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

यहाँ "Moiré Artifact Reduction in Grating Interferometry Using Multiple Harmonics and Total Variation Regularization" नामक शोध पत्र का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

ग्रेटिंग इंटरफेरोमेट्री (Grating interferometry) एक शक्तिशाली एक्स-रे इमेजिंग पद्धति है जो तीन अलग-अलग प्रकार के चित्र उत्पन्न करने में सक्षम है: क्षीणन (attenuation - अवशोषण), डिफरेंशियल-फेज (differential-phase - अपवर्तन), और डार्क-फील्ड (dark-field - लघु-कोण प्रकीर्णन)। ये चित्र आमतौर पर फेज-स्टेपिंग (phase-stepping) का उपयोग करके प्राप्त किए जाते हैं, जहाँ एक विवर्तन ग्रेटिंग (diffraction grating) को प्रत्येक पिक्सेल पर इंटरफेरेंस फ्रिंज पैटर्न को नमूना लेने के लिए विविक्त चरणों (discrete steps) में पार्श्व रूप से स्थानांतरित किया जाता है।

मानक पुनर्निर्माण एल्गोरिदम दो आदर्श स्थितियों को मानता है:

1. फेज स्टेप्स समान रूप से अंतराल पर (evenly spaced) होते हैं।
2. फ्रिंज पैटर्न एक पूर्णतः साइनुसोइडल (perfectly sinusoidal) तरंग (एकल हार्मोनिक) होती है।

व्यावहारिक रूप से, इन धारणाओं का उल्लंघन अक्सर निम्नलिखित कारणों से होता है:

• यांत्रिक अशुद्धियाँ: मोटर पोजिशनिंग त्रुटियाँ और सिस्टम कंपन गैर-समान फेज स्टेप अंतराल की ओर ले जाते हैं।
• भौतिक जटिलता: विवर्तन पैटर्न में अक्सर शुद्ध साइनुसोइडल के बजाय उच्च-क्रम के हार्मोनिक्स (higher-order harmonics) होते हैं।

जब पुनर्निर्माण एल्गोरिदम इन कारकों को अनदेखा करता है, तो यह अंतिम क्षीणन, डिफरेंशियल-फेज और डार्क-फील्ड चित्रों में मोइरे आर्टिफ़ेक्ट्स (Moiré artifacts - अवशेष दोलन) उत्पन्न करता है। ये आर्टिफ़ेक्ट्स चित्र की गुणवत्ता और मात्रात्मक सटीकता को कम करते हैं, विशेष रूप से फेफड़ों के रोग इमेजिंग जैसे नैदानिक अनुप्रयोगों में। मौजूदा सुधार विधियाँ अक्सर नमूना-मुक्त क्षेत्रों पर निर्भर करती हैं, हार्मोनिक्स को अनदेखा करती हैं, या व्यापक प्रशिक्षण डेटा (CNNs) की आवश्यकता होती है, जिससे उनकी सामान्यीकरण क्षमता सीमित हो जाती है।

2. कार्यप्रणाली (Methodology)

लेखक एक भौतिकी-आधारित पुनरावृत्त छवि रिकवरी एल्गोरिदम (iterative image recovery algorithm) प्रस्तावित करते हैं जो उच्च-क्रम के हार्मोनिक्स को समाहित करते हुए और रेगुलराइजेशन (regularization) लागू करते हुए वास्तविक फेज स्टेपिंग स्थितियों का अनुमान लगाता है।

A. मल्टी-हार्मोनिक मॉडल (Multi-Harmonic Model)

एक एकल साइन वेव को फिट करने के बजाय, तीव्रता मॉडल $I(x, y, x_g)$ को $n_H$ हार्मोनिक्स को शामिल करने के लिए विस्तारित किया गया है:
$$\hat{I} = a_0 + \sum_{n=1}^{n_H} a_n \sin\left(\frac{2\pi n x_g}{W} + \phi_n\right)$$
यह एल्गोरिदम को वास्तविक फ्रिंज पैटर्न के जटिल आकार को ध्यान में रखने की अनुमति देता है।

B. रेगुलराइजेशन के साथ पुनरावृत्त अनुकूलन (Iterative Optimization with Regularization)

विधि का मूल एक ऐसे ऑब्जेक्टिव फंक्शन को कम करना है जो भौतिक बाधाओं के विरुद्ध डेटा फिडेलिटी (data fidelity) को संतुलित करता है। एल्गोरिदम अनुमानित फेज स्टेप स्थितियों ($\vec{x}_g$) को निम्न को कम करने के लिए पुनरावृत्ति से समायोजित करता है:
$$\text{Cost} = \text{MSE}(\text{Measured} - \text{Model}) + \sum \lambda_j R_j$$

• डेटा फिडेलिटी (Data Fidelity): मल्टी-हार्मोनिक मॉडल और मापे गए तीव्रता के बीच माध्य वर्ग त्रुटि (Mean Squared Error - MSE)।
• रेगुलराइजेशन (Total Variation - TV): ओवरफिटिंग (जहाँ मॉडल शोर को फिट करता है या स्थानीय न्यूनतम बनाता है) को रोकने के लिए, टोटल वेरिएशन रेगुलराइजेशन लागू किया जाता है। महत्वपूर्ण रूप से, रेगुलराइजेशन टर्म डेटा प्रकार के आधार पर भिन्न होता है:
  • संदर्भ डेटा (Reference Data): इसे हार्मोनिक एम्प्लीट्यूड ($a_n$) के TV द्वारा रेगुलराइज किया जाता है। यह फिट मापदंडों को सुचारू (smooth) बनाता है।
  • नमूना डेटा (Sample Data): इसे अंतिम पुनर्निर्मित चित्रों (क्षीणन $\Gamma$, डिफरेंशियल-फेज $\Delta\phi$, और डार्क-फील्ड $\Sigma$) के TV द्वारा रेगुलराइज किया जाता है। यह सीधे नैदानिक रूप से प्रासंगिक आउटपुट चित्रों में आर्टिफ़ेक्ट्स को दबाता है।

C. बहु-चरणीय अनुकूलन (Multi-Stage Optimization)

अभिसरण (convergence) सुनिश्चित करने और स्थानीय न्यूनतम (local minima) से बचने के लिए, अनुकूलन चरणों में किया जाता है:

1. चरण 1: केवल 0वें और 1ले हार्मोनिक्स का उपयोग करके स्थितियों का अनुमान लगाना।
2. परवर्ती चरण: उच्च हार्मोनिक्स (2रे, 3रे, आदि) को क्रमिक रूप से शामिल करना।
3. परिष्करण (Refinement): जैसे-जैसे उच्च हार्मोनिक्स जोड़े जाते हैं, फेज स्टेप स्थितियों के लिए खोज सीमा को संकुचित किया जाता है, जो स्थिति अनुमान के रिज़ॉल्यूशन को प्रभावी ढंग से परिष्कृत करता है।

3. मुख्य योगदान (Key Contributions)

• हार्मोनिक-जागरूक सुधार (Harmonic-Aware Correction): पिछले तरीकों के विपरीत जो साइनुसोइडल फ्रिंज मानकर चलते हैं, यह दृष्टिकोण स्पष्ट रूप से उच्च-क्रम के हार्मोनिक्स को मॉडल करता है, जो MPGI जैसे सिस्टम के लिए महत्वपूर्ण है।
• प्रत्यक्ष इमेज रेगुलराइजेशन (Direct Image Regularization): फिट मापदंडों के बजाय सीधे पुनर्निर्मित चित्रों (क्षीणन, फेज, डार्क-फील्ड) पर टोटल वेरिएशन रेगुलराइजेशन लागू करने की नवीनता यह सुनिश्चित करती है कि अंतिम आउटपुट आर्टिफ़ेक्ट-मुक्त हो, भले ही मध्यवर्ती मापदंडों में मामूली अवशेष मौजूद हों।
• सिस्टम अगनोस्टिक (System Agnosticism): इस विधि को दो अलग-अलग इंटरफेरोमीटर आर्किटेक्चर पर सफलतापूर्वक प्रदर्शित किया गया है:
  • टैलबोट-लौ इंटरफेरोमीटर (TLI): जिसमें घुमावदार ग्रेटिंग्स और एक एनालाइज़र की आवश्यकता होती है।
  • मॉड्यूलेटेड फेज ग्रेटिंग इंटरफेरोमीटर (MPGI): जो एक मॉड्युलेटेड एनवेलप के साथ एकल ग्रेटिंग का उपयोग करता है, जिससे एनालाइज़र ग्रेटिंग की आवश्यकता समाप्त हो जाती है।
• भौतिकी-आधारित दृष्टिकोण (Physics-Based Approach): डीप लर्निंग विधियों के विपरीत, इस दृष्टिकोण को आर्टिफ़ेक्ट-मुक्त प्रशिक्षण छवियों के बड़े डेटासेट की आवश्यकता नहीं है, जिससे यह नए प्रयोगात्मक सेटअपों के लिए तुरंत लागू करने योग्य बन जाता है।

4. परिणाम (Results)

एल्गोरिदम को एक माइक्रोफोकस एक्स-रे स्रोत और डेक्सेला (Dexela) डिटेक्टर के साथ एक प्रयोगशाला सेटअप का उपयोग करके मान्य किया गया।

• सांख्यिकीय सत्यापन (TLI "No Object" केस):
  • नाममात्र (uncorrected) बनाम सुधारा गया फेज स्टेप्स की तुलना करने पर, पूरी छवि में विचरण (variance) काफी कम हो गया ($p < 0.001$)।
  • लाइन प्रोफाइल विश्लेषण ने मोइरे दोलनों के आयाम में भारी कमी दिखाई (उदाहरण के लिए, डार्क-फील्ड आर्टिफ़ेक्ट आयाम $2.33 \times 10^{-2}$ से घटकर $6.53 \times 10^{-3}$ हो गया)।
• जैविक इमेजिंग (TLI):
  • एक मृत चूहे की इमेजिंग ने क्षीणन, डिफरेंशियल-फेज और डार्क-फील्ड चित्रों में दृश्यमान मोइरे फ्रिंज को पूरी तरह से हटा दिया।
• सामग्री इमेजिंग (MPGI):
  • 1µm PMMA माइक्रोस्फीयर (फेफड़ों के ऊतक का एनालॉग) की इमेजिंग ने प्रदर्शित किया कि जबकि 1 हार्मोनिक अपर्याप्त था, 3 हार्मोनिक्स का उपयोग करने से मोइरे आर्टिफ़ेक्ट्स पूरी तरह से समाप्त हो गए।
  • डार्क-फील्ड चित्र ने ग्रेटिंग की विषमताओं के बैकग्राउंड शोर के बिना माइक्रोस्फीयर प्रकीर्णन को स्पष्ट रूप से दृश्यमान बनाया।
• कंप्यूटेशनल प्रदर्शन (Computational Performance):
  • एल्गोरिदम कंप्यूटेशनल रूप से कुशल है, जिसमें हार्मोनिक्स की संख्या और इमेज रिज़ॉल्यूशन के आधार पर मानक लैपटॉप पर नमूना प्रसंस्करण समय ~14 सेकंड (MPG) से ~177 सेकंड (TLI) तक रहता है।

5. महत्व (Significance)

यह कार्य ग्रेटिंग इंटरफेरोमेट्री की एक मौलिक सीमा को संबोधित करता है जिसने इसके नियमित नैदानिक और औद्योगिक उपयोग में संक्रमण को बाधित किया है।

• मात्रात्मक सटीकता (Quantitative Accuracy): विभाजन ऑपरेशनों (जैसे क्षीणन के लिए Sample/Reference) से उत्पन्न आर्टिफ़ेक्ट्स को हटाकर, यह विधि चित्रों की मात्रात्मक विश्वसनीयता में सुधार करती है, जो एम्फिसीमा (emphysema), फाइब्रोसिस और कैंसर जैसे रोगों के निदान के लिए आवश्यक है।
• मजबूती (Robustness): यह विधि अत्यधिक फ्रिंज कर्वेचर और यांत्रिक मिसअलाइनमेंट को संभालती है जो आमतौर पर एक चित्र को खराब कर सकते हैं।
• भविष्य के अनुप्रयोग (Future Applications): उच्च हार्मोनिक घटकों को अलग करने की क्षमता मल्टी-ऑटोकोरिलेशन लेंथ इमेजिंग के द्वार खोलती है, जिससे संभावित रूप से विभिन्न पैमानों पर संरचनाओं का एक साथ दृश्य बनाना संभव होगा।
• बहुमुखी प्रतिभा (Versatility): यह ढांचा विभिन्न ग्रेटिंग इंटरफेरोमीटर डिजाइनों (TLI, MPGI, Dual Phase Grating) के लिए लागू करने योग्य है, जो महंगे हार्डवेयर संशोधनों या विशाल प्रशिक्षण डेटासेट के बिना आर्टिफ़ेक्ट रिडक्शन के लिए एक एकीकृत समाधान प्रदान करता है।