Self-Supervised Angular Deblurring in Photoacoustic Reconstruction via Noisier2Inverse

Resumen Técnico: Desenfoque Angular Auto-supervisado en la Reconstrucción de Tomografía Fotoacústica mediante Noisier2Inverse

1. Planteamiento del Problema

La Tomografía Fotoacústica (PAT) es una modalidad de imagen que combina el alto contraste óptico con la alta resolución ultrasónica. El objetivo principal es reconstruir la distribución de presión inicial ($f$) a partir de señales acústicas medidas ($g$).

• El Desafío: En configuraciones ideales con detectores puntuales o lineales infinitos, existen algoritmos de reconstrucción eficientes (métodos de Fourier, retroproyección filtrada, inversión temporal). Sin embargo, en la práctica, los detectores tienen un tamaño finito (apertura angular).
• Consecuencia: El tamaño finito del detector introduce un desenfoque angular sistemático en las imágenes reconstruidas.
• Limitación de los Métodos Actuales: Aunque se pueden obtener imágenes más nítidas compensando este efecto, los enfoques de aprendizaje supervisado requieren datos de "verdad terreno" (ground-truth) limpios, los cuales son costosos o imposibles de obtener en aplicaciones médicas y científicas reales. Los métodos existentes que intentan corregir esto a menudo no utilizan enfoques auto-supervisados libres de verdad terreno.

2. Metodología Propuesta

Los autores proponen un marco de aprendizaje auto-supervisado basado en la técnica Noisier2Inverse para abordar el desenfoque angular sin necesidad de datos de referencia limpios.

A. Modelado Específico de PAT (Reformulación del Problema):

• Se considera una geometría de escaneo circular con detectores lineales en 2D.
• Utilizando la invariancia rotacional, el problema de reconstrucción con detectores de tamaño finito se reformula. Primero, se aplica la inversa del modelo ideal (punto/lineal) a los datos medidos.
• Esto transforma el problema en un problema de desenfoque angular en el dominio polar. Matemáticamente, la relación entre la presión inicial y los datos se convierte en una convolución circular en la variable angular:
  $$g_P = A(f_P) + \xi_P$$
  Donde $A$ es un operador de convolución angular conocido (función de dispersión del punto angular), $f_P$ es la imagen en coordenadas polares y $\xi_P$ es el ruido correlacionado (resultado de aplicar la inversa al ruido original).

B. Aplicación de Noisier2Inverse:

• Dado que el ruido se vuelve correlacionado tras la inversión, métodos como Sparse2Inverse (que asumen ruido i.i.d.) no son aplicables directamente.
• Se utiliza Noisier2Inverse, un método diseñado para problemas inversos lineales con ruido aditivo.
• Mecanismo: Se añade ruido adicional ($\eta$) a los datos ya ruidosos ($y + \eta$). Una red neuronal ($B$) se entrena para mapear estos datos "más ruidosos" a una estimación de los datos originales menos el ruido añadido ($y - \eta$).
• Ventaja Clave: Noisier2Inverse minimiza la pérdida en el espacio de datos ($Y$) sin necesidad de la imagen verdadera ($x$), aprendiendo a invertir el operador $A$ y eliminar el ruido simultáneamente.

C. Criterio de Parada Temprana (Stopping Rule):

• Para evitar el sobreajuste (overfitting) en la minimización iterativa de la pérdida auto-supervisada, se propone una regla de parada estadística novedosa.
• En lugar de usar un conjunto de validación con imágenes limpias, se compara la distribución del ruido predicho con la distribución del ruido real especificado.
• Se utiliza la Distancia del Movimiento de la Tierra (EMD) para cuantificar la discrepancia entre las distribuciones. El entrenamiento se detiene cuando la EMD en el conjunto de validación alcanza su mínimo, lo que indica que el modelo ha aprendido la estructura de la señal sin sobreajustarse al ruido.

3. Contribuciones Clave

1. Modelado Específico de PAT: Se demuestra cómo recastear la reconstrucción de PAT con detectores finitos como un problema de desenfoque angular en coordenadas polares, aprovechando la invariancia de desplazamiento angular.
2. Marco Noisier2Inverse en Dominio Polar: Se introduce un marco de deconvolución auto-supervisado que opera directamente en la cuadrícula polar. Es capaz de manejar el ruido correlacionado inducido por la transformación no unitaria, algo que otros métodos auto-supervisados no pueden hacer directamente.
3. Regla de Parada Estadística: Desarrollo de un mecanismo de parada automática y libre de validación (sin necesidad de imágenes limpias) basado en la coincidencia de distribuciones de ruido (EMD), garantizando la estabilidad del entrenamiento.

4. Resultados Numéricos

Los experimentos se realizaron utilizando el conjunto de datos FIVES (imágenes de vasos sanguíneos retinianos) simulados bajo diferentes niveles de ruido y cuatro tipos de kernels de desenfoque (indicadores y gaussianos).

• Métricas: Se evaluó la relación Señal-Ruido Pico (PSNR) comparando las reconstrucciones con una inversa "oráculo" (limpia).
• Comparación: El método propuesto se comparó contra:
  • Aprendizaje supervisado (límite superior).
  • Deep Image Prior (DIP).
  • Aprendizaje auto-supervisado con penalización de variación total (SSLTV).
• Rendimiento:
  • El método propuesto superó consistentemente a todas las otras técnicas auto-supervisadas (DIP y SSLTV) en todos los niveles de ruido y tipos de kernels.
  • Logró un rendimiento cercano al del aprendizaje supervisado, a pesar de no utilizar datos de verdad terreno durante el entrenamiento.
  • Las imágenes reconstruidas mostraron una recuperación superior de los detalles finos y una reducción significativa de artefactos de desenfoque en comparación con los métodos base.

5. Significado e Impacto

Este trabajo es significativo porque:

• Elimina la dependencia de datos de verdad terreno: Permite la aplicación de técnicas de aprendizaje profundo de vanguardia en escenarios médicos reales donde obtener imágenes de referencia perfectas es imposible.
• Aborda un problema físico específico: No trata el desenfoque como un problema genérico, sino que explota la estructura física específica de la PAT (invariancia angular) para simplificar el problema a una deconvolución manejable.
• Robustez ante ruido correlacionado: Demuestra la viabilidad de usar Noisier2Inverse en problemas inversos donde la pre-procesamiento (inversión temporal) altera la estadística del ruido, una situación común en tomografía.
• Aplicabilidad Práctica: Ofrece un marco listo para su implementación en adquisiciones reales con detectores de tamaño finito, mejorando la resolución espacial sin requerir hardware más costoso o complejo.

En conclusión, los autores presentan una solución elegante y efectiva para mejorar la resolución en PAT, combinando modelado físico preciso con métodos de aprendizaje profundo auto-supervisados avanzados.