Adaptive Beam Selection for Efficient Scanning Probe Tomography

तकनीकी सारांश: कुशल स्कैनिंग प्रोब टॉमोग्राफी के लिए अनुकूली बीम चयन (Adaptive Beam Selection)

समस्या विवरण
एक्स-रे टॉमोग्राफी में, विशेष रूप से सिनक्रोट्रॉन सुविधाओं पर, उच्च-गुणवत्ता वाले पुनर्निर्माण (reconstruction) के लिए आमतौर पर बड़ी संख्या में प्रोजेक्शन की आवश्यकता होती है। हालाँकि, प्रोजेक्शन की संख्या बढ़ाने से प्रयोगात्मक लागत, अधिग्रहण समय बढ़ जाता है और विकिरण की खुराक (radiation dose) अधिक हो जाती है, जो नाजुक या विकिरण-संवेदनशील नमूनों को नुकसान पहुँचा सकती है। जबकि अनुक्रमिक प्रयोगात्मक डिज़ाइन (sequential experimental design) सूचना प्राप्ति को अधिकतम करने के लिए पहले से प्राप्त डेटा के आधार पर मापन का चयन करके एक शमन रणनीति प्रदान करता है, मौजूदा दृष्टिकोणों को महत्वपूर्ण चुनौतियों का सामना करना पड़ता है। अधिकांश वर्तमान विधियाँ नमूने के किनारों के साथ संरेखित (edge-aligned) बीमों (वे प्रोजेक्शन जो नमूना सीमाओं को काटते हैं) की पहचान करने के लिए प्रत्येक पुनरावृत्ति (iteration) में नमूने के पुनर्निर्माण पर निर्भर करती हैं। मध्यवर्ती पुनर्निर्माण पर यह निर्भरता कम्प्यूटेशनल बाधाएँ उत्पन्न करती है, क्योंकि कोवेरिएंस मैट्रिक्स का आयाम छवि रिज़ॉल्यूशन के साथ बढ़ता है, और यह पुनर्निर्माण त्रुटियों के प्रति संवेदनशीलता भी पैदा करती है। इसके अलावा, कई मौजूदा अनुक्रमिक दृष्टिकोण केवल रास्टर स्कैन के लिए प्रोजेक्शन कोणों को अनुकूलित करते हैं, जो स्कैनिंग प्रोब टॉमोग्राफी में अनुकूली स्कैनिंग स्थितियों की पूर्ण क्षमता का लाभ उठाने में विफल रहते हैं।

कार्यप्रणाली (Methodology)
लेखक एक नवीन अनुक्रमिक डिज़ाइन पद्धति प्रस्तावित करते हैं जो मध्यवर्ती छवि पुनर्निर्माण की आवश्यकता को दरकिनार करते हुए सीधे साइनोग्राम डोमेन (sinogram domain) में अनुकूली बीम चयन करता है। मुख्य कार्यप्रणाली में निम्नलिखित चरण शामिल हैं:

1. गौसियन प्रोसेस मॉडलिंग (Gaussian Process Modeling): साइनोग्राम को एक 'जीरो-मीन गौसियन प्रोसेस' (GP) के रूप में मॉडल किया गया है जिसमें 'मैटर्न-3/2 कर्नेल' (Matérn-3/2 kernel) का उपयोग किया गया है। यह बिना मापे गए बीम मानों के इंटरपोलेशन और अनिश्चितता के परिमाणीकरण (quantification) की अनुमति देता है।
2. साइनोग्राम स्पेस में एज-अलाइनमेंट: पुनर्निर्मित छवि में किनारों का पता लगाने के बजाय, यह विधि सीधे साइनोग्राम पर एक "एज-मैपिंग फंक्शन" ($\hat{E}$) को परिभाषित करती है। यह फंक्शन कोणीय और स्थानिक विचलनों (angular and spatial perturbations) के सापेक्ष साइनोग्राम के ग्रेडिएंट के परिमाण की गणना करता है, जिससे उन क्षेत्रों की पहचान होती है जहाँ बीम के वस्तु के किनारों को काटने की संभावना होती है।
3. अधिग्रहण फंक्शन (Acquisition Function): $n_r$ नए मापों का एक बैच एक अधिग्रहण फंक्शन $\Psi$ को अधिकतम करके चुना जाता है। यह फंक्शन दो पदों का गुणनफल है:
   • अनिश्चितता ($\hat{Omega_k}$): GP पोस्टीरियर कोवेरिएंस से प्राप्त कॉन्फिडेंस इंटरवल की चौड़ाई, जो विरल डेटा (sparse data) वाले क्षेत्रों में अन्वेषण (exploration) को बढ़ावा देती है।
   • एज-अलाइनमेंट ($\hat{E}$): एज-मैपिंग टर्म, जो शोषण (exploitation) को बढ़ावा देता है और उन बीमों को प्राथमिकता देता है जिनके नमूना सीमाओं को काटने की संभावना होती है।
4. क्लस्टरिंग रोकथाम के साथ ग्रीडी बैच चयन (Greedy Batch Selection with Clustering Prevention): एल्गोरिदम सभी संभावित बीमों का विस्तृत मूल्यांकन करता है, उन्हें उनके अधिग्रहण मूल्यों के आधार पर सॉर्ट करता है, और शीर्ष $n_r$ बीमों का चयन करता है। बीमों को उच्च-मूल्य वाले क्षेत्रों में क्लस्टर होने से रोकने के लिए, एक पोस्ट-प्रोसेसिंग चरण के रूप में एक न्यूनतम दूरी थ्रेशोल्ड ($\delta_\psi$) लागू किया जाता है, जो पहले से चयनित बीमों के बहुत करीब वाले बीमों को हटा देता है।

प्रमुख योगदान

• पुनर्निर्माण-मुक्त एज डिटेक्शन (Reconstruction-Free Edge Detection): प्राथमिक योगदान सीधे साइनोग्राम का उपयोग करके गौसियन प्रोसेस के माध्यम से एज-अलाइनड मापन की पहचान करने की क्षमता है, जो पुनरावृत्त छवि पुनर्निर्माण से जुड़ी कम्प्यूटेशनल लागत और त्रुटि प्रसार (error propagation) को समाप्त करता है।
• संयुक्त अनुकूलन (Joint Optimization): यह ढांचा एक साथ प्रोजेक्शन कोणों और स्कैनिंग स्थितियों दोनों का चयन करता है, जो उन विधियों की तुलना में अधिक लचीली अनुकूली रणनीति प्रदान करता है जो केवल रास्टर स्कैन के लिए कोणों को अनुकूलित करती हैं।
• शोर रोधकता (Noise Robustness): साइनोग्राम को GP के रूप में मॉडल करके, यह विधि स्वाभाविक रूप से मापन शोर के लिए एक फिल्टर के रूप में कार्य करती है, जो शोर वाली स्थितियों में भी पुनर्निर्माण सटीकता में सुधार के लिए प्रेडिक्टिव मीन (predictive mean) का उपयोग करती है।

परिणाम
प्रस्तावित ढांचे का मूल्यांकन $128 \times 128$ पिक्सेल के रिज़ॉल्यूशन के साथ पांच प्रतिनिधि नमूनों (शेप-लोगन फैंटम, जैविक नमूने और सीमेंस स्टार पैटर्न सहित) पर किया गया। प्रदर्शन को ग्राउंड ट्रुथ के विरुद्ध रूट मीन स्क्वायर एरर (RMSE) का उपयोग करके मापा गया, जिसमें अनुकूली विधि की तुलना समान रूप से व्यवस्थित रास्टर स्कैन कोणों के बेसलाइन से की गई।

• पुनर्निर्माण गुणवत्ता: अनुकूली विधि ने सभी नमूनों में बेसलाइन की तुलना में कम RMSE प्राप्त किया, विशेष रूप से कम मापन बीमों वाले शुरुआती चरणों में। चयनित बीमों को नमूने की संरचना के पूर्व ज्ञान के बिना, वस्तुओं के किनारों के साथ केंद्रित देखा गया।
• शोर सहनशीलता: अधिकतम सिग्नल के 5% तक अतिरिक्त मापन शोर के साथ किए गए प्रयोगों ने प्रदर्शित किया कि प्रस्तावित दृष्टिकोण बेसलाइन की तुलना में उच्च पुनर्निर्माण सटीकता बनाए रखता है, जो GP मॉडल की शोर-फिल्टरिंग क्षमता की पुष्टि करता है।
• बीम वितरण: दूरी थ्रेशोल्ड के समावेश ने बीम क्लस्टरिंग को सफलतापूर्वक रोका, जिससे सूचनात्मक मापों का अधिक समान वितरण सुनिश्चित हुआ।

महत्व और दावे
यह शोध पत्र दावा करता है कि यह दृष्टिकोण उन बेयसियन अनुक्रमिक डिजाइन विधियों के लिए एक कम्प्यूटेशनल रूप से कुशल विकल्प प्रदान करता है जो पूर्ण छवि पुनर्निर्माण पर निर्भर करती हैं। सीधे साइनोग्राम डोमेन में कार्य करके, यह विधि पुनर्निर्माण त्रुटियों के प्रति संवेदनशीलता को कम करती है और प्रति पुनरावृत्ति कम्प्यूटेशनल ओवरहेड को कम करती है। हालांकि लेखक स्वीकार करते हैं कि स्वतंत्र बीम पोजिशनिंग (स्कैनिंग प्रोब टॉमोग्राफी) में प्रयोगात्मक ओवरहेड शामिल है जो वर्तमान में हार्डवेयर में मानक नहीं है, वे जोर देते हैं कि उनके सिमुलेशन परिणाम ऐसे अनुकूली रणनीतियों के संभावित लाभों को प्रदर्शित करते हैं। यह कार्य भविष्य के हार्डवेयर कार्यान्वयन के लिए एक प्रेरणा के रूप में कार्य करता है और खुराक-कुशल (dose-efficient), उच्च-गुणवत्ता वाले टॉमोग्राफिक पुनर्निर्माण के लिए एक ढांचा स्थापित करता है।