用于科学图像重建的模块化软件

科学家使用一系列成像仪器来观察生物体的内部(有时是在它们移动时)，并观察惰性物体而不改变其状态。此类仪器包括望远镜、显微镜、CT扫描仪等。但这些仪器即使在最大容量下工作，通常也只能生成部分图像或质量太低的图像，无法提供太多洞察力。

这就是强大的算法发挥作用的地方——它们可以拼凑出缺失的信息，提高图像的分辨率和对比度，并充实粗略的对象。这项称为计算成像的技术最近取得了令人印象深刻的进展，现在它在许多类型的研究中发挥着核心作用。

各个领域的工程师已经为这项技术开发了强大的算法程序，但每个算法程序都是针对高度特定的应用而设计的，尽管底层的成像物理原理通常是相同的。这意味着想要结合成像方法的科学家必须付出相当大的努力来适应不同的程序并让它们进行交流。

“我们觉得我们总是在重写相同的代码，以适应我们想要使用的程序，”博士SepandKashani说。洛桑联邦理工学院视听通信实验室(LCAV)的学生。

因此，他与MatthieuSimeoni和EPFL成像中心图像重建中心前任和现任负责人JoanRuéQueralt合作，开发与应用程序无关的算法，以便在不同领域共享。今天，这个名为Pyxu的软件已经开源。

从微小分子到外太空，都适用相同的物理定律

“无论特定的研究领域如何，控制成像的物理定律通常都是相同的，”RuéQueralt说。“图像重建中遇到的问题可以分为几类，具有几乎相同的数学模型，例如X射线和其他形式的断层扫描、核磁共振成像和射电天文学等。”这就是为什么他、卡沙尼和西蒙尼相信开发与应用程序无关的软件是可能的。

“如今，成像方法通常仅用于其最初开发的领域，”RuéQueralt说。“我们看到科学家们花费了大量的时间和精力通过编写与现有程序类似的程序来重新发明轮子。这减缓了所有领域成像的进步。”

Pyxu旨在用于任何领域，并使其更容易无缝地融入尖端人工智能技术。LCAV教授MartinVetterli解释道：“近年来，深度学习算法颠覆了计算成像领域。这些算法依赖于人工智能技术，并提供比传统算法更好的性能。”

通过将高质量图像与重建图像进行比较来训练算法，然后用于自动进行必要的校正以改进重建并比较图像本身。

Pyxu开发团队由来自LCAV和成像中心的工程师组成，必须汇集多个领域的技能来创建软件和开源平台。Kashani表示：“我们最大的技术挑战之一是让Pyxu足够灵活，能够处理庞大的数据集，同时又易于在具有广泛硬件配置的各种IT系统中实施。”

更少的代码，更多的砖块

有了Pyxu，科学家不再需要成为实施细节方面的专家。该软件包含代表不同任务的模块，用户可以选择这些模块并按照自己希望的顺序拼凑起来，就像乐高积木一样。

尼诺·埃尔韦，博士洛桑大学的学生，是Pyxu的首批用户之一;他使用该软件重建脑电图图像。“根据放置在患者头皮上的200个电极获取的读数来解释5,000个神经连接的活动绝非易事，”他说。

“我们需要能够有效解决优化问题的程序。Pyxu的软件使用了各种复杂的优化算法，并且旨在并行运行计算，这使得计算速度更快。它大大减轻了我的工作量。”

Pyxu于几个月前开源发布，并已用于射电天文学、光学、断层扫描和CT扫描等领域的众多EPFL研究中。“我们设计Pyxu的目的是让研究人员可以使用我们的模型作为构建他们自己的模型的基础，”Pyxu的创建者MatthieuSimeoni说。

“然后研究人员可以将他们的模型添加到我们的软件中，并将其提供给整个科学界。”

第二个更具可扩展性的版本

该软件的第二个更具可扩展性的版本目前正在开发中，并计划以开源方式发布。除了能够处理更大的数据集之外，新版本还将包含更多功能，并且使用起来更加简单。例如，Pyxu的开发人员正在与EPFL生物医学成像小组的工程师合作，以将人工智能驱动的算法嵌入到数学模型中的最新进展为基础。

目标是确保重建图像在视觉上传达重要信息并且在数学上具有鲁棒性——这是医疗诊断等敏感应用的基本品质。