近日，南方科技大学统计与数据科学系王超助理教授团队与合作者在X射线光谱断层扫描成像的数据处理与算法研究上取得突破，开发出一种基于隐式神经网络的自监督校正变形算法。相关研究成果以“Data-driven deformation correction in X-ray spectro-tomography with implicit neural networks”为题，作为封面文章发表在国际知名学术期刊Cell的交叉学科子刊Patterns上。

在材料科学、化学以及生物学等领域，探究纳米尺度下材料的三维结构和化学成分之间复杂的相互作用，对于推动储能技术的进步至关重要。全场透射X射线显微镜结合X射线吸收近边结构光谱（TXM-XANES）技术，为无损获取材料高分辨率的三维形态和成分演变信息提供了强有力的工具支撑。然而，在实际数据采集中，获取海量的二维投影数据通常需要数十分钟乃至数小时。在此期间，仪器的机械振动、光学元件漂移以及电池循环过程中由于电化学反应引发的样品内禀形变，均会导致图像出现严重错位与变形。若问题未能得到有效纠正，将极大降低断层扫描重建质量，引入大量伪影并模糊细微特征，成为制约X射线光谱断层扫描技术广泛应用的关键瓶颈之一。

为了应对这一挑战，研究团队提出了一种完全由数据驱动的统一算法框架——坐标对齐网络（CANet）。与传统依赖于繁琐的手动特征标记或昂贵的外部硬件传感器的方法不同，CANet建立在隐式神经网络的概念基础之上。该算法的工作流程主要包含断层扫描配准和光谱配准（如图1所示）。CANet采用自监督架构，直接在待校正的实验数据上进行训练，无需外部训练数据。模型利用多层感知机，学习从投影的角度或光谱坐标到仿射变换参数的连续映射。CANet通过最小化对齐投影与重投影之间的损失函数，或最高能量参考光谱之间的损失函数，不断更新仿射参数，从而在统一框架内高效实现高精度的图像变形纠正。

图1. X射线光谱断层扫描的变形校正方法

研究团队在模拟数据集和真实的锂离子电池正极材料成像数据上对算法进行了严格验证。在对实际电池颗粒进行三维重构时，未经对齐的原始数据往往伴随着严重的非均匀运动伪影，导致图像模糊。而经过CANet算法校正后，重构质量得到了显著提升。从代表性切片的局部放大视图中可以清晰地看到，CANet不仅有效抑制了运动伪影，还高保真地还原了结构的锐度，使电池颗粒内部极微小的晶内裂痕清晰可见（如图2所示）。这种对裂纹等细微结构的精准定位，以及在此基础上实现的氧化态非均质性精确三维映射，为理解电池的物理化学降解机制提供了关键视觉证据。

   图2.CANet在电池正极颗粒纳米断层扫描与光谱断层扫描投影对齐中的实际应用

该研究提出的自监督坐标对齐网络算法，成功克服了传统显微成像配准的技术限制，提供了一种高效、稳定且全自动化的数据驱动解决方案。这项工作不仅有助于赋能研究人员开发与设计更耐用、更高效的下一代电池材料，也为材料科学等领域的原位高分辨三维与四维成像提供了一项通用算法工具。

该研究在南方科技大学统计与数据科学系助理教授王超、香港中文大学助理教授李济舟、中国科学院物理研究所研究员禹习谦的共同指导下完成。南方科技大学2022级博士生王婷为论文第一作者（共同一作排名第一），南方科技大学为论文第一单位。该研究得到了国家自然科学基金、广东省基础与应用研究基金、香港研究资助局等资助。

文章链接：https://www.cell.com/patterns/fulltext/S2666-3899(26)00024-3

供稿：统计与数据科学系

主图：丘妍

通讯员：滕悦然 

编辑：任奕霏