[发明专利]人工智能使能的体积重建

说明书

本文中公开了用于实施人工智能使能的体积重建的方法和设备。一种实例方法至少包含：获取样本表面的第一多个多能量图像，所述第一多个多能量图像中的各个图像是在不同的束能量下获得的，其中所述第一多个多能量图像中的各个图像包含来自样本内不同深度的数据；以及通过人工神经网络基于所述第一多个多能量图像重建至少所述样本的体积，其中所述重建的分辨率大于所述第一多个多能量图像的分辨率。

技术领域

本发明总体上涉及人工智能(AI)使能的体积重建，并且具体涉及用于带电粒子显微镜检查的人工神经网络使能的体积重建。

背景技术

基于单独获得的图像的体积重建在各种各样的工业中实施。例如，生命科学工业使用基于电子束图像的体积重建来研究组织样本以深入了解生物系统的工作。虽然此工艺被广泛使用，但是工具和当前技术是相当耗时和/或计算密集的。体积重建技术可以采取阵列重建的形式，其中将样本切片成大量切片，然后用例如SEM对其成像。然后SEM图像可以成为重建的基础。然而，此工艺是耗时并且计算密集的。另一个实例包含对样本表面成像、去除样本切片、成像、去除等等，直到成像所需的体积。此工艺也是耗时的，并且可能由于所使用的切片去除工艺而导致样本损坏。由于这些工艺的问题，需要更快的工艺。

发明内容

一种用于实施人工智能使能的体积重建的实例方法可以至少包含：获取样本表面的第一多个多能量图像，第一多个多能量图像中的各个图像是在不同的束能量下获得的，其中第一多个多能量图像中的各个图像包含来自样本内不同深度的数据；以及通过人工神经网络基于第一多个多能量图像重建至少样本的体积，其中重建的分辨率大于第一多个多能量图像的分辨率。

在另一个实施例中，用于实施人工智能使能的体积重建的系统可以是用于获得样本的体积重建的带电粒子显微镜系统。带电粒子显微镜系统可以至少包含用于在多个不同的束能量下证明电子束的电子束、用于去除样本切片的切割工具，以及至少被耦合以控制电子束和切割工具的控制器。控制器可以包含或耦合到存储代码的非暂时性计算机可读介质，当所述代码由控制器或耦合到控制器的计算系统执行时，所述代码使系统获取样本表面的第一多个多能量图像，第一多个多能量图像中的各个图像是在不同的束能量下获得的，其中第一多个多能量图像中的各个图像包含来自样本内不同深度的数据，并且通过耦合到或包含在系统中的人工神经网络基于第一多个多能量图像重建至少样本的体积，其中重建的分辨率大于第一多个多能量图像的分辨率。

在又一个实例中，公开了一种用于实施人工智能使能的体积重建的方法，所述方法至少包含接收多个多能量图像数据集，多个多能量图像数据集中的各个多能量数据集是从样本的不同表面获取的，其中各个多能量数据集包含多个图像，多个图像中的各个图像是在不同的束能量下获取的，并且其中所获取的多个图像中的各个图像包含来自样本内相对于样本的不同表面的相应表面的不同深度的数据，并且通过人工神经网络基于多个多能量图像数据集重建样本的体积，其中重建的分辨率大于多个多能量图像数据集中的各个图像的分辨率。

附图说明

图1是根据本公开的实施例的带电粒子显微镜系统的实例。

图2是根据本公开的实施例的用于基于较低分辨率多能量图像数据获得样本的体积的高分辨率重建的实例方法。

图3是根据本公开的实施例的用于训练人工神经网络的实例方法。

图4A是根据本公开的实施例的训练用于体积重建的3D ANN的实例绘示。

图4B绘示了ME图像数据与基于FIB的切片和视图数据之间的物理/尺寸差异。

图5是绘示可在其上实施本发明的实施例的计算机系统500的框图。

在附图的若干视图中，相同的附图标记指对应的部分。

具体实施方式