zdroje aplikovány vybrané interpolační metody, které využívají hluboké učení, a bude vyhodnocena jejich úspěšnost.X-ray computed microtomography represents a non-invasive method, which allows us to visualize the internal structure of objects, and therefore it is used in both industry and research. However, the measurement time required for data acquisition can be in the range of tens of hours. One way to shorten the measurement time is to reduce the number of acquired data, but this negatively affects the quality of the resulting image reconstruction. To improve the quality of the resulting image reconstruction, various interpolation techniques can be applied. In this work, selected interpolation methods that use deep learning will be applied to data from the laboratory of X-ray micro and nano computed tomography at CEITEC BUT and to data from a public source, and their effectiveness will be evaluated.