Abstract A machine learning based image processing workflow is presented to enhance shale source rock microscopic images obtained using diverse imaging platforms. Images were acquired from a 30 μ m diameter cylindrical Vaca Muerta shale sample using both nondestructive Transmission X-ray Microscopy (TXM, alternately referred to as nano computed tomography) and destructive Focused Ion Beam-Scanning Electron Microscopy (FIB-SEM). Output cross-sectional images from each modality were aligned using a combination of manual and automated registration techniques to create a registered image dataset. We then apply this dataset for two image processing tasks: prediction of image cross sections with SEM-like resolution from nondestructive TXM data and repair of charged region artifacts (localized accumulation of electrons) within SEM images. The image processing algorithms for both tasks use deep learning models, specifically image-to-image Convolutional Neural Networks (CNNs) and conditional Generative Adversarial Networks (cGANs). In the image enhancement tasks, we are able to achieve significant qualitative and quantitative improvement in TXM images. The best model reaches an average Peak Signal to Noise Ratio (PSNR) of 15.8 dB. Conditioning on TXM data is also shown to reduce artifacts from SEM charging, achieving an average PSNR of 25.8 dB. Our results suggest that properly trained and validated networks are capable of significant enhancement of images obtained using nondestructive techniques, thereby improving interpretation of two- and three-dimensional images while preserving samples for future use.

中文翻译：

---

多模态成像和机器学习以增强页岩的显微镜图像

摘要 提出了一种基于机器学习的图像处理工作流程，以增强使用不同成像平台获得的页岩烃源岩显微图像。图像是使用非破坏性透射 X 射线显微镜（TXM，也称为纳米计算机断层扫描）和破坏性聚焦离子束扫描电子显微镜 (FIB-SEM) 从 30 微米直径的圆柱形 Vaca Muerta 页岩样品中获取的。使用手动和自动配准技术的组合来对齐来自每种模态的输出横截面图像，以创建配准图像数据集。然后，我们将此数据集应用于两个图像处理任务：根据无损 TXM 数据预测具有类似 SEM 分辨率的图像横截面，以及修复 SEM 图像中的带电区域伪影（电子的局部积累）。这两项任务的图像处理算法都使用深度学习模型，特别是图像到图像的卷积神经网络 (CNN) 和条件生成对抗网络 (cGAN)。在图像增强任务中，我们能够在 TXM 图像中实现显着的定性和定量改进。最佳模型达到 15.8 dB 的平均峰值信噪比 (PSNR)。还显示对 TXM 数据进行调节可以减少 SEM 充电的伪影，实现 25.8 dB 的平均 PSNR。我们的结果表明，经过适当训练和验证的网络能够显着增强使用无损技术获得的图像，从而改善二维和三维图像的解释，同时保留样本以备将来使用。特别是图像到图像的卷积神经网络 (CNN) 和条件生成对抗网络 (cGAN)。在图像增强任务中，我们能够在 TXM 图像中实现显着的定性和定量改进。最佳模型达到 15.8 dB 的平均峰值信噪比 (PSNR)。还显示对 TXM 数据进行调节可以减少 SEM 充电的伪影，实现 25.8 dB 的平均 PSNR。我们的结果表明，经过适当训练和验证的网络能够显着增强使用无损技术获得的图像，从而改善二维和三维图像的解释，同时保留样本以备将来使用。特别是图像到图像的卷积神经网络 (CNN) 和条件生成对抗网络 (cGAN)。在图像增强任务中，我们能够在 TXM 图像中实现显着的定性和定量改进。最佳模型达到 15.8 dB 的平均峰值信噪比 (PSNR)。还显示对 TXM 数据进行调节可以减少 SEM 充电的伪影，实现 25.8 dB 的平均 PSNR。我们的结果表明，经过适当训练和验证的网络能够显着增强使用无损技术获得的图像，从而改善二维和三维图像的解释，同时保留样本以备将来使用。我们能够在 TXM 图像中实现显着的定性和定量改进。最佳模型达到 15.8 dB 的平均峰值信噪比 (PSNR)。还显示对 TXM 数据进行调节可以减少 SEM 充电的伪影，实现 25.8 dB 的平均 PSNR。我们的结果表明，经过适当训练和验证的网络能够显着增强使用无损技术获得的图像，从而改善二维和三维图像的解释，同时保留样本以备将来使用。我们能够在 TXM 图像中实现显着的定性和定量改进。最佳模型达到 15.8 dB 的平均峰值信噪比 (PSNR)。还显示对 TXM 数据进行调节可以减少 SEM 充电的伪影，实现 25.8 dB 的平均 PSNR。我们的结果表明，经过适当训练和验证的网络能够显着增强使用无损技术获得的图像，从而改善二维和三维图像的解释，同时保留样本以备将来使用。