导读

对于传统的面阵探测器，中子或X光这类高穿透性的放射成像，要提高探测灵敏度通常是增加射线敏感层的厚度来实现，而这往往会降低面阵探测器的空间分辨率。此外在不显著增加辐射剂量的前提下，对面阵探测器的每个像元同时进行强度、极化（偏振）及入射方向等多参量成像也几乎不可实现。鬼成像技术和人工智能相结合将极大地促进放射成像技术的发展，尤其在高空间分辨、高探测灵敏度、低辐射剂量的多参量成像中起到至关重要的作用。

鬼成像最早称为量子关联成像，也称为单像素相机成像，是一种新型成像技术。它通过测定物体光场分布，比较物体投射光强变化并进行统计关联运算，在只需要一个单像素的“桶”探测器情况下就能还原出物体“鬼”像(图1a)。鬼成像起初被认为是量子纠缠源的一种量子行为，后来发现也可以通过利用光子的经典关联实现。由于经典光源更易于在实际环境中应用，因此基于经典光源的鬼成像技术得到了广泛的关注。

图1 (a) 鬼成像系统的原理；（b）目标图像；（c）中子鬼成像关联重构图像；（d）用于图像重建的CNN网络；（e）中子鬼成像CNN重建图像

鬼成像的主要优势在于它解耦了探测过程和成像过程。在探测过程中，由于穿过物体的探测臂光路上的“桶”探测器不需要空间分辨能力，因此它很容易解析出如强度、极化及入射方向等多参量信息，从而解决传统成像中难以实现的强度、偏振和入射方向等同时分辨的多参量成像问题。在每次测量中，由于“桶”探测器接收来自目标的所有辐射信号，探测到的信号较强，与传统阵列式探测器相比，鬼成像能够改善探测信噪比。

对于中子和Ⅹ光这类高穿透性放射成像技术而言，增加探测灵敏度往往意味着增加成像探测器射线敏感层的厚度，而这通常会导致降低成像探测器的空间分辨率。由于鬼成像解耦了探测和成像过程，即在探测臂只需一个无空间分辨能力的“桶”探测器，增加高穿透性放射鬼成像系统的探测灵敏度并不会损害系统的空间分辨率。“桶”探测模式所具有的更高的探测灵敏度，可显著减少成像过程中目标物体所接受的放射剂量。

鬼成像的核心技术是利用照明光场的空间涨落对成像目标进行空间调制，在测量过程中，尽管鬼成像只使用单像素“桶”探测器，但在测量信号中包含了来自目标中所有像素的信息。基于光场的调制花样和“桶”探测器捕获的信号，即可重构出所需的目标图像。在中子成像领域，由于长期缺乏合适的中子束空间分布调制方法，导致鬼成像技术难以应用于中子成像中。

最近，在中国和澳大利亚两国科学家的共同努力下，这一限制终于被突破，使用镉制成的哈达玛花样调制模板，或在圆柱形随机模板里添加碘化食盐或者三氧化钆等材料，中澳两个科研小组分别实现了中子束空间分布调制器件的制备，这为单像素中子鬼成像开辟了道路，也让多参量低辐射剂量中子鬼成像有望得到广泛应用。

得益于人工智能(AI)的最新发展，深度学习尤其是卷积神经网络(CNN)方法已被用于解决鬼成像中的图像重建问题，它的优势在于网络训练完成后便可立即获得高质量的重建图像。该方法已被成功应用于单像素中子鬼成像，对比图1（c）和（e），CNN的图像重建结果要比传统的鬼成像结果好很多，这说明将人工智能与鬼成像技术相结合，即使在低辐射通量环境下也可快速获取具有能量分辨的高质量中子图像。因此，通过结合鬼成像和人工智能的各自优势，将有望突破长期存在于高穿透率成像系统（如中子、X射线）中的多参量成像难题，并克服其探测灵敏度和空间分辨率相互制约的原理性障碍。

总结和展望

未来，廉价、低辐射剂量的放射性鬼成像技术将有望拓展到放射性断层扫描鬼成像、放射性衍射显微鬼成像、暗场鬼成像及同位素标记的多参量鬼成像。同时，凭借深层神经网络强大的学习能力，人工智能可在各类放射鬼成像系统中提取大量高维特征，进一步减少成像系统所需的测量次数，以加快成像过程并进行多参量成像。

获取图像信息不一定是实际应用中的最终目标，随着人工智能的飞速发展，鬼成像和人工智能的深度结合有望实现直接从原始的多参量成像测量中进行分类和识别而无需重建图像。与人工智能的结合当然不仅限于放射性鬼成像，其他类型的鬼成像、甚至更广泛的任何计算成像系统均可从与人工智能的结合中获益。伴随着人工智能的发展，计算成像将打破传统成像中的更多障碍，提供过去无法捕获的更多有用信息。我们正在迎来一个关于图像信号获取、传输和分析的新时代。

扫二维码｜查看原文

原文链接：https://www.cell.com/the-innovation/fulltext/S2666-6758(21)00025-4

本文内容来自Cell Press合作期刊The Innovation第二卷第二期将以Commentary发表的“Single-pixel neutron imaging with artificial intelligence: breaking the barrier in multi-parameter imaging, sensitivity and spatial resolution” (投稿: 2021-01-05；接收: 2021-03-02；在线刊出: 2021-03-23)。

DOI: https://doi.org/10.1016/j.xinn.2021.100100

引用格式：Yuan X., Han S. (2021). Single-pixel neutron imaging with artificial intelligence: breaking the barrier in multi-parameter imaging, sensitivity and spatial resolution. The Innovation. 2(2),100100.

作者简介

袁鑫，贝尔实验室的视频分析和编码首席研究员，主要从事计算成像，机器学习，计算机视觉，信号处理和图像处理方面的研究。

Web: 

bell-labs.com/about/researcher-profiles/xyuan/#gref

韩申生，中科院上海光机所研究员，目前主要从事鬼成像技术及其应用等方面的研究。

Web: 

sourcedb.siom.cas.cn/zw/rck/200908/t20090820_2429851.html

近期热门

期刊简介

扫二维码｜访问期刊官微

The Innovation 是一本由青年科学家与Cell Press于2020年共同创办的综合性英文学术期刊：向科学界展示鼓舞人心的跨学科发现，鼓励研究人员专注于科学的本质和自由探索的初心。往期作者（Volume 1 Issue 1 -- Volume 2 Issue 1）来自全球24个国家；每期1/3-1/4通讯作者来自海外。目前有180位编委会成员，来自21个国家；50%编委来自海外；包含1位诺贝尔奖获得者，26位各国院士；领域覆盖全部自然科学。The Innovation已被DOAJ，ADS，Scopus等数据库收录。

期刊官网1（Owner）：

www.the-innovation.org

期刊官网2（Publisher）：

www.cell.com/the-innovation/home

期刊投稿（Submission）：

www.editorialmanager.com/the-innovation

Logo｜期刊标识

See the unseen & change the unchanged

创新是一扇门，让你探索未知；  

创新是一道光，让你脑洞大开；  

创新是一本书，让你期待惊喜；  

创新是一个“1”，让你从此走起。

第1卷第1期

第1卷第2期

第1卷第3期

第2卷第1期