Adaptive Beam Selection for Efficient Scanning Probe Tomography

Resumen Técnico: Selección Adaptativa de Haz para la Tomografía de Sonda de Escaneo Eficiente

Planteamiento del Problema
En la tomografía de rayos X, particularmente en instalaciones de sincrotrón, la reconstrucción de alta calidad requiere típicamente un gran número de proyecciones. Sin embargo, aumentar el número de proyecciones conlleva mayores costos experimentales, tiempos de adquisición más largos y un aumento en las dosis de radiación, lo que puede dañar muestras delicadas o sensibles a la radiación. Si bien el diseño experimental secuencial ofrece una estrategia de mitigación al seleccionar mediciones basadas en datos previamente adquiridos para maximizar la ganancia de información, los enfoques existentes enfrentan desafíos significativos. La mayoría de los métodos actuales dependen de la reconstrucción de la muestra en cada iteración para identificar haces "alineados con los bordes" (proyecciones que intersectan los límites del objeto). Esta dependencia de reconstrucciones intermedias introduce cuellos de botella computacionales, ya que la dimensión de la matriz de covarianza escala con la resolución de la imagen, y crea susceptibilidad a los errores de reconstrucción. Además, muchos enfoques secuenciales existentes optimizan únicamente los ángulos de proyección para escaneos de tipo raster, fallando en aprovechar el potencial completo de las posiciones de escaneo adaptativas en la tomografía de sonda de escaneo.

Metodología
Los autores proponen un nuevo método de diseño secuencial que realiza la selección adaptativa del haz directamente en el dominio del sinograma, evitando la necesidad de reconstrucción de imagen intermedia. La metodología central involucra los siguientes pasos:

1. Modelado de Procesos Gaussianos: El sinograma se modela como un Proceso Gaussiano (GP) de media cero con un núcleo Matérn-3/2. Esto permite la interpolación de valores de haz no medidos y la cuantificación de la incertidumbre mediante intervalos de confianza.
2. Alineación de Bordes en el Espacio del Sinograma: En lugar de detectar bordes en una imagen reconstruida, el método define una "función de mapeo de bordes" ($\hat{E}$) directamente en el sinograma. Esta función calcula la magnitud del gradiente del sinograma con respecto a perturbaciones angulares y espaciales, identificando regiones donde es probable que el haz intersea los bordes del objeto.
3. Función de Adquisición: Se selecciona un lote de $n_r$ nuevas mediciones maximizando una función de adquisición $\Psi$. Esta función es el producto de dos términos:
   • Incertidumbre ($\hat{\Omega}_k$): El ancho del intervalo de confianza derivado de la covarianza posterior del GP, promoviendo la exploración en regiones con datos dispersos.
   • Alineación de Bordes ($\hat{E}$): El término de mapeo de bordes, promoviendo la explotación al priorizar haces que probablemente intersecten los límites de la muestra.
4. Selección de Lote Codiciosa con Prevención de Agrupamiento: El algoritmo evalúa exhaustivamente todos los haces candidatos, los clasifica por sus valores de adquisición y selecciona los $n_r$ mejores haces. Para evitar el agrupamiento de haces en regiones de alto valor, se aplica un umbral de distancia mínima ($\delta_\psi$) como paso de post-procesamiento, eliminando los haces que están demasiado cerca de otros ya seleccionados.

Contribuciones Clave

• Detección de Bordes Libre de Reconstrucción: La contribución principal es la capacidad de identificar mediciones alineadas con los bordes directamente desde el sinograma utilizando un Proceso Gaussiano, eliminando el costo computacional y la propagación de errores asociados con la reconstrucción de imagen iterativa.
• Optimización Conjunta: El marco selecciona simultáneamente tanto los ángulos de proyección como las posiciones de escaneo, ofreciendo una estrategia adaptativa más flexible que los métodos que solo optimizan ángulos para escaneos raster.
• Robustez al Ruido: Al modelar el sinograma como un GP, el método actúa inherentemente como un filtro para el ruido de medición, utilizando la media predictiva para mejorar la precisión de la reconstrucción incluso en condiciones ruidosas.

Resultados
El marco propuesto fue evaluado en cinco muestras representativas (incluyendo fantoms de Shepp–Logan, muestras biológicas y patrones de Estrella de Siemens) con una resolución de $128 \times 128$ píxeles. El rendimiento se midió utilizando el Error Cuadrático Medio (RMSE) frente a la verdad de campo, comparando el método adaptativo contra un modelo base de ángulos de escaneo raster uniformemente espaciados.

• Calidad de la Reconstrucción: El método adaptativo logró un RMSE menor que el modelo base en todas las muestras, particularmente en las primeras iteraciones con menos haces de medición. Se observó que los haces seleccionados se concentran a lo largo de los bordes de los objetos sin conocimiento previo de la estructura de la muestra.
• Tolerancia al Ruido: Los experimentos con ruido de medición añadido (hasta el 5% de la señal máxima) demostraron que el enfoque propuesto mantuvo una mayor precisión de reconstrucción en comparación con el modelo base, validando la capacidad de filtrado de ruido del modelo GP.
• Distribución de Haces: La inclusión del umbral de distancia previno con éxito el agrupamiento de haces, asegurando una distribución más uniforme de las mediciones informativas.

Significancia y Reivindicaciones
El artículo afirma que este enfoque ofrece una alternativa computacionalmente eficiente a los métodos de diseño secuencial bayesiano que dependen de la reconstrucción completa de la imagen. Al operar directamente en el dominio del sinograma, el método reduce la susceptibilidad a los errores de reconstrucción y disminuye la carga computacional por iteración. Aunque los autores reconocen que el posicionamiento independiente de haces (tomografía de sonda de escaneo) introduce una sobrecarga experimental que no es estándar actualmente en el hardware, afirman que los resultados de la simulación demuestran los beneficios potenciales de tales estrategias adaptativas. El trabajo sirve como motivación para futuras implementaciones de hardware de escaneo adaptativo y establece un marco para la reconstrucción tomográfica de alta calidad y dosis eficiente.