SPLIT: Self-supervised Partitioning for Learned Inversion in Nonlinear Tomography

1. Planteamiento del Problema

La reconstrucción de imágenes en tomografía computarizada (TC), especialmente en modalidades avanzadas como la TC Multiespectral (MSCT), enfrenta desafíos fundamentales:

• Problemas No Lineales: A diferencia de la TC clásica (lineal), la MSCT debe modelar la atenuación dependiente de la energía de los materiales y la naturaleza policromática de las fuentes de rayos X. Esto genera un problema inverso no lineal complejo.
• Falta de Datos de Verdad Terrena (Ground Truth): Los métodos de aprendizaje profundo supervisados requieren pares de datos (mediciones $y$ e imágenes reales $x$), los cuales son extremadamente difíciles o imposibles de obtener en escenarios clínicos o industriales reales.
• Datos Incompletos y Ruidosos: Las adquisiciones a menudo sufren de submuestreo (pocos ángulos de visión) y ruido (estadística de Poisson y ruido electrónico), lo que genera artefactos severos en las reconstrucciones tradicionales.

El objetivo es desarrollar un marco de aprendizaje auto-supervisado que pueda reconstruir imágenes de alta calidad a partir de datos de proyección ruidosos e incompletos sin necesidad de imágenes de referencia.

2. Metodología: El Marco SPLIT

Los autores proponen SPLIT (Self-supervised Partitioning for Learned Inversion in Nonlinear Tomography), un marco que generaliza enfoques anteriores (como Noise2Self y Sparse2Inverse) para problemas no lineales mediante el uso de múltiples particiones de datos.

Conceptos Clave:

• Particionamiento Múltiple: A diferencia de métodos previos que usan una sola partición, SPLIT divide el dominio de las mediciones en múltiples subconjuntos (particiones) para abordar diferentes desafíos (ej. denoising y recuperación de datos faltantes) simultáneamente.
• Consistencia Cruzada y Fidelidad en el Dominio de Medición:
  • El método entrena una red neuronal ($f$) para mapear reconstrucciones parciales basadas en un subconjunto de datos ($y^c$) hacia reconstrucciones parciales de otro subconjunto ($y$).
  • La función de pérdida se calcula en el dominio de las mediciones (comparando la proyección de la imagen reconstruida con los datos reales observados), no en el dominio de la imagen. Esto permite que la red aprenda a llenar los huecos del espacio nulo del operador de proyección.
• Arquitectura de Inferencia: La imagen final se obtiene promediando las reconstrucciones individuales generadas a partir de todas las particiones y subconjuntos.

Variantes Específicas para MSCT:

• Single-SPLIT: Utiliza una sola partición (generalmente en la dimensión angular), similar a una extensión no lineal de Sparse2Inverse.
• Double-SPLIT: Introduce una segunda partición en la dimensión del detector (offset). Esto crea dos particiones complementarias (ángulo y detector), permitiendo una mejor gestión del ruido y el submuestreo.
• Modelo de Aprendizaje: Se utiliza una red U-Net que opera en el espacio de imágenes.
• Criterio de Parada Temprana: Dado que no hay verdad terrena, se implementa una regla de parada automática basada en la consistencia cruzada. Se monitorea la similitud (PSNR) entre las reconstrucciones generadas por particiones disjuntas. Cuando estas reconstrucciones comienzan a divergir (indicando sobreajuste), el entrenamiento se detiene.

3. Contribuciones Clave

1. Primer Enfoque Auto-Supervisado para Tomografía No Lineal: SPLIT es, según los autores, el primer método auto-supervisado diseñado específicamente para problemas inversos no lineales en tomografía, superando las limitaciones de métodos anteriores enfocados en problemas lineales o denoising.
2. Teoría de Equivalencia: Demuestran teóricamente que, bajo condiciones de ruido con media cero e independencia, la pérdida auto-supervisada en el dominio de las mediciones es equivalente a la pérdida supervisada en expectativa. Esto valida matemáticamente el enfoque sin necesidad de etiquetas.
3. Estrategia de Doble Partición (Double-SPLIT): La introducción de particiones múltiples (ángulo y detector) es una innovación que mejora la robustez frente al ruido y la escasez de datos en comparación con particiones únicas.
4. Reconstrucción Conjunta: Aplican el método a MSCT para realizar la formación de imagen y la descomposición de materiales en un solo paso, evitando los pipelines de dos pasos tradicionales.

4. Resultados Experimentales

Los autores evaluaron SPLIT en un conjunto de datos sintético de TC multiespectral (3 materiales: agua, yodo, gadolinio; 5 bandas de energía) bajo diferentes niveles de muestreo angular.

• Comparativas: Se comparó contra:
  • CP-Fast: Un algoritmo iterativo clásico (línea base).
  • X-space loss: Un método auto-supervisado con pérdida en el espacio de imágenes (adaptación de Noise2Inverse).
  • Single-SPLIT y Double-SPLIT: Las propuestas del artículo.
• Rendimiento:
  • Calidad de Reconstrucción: Tanto Single-SPLIT como Double-SPLIT superaron consistentemente a los métodos clásicos y a la línea base auto-supervisada en métricas PSNR y SSIM.
  • Robustez al Submuestreo: En escenarios de muestreo ultra-escaso (29 vistas), Double-SPLIT obtuvo el mejor rendimiento global, demostrando una capacidad superior para recuperar detalles y reducir artefactos. En muestreos más densos (725 vistas), Single-SPLIT fue ligeramente superior.
  • Materiales: El método logró una reconstrucción precisa de las densidades de los materiales (yodo, gadolinio, agua) incluso con datos muy ruidosos y limitados.

5. Significado e Impacto

Este trabajo representa un avance significativo en la intersección entre el aprendizaje automático y la física de la tomografía:

• Viabilidad Clínica e Industrial: Al eliminar la necesidad de imágenes de verdad terrena, SPLIT hace viable la aplicación de aprendizaje profundo en entornos reales donde los datos etiquetados no existen.
• Generalización: El marco no está limitado a la MSCT; es aplicable a cualquier problema inverso no lineal con modelos de proyección que admitan particiones de datos.
• Futuro: Abre la puerta a la aplicación de estos principios en otras modalidades de imagen no lineales, como la tomografía fotoacústica cuantitativa y la tomografía de difusión óptica, y sugiere direcciones futuras para el análisis de incertidumbre y la integración de priores físicos.

En resumen, SPLIT proporciona una solución robusta, teóricamente fundamentada y experimentalmente validada para la reconstrucción de imágenes en tomografía no lineal, superando las limitaciones de los métodos supervisados y de los enfoques auto-supervisados lineales existentes.