スペクトルイメージングのCTデータを使用した3次元化学成分分析のための以前の寸法削減による高速計算アプローチ

X線吸収微細構造（XAFS）イメージングおよびスキャン透過型電子顕微鏡（STEM）などのスペクトル画像（SI）測定技術は、エネルギー分散型X線分光法（EDS）または電子エネルギー損失分光法（EELS）を備えています。複合材料の化学構造を識別するため。SIデータの自動分析のために機械学習手法が開発されており、それらの有用性が証明されています。最近、SIとCT-XAFSおよびSTEM-EDS/EELS断層撮影などのコンピューター断層撮影（CT）技術（CT-SI）を組み合わせた拡張測定技術が、化学成分の3次元（3D）構造を特定するために開発されました。。CT-SI分析は、CT再構成アルゴリズムと機械学習技術に基づいて化学成分分析を組み合わせて実施できます。ただし、この分析では、CT-SIデータセットのサイズにより高い計算コストが発生します。この問題に対処するために、この研究では、監視されていない学習設定における3D化学成分分析のための高速な計算アプローチを提案しました。計算コストを削減するための主なアイデアは、CT計算前にCT-SIデータを圧縮し、圧縮データで3D再構成と化学成分分析を実行することが含まれます。提案されたアプローチは、3D構造と化学成分に関する情報を失うことなく、計算コストを大幅に削減しました。合成および実際のCT-XAFSデータを使用して提案されたアプローチを実験的に評価しました。これは、分析のパフォーマンスを維持しながら、従来のアプローチよりも大幅に速い計算速度を達成することを実証しました。提案された手順は、任意のCTアルゴリズムで実装できるため、ノイズでまばらなCT-SIデータセットのまばらな正規化されたCTアルゴリズムで3D分析を加速することが期待されます。

Spectral image (SI) measurement techniques, such as X-ray absorption fine structure (XAFS) imaging and scanning transmission electron microscopy (STEM) with energy-dispersive X-ray spectroscopy (EDS) or electron energy loss spectroscopy (EELS), are useful for identifying chemical structures in composite materials. Machine-learning techniques have been developed for automatic analysis of SI data, and their usefulness has been proven. Recently, an extended measurement technique combining SI with a computed tomography (CT) technique (CT-SI), such as CT-XAFS and STEM-EDS/EELS tomography, was developed to identify the three-dimensional (3D) structures of chemical components. CT-SI analysis can be conducted by combining CT reconstruction algorithms and chemical component analysis based on machine learning techniques. However, this analysis incurs high computational costs owing to the size of the CT-SI datasets. To address this problem, this study proposed a fast computational approach for 3D chemical component analysis in an unsupervised learning setting. The primary idea for reducing the computational cost involved compressing the CT-SI data prior to CT computation and performing 3D reconstruction and chemical component analysis on the compressed data. The proposed approach significantly reduced the computational cost without losing information about the 3D structure and chemical components. We experimentally evaluated the proposed approach using synthetic and real CT-XAFS data, which demonstrated that our approach achieved a significantly faster computational speed than the conventional approach while maintaining analysis performance. As the proposed procedure can be implemented with any CT algorithm, it is expected to accelerate 3D analyses with sparse regularized CT algorithms in noisy and sparse CT-SI datasets.