Moiré Artifact Reduction in Grating Interferometry Using Multiple Harmonics and Total Variation Regularization

إليك ملخص تقني مفصل للورقة البحثية بعنوان "تقليل عيوب المواريه في تداخل الشبكات باستخدام التوافقيات المتعددة وتنظيم التباين الكلي".

1. بيان المشكلة

تعد تداخلات الشبكات (Grating interferometry) وسيلة تصوير بالأشعة السينية قوية قادرة على توليد ثلاثة أنواع متميزة من الصور: الوهن (الامتصاص)، الطور التفاضلي (الانكسار)، والمجال المظلم (التشتت بزاوية صغيرة). يتم الحصول على هذه الصور عادةً باستخدام تدرج الطور (phase-stepping)، حيث يتم تحريك شبكة الحيود عرضياً بخطوات منفصلة لأخذ عينات من نمط تداخل الحواف عند كل بكسل.

تفترض خوارزمية إعادة البناء القياسية شرطين مثاليين:

1. أن تكون خطوات الطور متباعدة بشكل متساوٍ.
2. أن يكون نمط الحواف عبارة عن موجة جيبية مثالية (توافقية واحدة).

في الممارسة العملية، غالباً ما تُنتهك هذه الافتراضات بسبب:

• الأخطاء الميكانيكية: تؤدي أخطاء تحديد موقع المحرك والاهتزازات في النظام إلى عدم انتظام المسافات بين خطوات الطور.
• التعقيد الفيزيائي: غالباً ما تحتوي أنماط الحيود على توافقيات من رتب أعلى بدلاً من كونها جيبية بحتة.

عندما تتجاهل خوارزمية إعادة البناء هذه العوامل، فإنها تسبب ظهور عيوب المواريه (Moiré artifacts) (تذبذبات متبقية) في صور الوهن، والطور التفاضلي، والمجال المظلم النهائية. تؤدي هذه العيوب إلى تدهور جودة الصورة والدقة الكمية، لا سيية في التطبيقات السريرية مثل تصوير أمراض الرئة. تعتمد طرق التصحيح الحالية غالباً على مناطق خالية من العينات، أو تتجاهل التوافقيات، أو تتطلب بيانات تدريب واسعة (الشبكات العصبية التلافيفية CNNs)، مما يحد من قدرتها على التعميم.

2. المنهجية

يقترح المؤلفون خوارزمية استرداد صور قائمة على الفيزياء (physics-based iterative image recovery algorithm) تقوم بتقدير مواضع تدرج الطور الحقيقية من خلال نمذجة التوافقيات من الرتب الأعلى وتطبيق التنظيم (regularization) في آن واحد.

أ. نموذج التوافقيات المتعددة

بدلاً من ملاءمة موجة جيبية واحدة، يتم توسيع نموذج الشدة $I(x, y, x_g)$ ليشمل $n_H$ من التوافقيات:
$$\hat{I} = a_0 + \sum_{n=1}^{n_H} a_n \sin\left(\frac{2\pi n x_g}{W} + \phi_n\right)$$
يسمح هذا للخوارزمية بمراعاة الشكل المعقد للحافة الفعلية.

ب. التحسين التكراري مع التنظيم

جوهر هذه الطريقة هو تقليل دالة التكلفة التي توازن بين مطابقة البيانات والقيود الفيزيائية. تقوم الخوارزمية بتعديل مواضع تدرج الطور المقدرة ($\vec{x}_g$) بشكل تكراري لتقليل:
$$\text{Cost} = \text{MSE}(\text{Measured} - \text{Model}) + \sum \lambda_j R_j$$

• مطابقة البيانات: هي متوسط مربع الخطأ (MSE) بين الشدة المقاسة والنموذج متعدد التوافقيات.
• التنظيم (التباين الكلي - Total Variation): لمنع الإفراط في الملاءمة (حيث يقوم النموذج بملاءمة الضوضاء أو إنشاء نقاط صغرى محلية)، يتم تطبيق تنظيم التباين الكلي (TV). ومن الأهمية بمكان أن حد التنظيم يختلف بناءً على نوع البيانات:
  • بيانات المرجع: يتم تنظيمها بواسطة التباين الكلي لـ سعات التوافقيات ($a_n$). وهذا يعمل على تنعيم معاملات الملاءمة نفسها.
  • بيانات العينة: يتم تنظيمها بواسطة التباين الكلي لـ الصور المعاد بناؤها نهائياً (الوهن $\Gamma$، الطور التفاضلي $\Delta\phi$، والمجال المظلم $\Sigma$). وهذا يعمل مباشرة على كبح العيوب في المخرجات ذات الصلة سريرياً.

ج. التحسين متعدد المراحل

لضمان التقارب وتجنب النقاط الصغرى المحلية، يتم إجراء التحسين على مراحل:

1. المرحلة الأولى: تقدير المواضع باستخدام التوافقيات من الرتبة 0 و1 فقط.
2. المراحل اللاحقة: إدراج التوافقيات العليا تدريجياً (الثانية، الثالثة، إلخ).
3. التحسين الدقيق: مع إضافة التوافقيات العليا، يتم تضييق نطاق البحث لمواضع تدرج الطور، مما يؤدي فعلياً إلى تحسين دقة تقدير الموقع.

3. المساهمات الرئيسية

• تصحيح مدرك للتوافقيات: على عكس الطرق السابقة التي تفترض حواف جيبية، يقوم هذا النهج صراحةً بنمذجة التوافقيات من الرتب الأعلى، وهو أمر بالغ الأهمية لأنظمة مثل مقياس تداخل الحبيبات الطورية المعدلة (MPGI).
• تنظيم الصورة المباشر: تكمن الجدة في تطبيق تنظيم التباين الكلي مباشرة على الصور المعاد بناؤها (الوهن، الطور، المجال المظلم) بدلاً من مجرد معاملات الملاءمة، مما يضمن أن المخرجات النهائية خالية من العيوب، حتى لو وجدت بقايا طفيفة في المعلمات الوسيطة.
• استقلالية النظام: تم إثبات نجاح هذه الطريقة على بنيتين مختلفتين من مقاييس التداخل:
  • مقياس تداخل تالبوت-لاو (TLI): يتطلب شبكات منحنية ومحلل (analyzer).
  • مقياس تداخل الحبيبات الطورية المعدلة (MPGI): يستخدم شبكة واحدة مع غلاف معدل، مما يلغي الحاجة إلى شبكة المحلل.
• نهج قائم على الفيزياء: على عكس طرق التعلم العميق، لا يتطلب هذا النهج مجموعات بيانات ضخمة من الصور الخالية من العيوب، مما يجعله قابلاً للتطبيق على الإعدادات التجريبية الجديدة فوراً.

4. النتائج

تم التحقق من صحة الخوارزمية باستخدام إعداد مختبري مع مصدر أشعة سينية بؤري دقيق وكاشف Dexela.

• التحقق الإحصائي (حالة "لا يوجد جسم" في TLI):
  • بمقارنة خطوات الطور الاسمية (غير المصححة) مقابل المصححة، انخفض التباين عبر الصورة بأكملها بشكل كبير ($p < 0.001$).
  • أظهر تحليل خط الرسم البياني (Line profile) انخفاضاً هائلاً في سعة تذبذبات المواريه (على سبيل المثال، انخفضت سعة عيب المجال المظلم من $2.33 \times 10^{-2}$ إلى $6.53 \times 10^{-3}$).
• التصوير البيولوجي (TLI):
  • أظهر تصوير فأر ميت إزالة كاملة لتموجات المواريه المرئية في صور الوهن، والطور التفاضلي، والمجال المظلم.
• تصوير المواد (MPGI):
  • أظهر تصوير كرات PMMA المجهرية (بقطر 1 ميكرومتر، وهي نظير لأنسجة الرئة) أنه بينما كان التوافق الواحد غير كافٍ، فإن استخدام 3 توافقيات قضى تماماً على عيوب المواريه.
  • أظهرت صورة المجال المظلم بوضوح تشتت الكرات المجهرية دون ضجيج الخلفية الناتج عن عدم تجانس الشبكة.
• الأداء الحسابي:
  • تتميز الخوارزمية بكفاءة حسابية، حيث تتراوح أوقات معالجة العينات من ~14 ثانية (MPGI) إلى ~177 ثانية (TLI) على جهاز كمبيوتر محمول قياسي، اعتماداً على عدد التوافقيات ودقة الصورة.

5. الأهمية

يعالج هذا العمل حداً جوهرياً في تداخلات الشبكات كان يعيق انتقالها إلى الاستخدام السريري والصناعي الروتيني.

• الدقة الكمية: من خلال إزالة العيوب التي تنشأ عن عمليات القسمة (مثل عينة/مرجع للوهن)، تحسن الطريقة من الموثوقية الكمية للصور، وهو أمر ضروري لتشخيص أمراض مثل النفاخ الرئوي، والتليف، والسرطان.
• المتانة: تتعامل الطريقة مع انحناءات الحواف الشديدة وعدم المحاذاة الميكانيكية التي قد تفسد الصورة عادةً.
• التطبيقات المستقبلية: إن القدرة على عزل مكونات التوافقات العليا تفتح الباب أمام تصوير طول الارتباط الذاتي المتعدد، مما قد يسمح بالرؤية المتزامنة للهياكل بمقاييس مختلفة.
• تعدد الاستخدامات: الإطار قابل للتطبيق على مختلف تصميمات مقاييس تداخل الشبكات (TLI، MPGI، Dual Phase Grating)، مما يوفر حلاً موحداً لتقليل العيوب دون الحاجة إلى تعديلات مكلفة في الأجهزة أو مجموعات بيانات تدريب ضخمة.