Noise2Ghost: Self-supervised deep convolutional reconstruction for ghost imaging

إليك ملخص تقني مفصل لورقة البحث بعنوان: "Noise2Ghost: إعادة البناء باستخدام الشبكات العصبية التلافيفية ذاتية الإشراف لالتصوير الشبحي."

1. بيان المشكلة

التصوير الشبحي (Ghost Imaging - GI) هو تقنية تعيد بناء الصور من خلال ربط أنماط إضاءة مهيكلة بقياسات كاشف أحادي النقطة. وهي توفر مزايا كبيرة مقارنة بالمسح التقليدي (P Pencil Beam)، لا سيما للعينات الحساسة للجرعة (مثل الأنسجة البيولوجية، والبطاريات) لأنها توزع الإشعاع على مساحة أكبر، مما يقلل من الضرر التأيني الموضعي.

ومع ذلك، يواجه التصوير الشبحي عقبة حرجة في تطبيقات النطاق النانوي ذات الإضاءة المنخفضة (مثل تصوير الأشعة السينية الفلورية):

• مستويات ضجيج عالية: تعاني هذه السيناريوهات من تدفق فوتونات منخفض للغاية، مما يؤدي إلى ضجيج "بواسون" (Poisson noise) هائل.
• آثار النقص في التحقيق (Missing Realization Artifacts): لتوفير الوقت والجرعة، يستخدم التصوير الشبحي غالباً عدداً من القياسات (التحقيقات) أقل من عدد بكسلات الصورة (نقص في أخذ العينات). يؤدي هذا إلى ظهور آثار يصعب على طرق إزالة الضجيج التقليدية فصلها عن الضجيج نفسه.
• محدودية الطرق الحالية:
  • الطرق التباينية التقليدية (مثل TV-min): تعتمد على بديهيات بسيطة (مثل التشتت) وتفشل في التقاط السمات المعقدة للصورة.
  • التعلم العميق الخاضع للإشراف (Supervised Deep Learning): يتطلب مجموعات بيانات كبيرة من الصور المرجعية النظيفة، وهي غير متوفرة للعينات الفريدة أو النادرة.
  • الطرق غير الخاضعة للإشراف أو ذاتية الإشراف الموجودة (مثل Deep Image Prior و Noise2Inverse): رغم أنها لا تتطلب بيانات نظيفة، إلا أنها غالباً ما تفشل في التعامل مع مستويات الضجيج العالية بفعالية أو لا تستطيع التمييز بين الضجيج العشوائي وآثار "نقص التحقيق" (أخطاء نقص أخذ العينات).

2. المنهجية: Noise2Ghost (N2G)

يقترح المؤلفون Noise2Ghost (N2G)، وهو إطار عمل للتعلم العميق ذاتي الإشراف مصمم لإعادة بناء صور التصوير الشبحي من بيانات مشوبة بالضجيج وغير مكتملة العينات دون الحاجة إلى تسميات مرجعية نظيفة.

المفهوم الجوهري

يجمع N2G بين بنية Deep Image Prior (DIP) واستراتيجية تدريب ذاتي الإشراف مستوحاة من Noise2Noise (N2N) و Noise2Inverse، ولكن تم تكييفها خصيصاً للنموذج الأمامي للتصوير الشبحي.

الخطوات التقنية الرئيسية:

1. تقسيم البيانات: يتم خلط مجموعة القياسات المكتسبة (التحقيقات) عشوائياً وتقسيمها إلى $K$ من المجموعات الفرعية.
2. إعادة البناء الفرعي: تُستخدم كل مجموعة فرعية لتوليد "إعادة بناء فرعي" ($x_k$) عبر حلّال المربعات الصغرى (Least Squares) القياسي.
   • تحتوي كل $x_k$ على نفس الإشارة الأساسية ولكن بخصائص ضجيج مختلفة (ضجيج قياس عشوائي وآثار نقص التحقيق).
3. حلقة التدريب ذاتية الإشراف:
   • تأخذ شبكة عصبية تلافيفية (CNN)، عادةً من نوع U-Net، إعادة بناء فرعي $x_k$ كمدخل.
   • يتم تدريب الشبكة للتنبؤ بالإشارة النظيفة.
   • الابتكار الحاسم: بدلاً من مقارنة مخرجات الشبكة بـ $x_k$ (التي تحتوي على ضوضاء)، تقوم دالة الخسارة بمقارنة مخرجات الشبكة (المسقطة عبر النموذج الأمامي $W_i$) مقابل القياسات ($y_i$) من المجموعات الفرعية الأخرى ($i \neq k$).
   • الصياغة الرياضية:
     $$\hat{\theta} = \arg\min_{\theta} \frac{1}{2} \sum_{k} \sum_{i \neq k} \| W_i N_\theta(x_k) - y_i \|_2^2 + \lambda R(N_\theta(x_k))$$
   • بما أن الضجيج في $x_k$ غير مرتبط بـ $y_i$ (من مجموعة فرعية مختلفة)، فإن الشبكة تتعلم التنبؤ بالإشارة المشتركة مع تجاهل مكونات الضجيج غير المرتبطة.
4. التعامل مع نقص التحقيق: على عكس Noise2Inverse (الذي يقلل الفرق بين عمليات إعادة البناء الفرعية)، يستخدم N2G قياسات الدلو الخام ($y_i$) كأهداف. هذا يمنع النموذج من تعلم إعادة إنتاج آثار "نقص التحقيق" المحددة المتأصلة في عمليات إعادة البناء الفرعية للمربعات الصغرى، مما يسمح للشبكة التلافيفية بتعلم حل أفضل يلبي كل من مطابقة البيانات والبديهة التنظيمية.
5. تعزيز البيانات (Data Augmentation): تستخدم الطريقة عمليات تبديل عشوائية لمجموعة التحقيقات لتوليد مزيج فريد من الضجيج والآثار، مما يزيد من حجم مجموعة بيانات التدريب فعلياً دون عمليات استحواذ جديدة.

3. المساهمات الرئيسية

• إطار عمل مبتكر ذاتي الإشراف: يعد N2G أول طريقة تنجح في تكييف مبادئ إزالة الضجيج ذاتية الإشراف خصيصاً للمسألة العكسية للتصوير الشبحي، حيث يعالج كلاً من الضجيج العشوائي وآثار نقص أخذ العينات في آن واحد.
• لا يتطلب بيانات نظيفة: يلغي الحاجة إلى صور مرجعية عالية الجودة، مما يجعله قابلاً للتطبيق على العينات الفريدة أو الحساسة للجرعة أو العينات الحية (in-vivo) حيث يستحيل الحصول على بيانات مرجعية.
• القوة في مواجهة الضجيج العالي: صُممت الطريقة صراحةً للتعامل مع مستويات ضجيج بواسون حيث تكون نسب الإشارة إلى الضجيج منخفضة للغاية (على سبيل المثال، أقل من فوتون واحد لكل بكسل في المتوسط).
• الاشتقاق النظري: تقدم الورقة برهاناً رياضياً يوضح أن دالة خسارة المجموعات الفرعية المتقاطعة تقلل فعلياً من خطأ التنبؤ المتوقع للضجيج، مما يعمل كآلية لتقليل الضجيج تشبه وجود أهداف خالية من الضجيج.

4. النتائج

قيم المؤلفون N2G مقابل أحدث الطرق: المربعات الصغرى غير المنظمة (LS)، التباين الكلي (TV)، Deep Image Prior (GIDC)، التمثيلات العصبية الضمنية (INR)، وطرق أخرى ذاتية الإشراف (Noise2Void, Noise2Inverse).

البيانات الاصطناعية (نموذج كروموسوم وهمي):

• مقاييس الأداء: تفوق N2G باستمرار على جميع الطرق الأخرى غير الخاضعة للإشراف في PSNR (نسبة ذروة الإشارة إلى الضوضاء)، و SSIM (مؤشر التشابه الهيكلي)، و الدقة (المقاسة عبر ارتباط الحلقة فوريه).
• سيناريوهات الفوتونات المنخفضة: في الأنظمة ذات الضجيج العالي (عدد فوتونات منخفض)، حافظ N2G على جودة صورة متفوقة. وبينما كانت مكاسب PSNR أقل قليلاً عند الأعداد المنخفضة جداً بسبب انحياز التردد، أظهر SSIM (الذي يلتقط السلامة الهيكلية بشكل أفضل) تفوقاً متزايداً لـ N2G.
• كفاءة الجرعة: لتحقيق نفس جودة صورة مسح Pencil Beam، تطلب N2G جرعة إجمالية أقل بكثير، والأهم من ذلك، أقصى جرعة للبكسل أقل بكثير (مما يقلل الضرر الموضعي). لقد قلص الفجوة في الأداء بين مسح Pencil Beam والتصوير الشبحي.

البيانات التجريبية (الأشعة السينية الفلورية في ESRF):

• مجموعة البيانات: بيانات XRF حقيقية لأسلاك نحاسية تم الحصول عليها من المنبع الأوروبي للأشعة السينية (ESRF).
• المحاكاة: قام المؤلفون بمحاكاة ظروف الجرعة شديدة الانخفاض عن طريق تقليل عدد الفوتونات المتراكمة (إلى حوالي 2.6% من الجرعة المرجعية).
• النتيجة: حتى في مستويات التدفق المنخفضة للغاية (التي تحاكي التصوير النانوي)، أنتج N2G عمليات إعادة بناء ذات SSIM و PSNR أعلى بكثير مقارنة بـ TV و GIDC و INR. نجح في استعادة التفاصيل الهيكلية التي فُقدت تماماً أو طُمست بفعل الضجيج في الطرق الأخرى.

5. الأهمية والأثر

• تمكين التصوير منخفض الجرعة: يجعل N2G التصوير الشبحي أداة قابلة للتطبيق للدراسات الحية (in-vivo) والدراسات في الموقع (in-operando) للعينات الحساسة للإشعاع (مثل الخلايا البيولوجية الحية، أو تدهور البطاريات) من خلال السماح بسرعات استحواذ أسرع أو جرعات إشعاعية أقل دون التضحية بجودة الصورة.
• تجاوز حد "البيانات المفقودة": من خلال الفصل الفعال بين آثار نقص أخذ العينات والضجيج العشوائي، يدفع N2G حدود أقل عدد من القي fast المطلوبة لإعادة بناء ناجحة للتصوير الشبحي.
• القابلية للتطبيق العملي: الطريقة قابلة للتنفيذ حاسوبياً (زمن إعادة البناء بالدقائق، وهو أمر مقبول في تجارب السنكروترون) ولا تتطلب مجموعات بيانات تدريب باهظة الثمن.
• الآفاق المستقبلية: يشير المؤلفون إلى أن N2G يمكن أن يقلل أوقات الاستحواذ بمعامل 1.5-2 مقارنة بالطرق الحالية غير الخاضعة للإشراف، أو يسمح بتصوير عالي الدقة ضمن نفس ميزانية الجرعة. قد يتضمن العمل المستقبلي دمج البديهيات متعددة الأنماط (مثل الجمع بين بيانات النفاذية والفلورة) لتحسين جودة إعادة البناء بشكل أكبر.

باختصار، يمثل Noise2Ghost قفزة نوعية في التصوير الشبحي الحسابي، حيث يوفر حلاً قوياً ذاتي الإشراف يفتح آفاق التصوير الشبحي لتطبيقات التصوير العلمي المتطورة ومنخفضة الجرعة.