Automatic regularization parameter choice for tomography using a double model approach

तकनीकी सारांश: डबल मॉडल दृष्टिकोण का उपयोग करके टोमोग्राफी के लिए स्वचालित नियमितीकरण पैरामीटर चयन

1. समस्या विवरण

एक्स-रे कंप्यूटेड टोमोग्राफी (CT) में, प्रोजेक्शन डेटा से एक छवि का पुनर्निर्माण करना एक इल-पोज़्ड (ill-posed) इनवर्स प्रॉब्लम है। जब डेटा अधूरा होता है (जैसे कि स्पार्स सैंपलिंग), तो पुनर्निर्माण प्रक्रिया शोर (noise) और विविक्तीकरण त्रुटियों (discretization errors) के प्रति अत्यधिक संवेदनशील हो जाती है। समाधान को स्थिर करने के लिए, वैरिएशनल रेगुलराइजेशन (variational regularization) का उपयोग किया जाता है, जो डेटा निष्ठा (data fidelity) और पूर्व धारणाओं (जैसे कि स्मूथनेस या स्पर्सिटी) के बीच संतुलन बनाने के लिए एक नियमितीकरण पैरामीटर ($\alpha$) पेश करता है।

मुख्य चुनौती $\alpha$ का स्वचालित चयन है। पारंपरिक विधियों के महत्वपूर्ण दोष हैं:

• L-curve और क्रॉस-वैलिडेशन: अक्सर अस्थिर फीचर डिटेक्शन या गणनात्मक रूप से महंगे ग्रिड सर्च पर निर्भर करते हैं।
• डिस्क्रिपेंसी प्रिंसिपल (Discrepancy Principle): इसके लिए शोर के स्तर ($\eta$) के सटीक ज्ञान की आवश्यकता होती है, जो वास्तविक दुनिया के परिदृश्यों में दुर्लभ है।
• डेटा-ड्रिवन/डीप लर्निंग: इनके लिए विशाल प्रशिक्षण डेटासेट की आवश्यकता होती है और इनमें व्याख्यात्मकता (interpretability) की कमी होती है।

2. कार्यप्रणाली

लेखक एक नया प्रतिमान प्रस्तावित करते हैं: नियमितीकरण पैरामीटर चयन को एक स्थिर अनुमान समस्या के बजाय एक क्लोज्ड-लूप फीडबैक कंट्रोल समस्या के रूप में मानना।

A. डबल मॉडल रणनीति:
एक "ग्राउंड ट्रुथ" (जो उपलब्ध नहीं है) के साथ तुलना करने के बजाय, यह विधि एक ही डेटा के दो अलग-अलग पुनर्निर्माणों की तुलना करती है। समस्या को दो ज्यामितीय रूप से भिन्न कम्प्यूटेशनल ग्रिड (प्राथमिक ग्रिड $A$ और एक रोटेटेड ग्रिड $A_\theta$) पर हल किया जाता है। चूंकि विविक्तीकरण त्रुटियां ग्रिड-निर्भर होती हैं, इसलिए एक कम-रेगुलराइज्ड समाधान दोनों ग्रिडों पर असंबंधित आर्टिफैक्ट्स उत्पन्न करेगा, जिससे समानता (similarity) कम हो जाएगी।

B. फीडबैक कंट्रोल लूप:

1. सेंसिंग (Sensing): सिस्टम प्राथमिक पुनर्निर्माण ($x_1$) और रोटेटेड/री-अलाइन्ड सेकेंडरी पुनर्निर्माण ($\tilde{x}_2$) के बीच स्ट्रक्चरल सिमिलरिटी इंडेक्स (SSIM) की गणना करता है। यह SSIM फीडबैक सिग्नल $S(\alpha)$ के रूप में कार्य करता है।
2. एक्चुएशन (Actuation): एक प्रोपोर्शनल (P) कंट्रोलर $\alpha$ के लॉगरिदमिक डोमेन में कार्य करता है। यह मापे गए सिमिलरिटी और एक उपयोगकर्ता-निर्धारित लक्षित सिमिलरिटी ($S_{ref}$) के बीच के अंतर के आधार पर डायनेमिक रूप से रेगुलराइजेशन स्ट्रेंथ को एडजस्ट करता है।
3. मोनोटोनिसिटी धारणा (Monotonicity Assumption): यह विधि इस तथ्य पर आधारित है कि जैसे-जैसे $\alpha$ बढ़ता है, शोर कम होता जाता है और दोनों पुनर्निर्माण एक सामान्य सिग्नल की ओर अभिसरित (converge) होते हैं, जिससे $S(\alpha)$ बढ़ता है (अत्यधिक ओवर-स्मूथिंग के बिंदु तक)।

C. एल्गोरिदम:
कंट्रोलर एक बहुत छोटे $\alpha$ से शुरू होता है और निम्नलिखित नियम का उपयोग करके इसे पुनरावृत्ति (iteratively) से अपडेट करता है:
$$\log_{10}(\alpha_{k+1}) = \log_{10}(\alpha_k) + K_p \cdot (S_{ref} - S_k)$$
प्रक्रिया तब समाप्त होती है जब सिमिलरिटी निर्धारित चरणों के लिए लक्ष्य के भीतर एक टॉलरेंस बैंड में रहती है।

3. मुख्य योगदान

• कंट्रोल-थ्योरेटिक फ्रेमवर्क: यह पैरामीटर ट्यूनिंग को एक "रेफरेंस ट्रैकिंग" कार्य के रूप में पुनर्गठित करता है, जो एक एकल "गणितीय रूप से इष्टतम" $\alpha$ की खोज से दूर ले जाता है।
• विविक्तीकरण सूचना के रूप में: यह विविक्तीकरण त्रुटि को—जिसे आमतौर पर एक बाधा माना जाता है—स्थिरता के लिए एक मापने योग्य सिग्नल में बदल देता है।
• उपयोगकर्ता-केंद्रित डिज़ाइन: एक विशिष्ट $S_{ref}$ सेट करने की अनुमति देकर, यह विधि शोर दमन (उच्च सिमिलरिटी) और संरचनात्मक विवरण (कम सिमिलरिटी) के बीच एक पारदर्शी ट्रेड-ऑफ प्रदान करती है।
• सॉल्वर एगोस्टिक (Solver Agnostic): यह फ्रेमवर्क इस बात पर निर्भर नहीं करता कि रेगुलराइज़र टोटल वेरिएशन (TV) है या टिखोनोव ($L_2$); यह दोनों के साथ काम करता है।

4. परिणाम

इस विधि का परीक्षण दो जटिल डेटासेट्स पर किया गया: Walnut (स्मूथ ग्रेडिएंट्स) और Pine Cone (हाई-फ्रीक्वेंसी स्ट्रक्चर)।

• अभिसरण और स्थिरता (Convergence & Stability): कंट्रोलर ने सभी परीक्षणों में सिस्टम को लक्षित $S_{ref}$ तक सफलतापूर्वक पहुँचाया, जो विभिन्न रेगुलराइज़र्स (TV और टिखोनोव) और विभिन्न ज्यामितीय जटिलताओं के प्रति मजबूती प्रदर्शित करता है।
• तुलनात्मक विश्लेषण: जब इसकी तुलना L-curve और डिस्क्रिपेंसी प्रिंसिपल से की गई, तो प्रस्तावित कंट्रोलर कम "कंजर्वेटिव" पाया गया। जहाँ शास्त्रीय विधियाँ बहुत स्मूथ इमेज बनाती थीं जिनमें अत्यधिक उच्च सिमिलरिटी होती थी, वे अक्सर सूक्ष्म संरचनात्मक विवरणों को दबा देती थीं। कंट्रोलर, एक विशिष्ट (अक्सर कम) सिमिलरिटी स्तर को लक्षित करके, काफी अधिक हाई-फ्रीक्वेंसी डिटेल (जैसे अखरोट के आंतरिक सेप्टा) को सुरक्षित रखता है।
• पारेटो एफिशिएंसी (Pareto Efficiency): कंट्रोलर कंसिस्टेंसी-बनाम-डिटेल कर्व के "नी" (knee) के पास संचालित होता है, जो सूचना रिकवरी के लिए बेहतर संतुलन प्रदान करता है।

5. महत्व

यह कार्य इनवर्स प्रॉब्लम्स के लिए एक अत्यधिक व्यावहारिक इंजीनियरिंग दृष्टिकोण पेश करता है। "सर्वश्रेष्ठ $\alpha$ खोजने" के बजाय "एक विशिष्ट गुणवत्ता मानदंड को नियंत्रित करने" के लक्ष्य की ओर शिफ्ट होकर, यह विधि CT पुनर्निर्माण को स्वचालित करने का एक तरीका प्रदान करती है जो चिकित्सकों या तकनीशियनों के लिए सहज है। यह ग्राउंड-ट्रुथ डेटा या पूर्व शोर अनुमानों की आवश्यकता के बिना, इमेज स्थिरता और संरचनात्मक विवरण के बीच के मौलिक ट्रेड-ऑफ को नेविगेट करने का एक सिद्धांतबद्ध तरीका प्रदान करता है।