Microlocal analysis of a non-linear cone transform and applications to Compton camera imaging

तकनीकी सारांश: एक गैर-रेखीय शंकु रूपांतरण (Non-Linear Cone Transform) का सूक्ष्म स्थानीय विश्लेषण (Microlocal Analysis) और कॉम्पटन कैमरा इमेजिंग में इसके अनुप्रयोग

समस्या विवरण
यह शोध पत्र कॉम्पटन कैमरा इमेजिंग में व्युत्क्रम समस्या (inverse problem) को संबोधित करता है, विशेष रूप से स्रोत तीव्रता $f: \mathbb{R}^n \to \mathbb{R}$ और स्थानिक रूप से परिवर्तनशील क्षीणन गुणांक (attenuation coefficient) $\mu: \mathbb{R}^n \to \mathbb{R}$ की एक साथ रिकवरी। पिछले साहित्य के विपरीत, जो मुख्य रूप से शंकु रूपांतरणों को रैखिक ऑपरेटरों (यह मानते हुए कि $\mu = 0$) के रूप में देखते हैं, यह कार्य एक गैर-रेखीय मॉडल का विश्लेषण करता है जहाँ किरण क्षीणन (ray attenuation) को ध्यान में रखा गया है। डेटा $h$ को $f$ के शंकु समाकल (cone integral) के रूपв, जिसे एक घातांकीय क्षीणन पद $g = \exp(-G\mu)$ द्वारा भारित किया गया है, के रूप में मॉडल किया गया है, जहाँ $G$ एक अपसारी बीम रूपांतरण (divergent beam transform) है। गैर-रेखीयता इसलिए उत्पन्न होती है क्योंकि क्षीणन $\mu$ के पथ समाकल (path integral) पर निर्भर करता है, जिससे रूपांतरण $\mu$ के संदर्भ में गैर-रेखीय हो जाता है। लेखक इस गैर-रेखीयता द्वारा उत्पन्न सिंगुलैरिटीज़ (singularities) को चरित्रित करने, $f$ और $\mu$ की विशिष्टता (uniqueness) निर्धारित करने और एक पुनर्निर्माण पद्धति प्रस्तावित करने का लक्ष्य रखते हैं जो स्रोत और क्षीणन माध्यम के बीच की परस्पर क्रिया से उत्पन्न होने वाले आर्टिफ़ेक्ट्स (artifacts) को कम करती है।

कार्यप्रणाली
लेखक सिंगुलैरिटीज़ के अध्ययन के लिए सूक्ष्म स्थानीय विश्लेषण (microlocal analysis), विशेष रूप से कोनोर्मल डिस्ट्रीब्यूशन (conormal distributions) और फूरियर इंटीग्रल ऑपरेटर्स (FIOs) के सिद्धांत का उपयोग करते हैं। कार्यप्रणाली कई प्रमुख चरणों के माध्यम से आगे बढ़ती है:

1. भारित किरण समाकल में रूपांतरण (Transformation to Weighted Ray Integrals):
   रैखिक शंकु रूपांतरों पर पिछले कार्यों के समान ज्यामितीय तर्कों का उपयोग करते हुए, लेखक पहले शंकु समाकल डेटा $R(f, \mu)$ को भारित किरण समाकल डेटा $\tilde{h} = D_k(f, \mu)$ में परिवर्तित करते हैं। विशिष्ट ज्यामितीय स्थितियों के तहत, यह दिखाया गया है कि यह डेटा इस प्रकार गुणनखंडित होता है:
   $$\tilde{h} = \exp(-X_{w_1}\mu) X_{w_2}f$$
   जहाँ $X_w$ एक भारित X-रे रूपांतर है, और $w_1, w_2$ स्मूथ वेट्स (smooth weights) हैं। यह सूत्रीकरण समस्या को वितरणों (distributions) के एक गुणनफल में अलग करता है।

2. सूक्ष्म स्थानीय सिंगुलैरिटी विश्लेषण (Microlocal Singularity Analysis):
   लेखक उत्पाद $\exp(-X_{w_1}\mu) X_{w_2}f$ की सिंगुलैरिटीज़ का विश्लेषण कोनोर्मल डिस्ट्रीब्यूशन (विशेष रूप से क्लीनली इंटरसेक्टिंग लैग्रेंजियन मैनिफोल्ड्स से जुड़े $I^{p,l}$ वर्गों) के सिद्धांत का उपयोग करके करते हैं।

• एकल स्पर्शता (Single Tangency): जब एक किरण $f$ के सपोर्ट की सीमाओं या $\mu$ के सपोर्ट की सीमाओं को एक सख्त उत्तल बिंदु (strictly convex point) पर स्पर्श करती है, तो डेटा रैखिक X-रे रूपांतर की विशिष्ट सिंगुलैरिटीज़ प्रदर्शित करता है।
• दोहरी स्पर्शता (Double Tangency): जब एक किरण दो अलग-अलग बिंदुओं पर सीमाओं को स्पर्श करती है (उदाहरण के लिए, स्रोत की सीमा $\partial\Omega$ और क्षीणन सपोर्ट $\Sigma$ दोनों को स्पर्श करती है), तो वितरणों का गुणनफल नई सिंगुलैरिटीज़ उत्पन्न करता है। ये आर्टिफ़ेक्ट्स उन दिशाओं में दिखाई देते हैं जो दो स्पर्श बिंदुओं पर सामान्य वेक्टर्स (normal vectors) के योग द्वारा स्पैन (span) किए जाते हैं, लेकिन ये रैखिक रूपांतर में मौजूद नहीं होते हैं।

3. पुनर्निर्माण रणनीति (Reconstruction Strategy):
   लेखक इन सिंगुलैरिटीज़ की सोबोलेव नियमितता (Sobolev regularity) पर आधारित एक पुनर्निर्माण एल्गोरिदम प्रस्तावित करते हैं। वे प्रदर्शित करते हैं कि वास्तविक स्रोत सीमा $\partial\Omega$ से संबंधित सिंगुलैरिटीज़, गैर-रेखीय परस्पर क्रिया से उत्पन्न आर्टिफ़ेक्ट्स की तुलना में अधिक मजबूत (सोबोलेव ऑर्डर के संदर्भ में) होती हैं।

• कन्वेक्स हल रिकवरी (Convex Hull Recovery): डेटा में शून्य (zeros) की पहचान करके (वे किरणें जो स्रोत को प्रतिच्छेद नहीं करती हैं) स्रोत के कन्वेक्स हल, $\Omega_c$, को पहले निर्धारित किया जाता है।
• आर्टिफ़ेक्ट दमन (Artifact Suppression): एक स्मूथ कटऑफ फंक्शन $\psi$, जो $\Omega_c$ पर समर्थित (supported) है और $\mu$ के सपोर्ट पर शून्य है, को पुनर्निर्मित छवि पर लागू किया जाता है। यह $\mu$ और गैर-रेखीय आर्टिफ़ेक्ट्स से जुड़ी सिंगुलैरिटीज़ को हटा देता है, जिससे $\partial\Omega$ की मजबूत सिंगुलैरिटीज़ को अलग किया जा सके।
• विशिष्टता प्रमाण (Uniqueness Proofs): एक बार $f$ की रिकवरी हो जाने के बाद, लेखक क्षीणित X-रे रूपांतर के नैट्टरर (Natterer) के विशिष्टता प्रमेय के एक सामान्यीकृत संस्करण का उपयोग करके यह सिद्ध करते हैं कि $\mu$ डेटा द्वारा अद्वितीय रूप से निर्धारित किया जाता है, बशर्ते कुछ ज्यामितीय स्थितियाँ (जैसे स्रोत की सीमा से निकलने वाली किरणों का अस्तित्व जो $\mu$ को प्रतिच्छेद नहीं करती हैं) पूरी हों।

प्रमुख योगदान और परिणाम

• गैर-रेखीयता का सूक्ष्म स्थानीय लक्षण वर्णन (Microlocal Characterization of Non-Linearity): यह शोध पत्र इस संदर्भ में एक गैर-रेखीय शंकु रूपांतरण का पहला सूक्ष्म स्थानीय विश्लेषण प्रदान करता है। यह क्षीणन द्वारा उत्पन्न आर्टिफ़ेक्ट्स को कठोरता से मात्रात्मक रूप से परिभाषित करता है, यह दिखाते हुए कि वे निम्न सोबोलेव ऑर्डर ($H^\alpha$ जहाँ $\alpha < 3/2$) के कोनोर्मल डिस्ट्रीब्यूशन के रूप में प्रकट होते हैं, जबकि वास्तविक स्रोत सिंगुलैरिटीज़ ($H^\alpha$ जहाँ $\alpha < 1/2$) की तुलना में।
• स्रोत और क्षीणन की अद्वितीय रिकवरी: यह धारणा करते हुए कि $f$ और $\mu$ के सपोर्ट विलगित (disjoint) हैं और स्रोत डिटेक्टर सतह के कन्वेक्स हल के भीतर स्थित है, लेखक सिद्ध करते हैं कि दोनों $f$ और $\mu$ डेटा द्वारा अद्वितीय रूप से निर्धारित किए जाते हैं।
• स्थिरता अंतर (Stability Distinction): विश्लेषण से पता चलता है कि जबकि $f$ को स्थिर रूप से रिकवर किया जा सकता है (विशेष रूप से इसके किनारों को), $\mu$ की रिकवरी अत्यधिक अस्थिर है। $\mu$ के लिए समस्या को सीमित डेटा के साथ एक एक्सटीरियर टोमोग्राफी (exterior tomography) समस्या के रूप में पहचाना गया है, जिससे पुनर्निर्माण में धुंधले किनारे और अनसुलझी विशेषताएं आती हैं, जो लिमिटेड-एंगल टोमोग्राफी के समान है।
• सिमुलेशन सत्यापन (Simulation Validation): लेखक 2D ($n=2$) में गॉसियन शोर (Gaussian noise) के साथ सिम्युलेटेड पुनर्निर्माण प्रस्तुत करते हैं। उनके परिणाम पुष्टि करते हैं कि:
  • डेटा ज़ीरो से स्रोत के कन्वेक्स हल को सटीक रूप से पहचाना जा सकता है।
  • प्रस्तावित फ़िल्टरिंग विधि दोहरी स्पर्शता के कारण होने वाले स्ट्रिकिंग आर्टिफ़ेक्ट्स (streaking artifacts) को सफलतापूर्वक हटा देती है।
  • स्रोत तीव्रता $f$ को उच्च सटीकता के साथ रिकवर किया जाता है; पुनर्निर्मित तीव्रता मान में 6% की त्रुटि (1.06 बनाम वास्तविक 1.0) है, जबकि आकार पुनर्निर्माण ($f_c$) 21% सापेक्ष लीस्ट-स्क्वायर एरर प्राप्त करता है।
  • क्षीणन गुणांक $\mu$ को केवल आंशिक रूप से रिकवर किया गया है; केवल वे किनारे जो डेटा को दृश्यमान हैं, उन्हें ही हल किया गया है, जो एक्सटीरियर समस्या की इल-पोज़्ड (ill-posed) प्रकृति के कारण महत्वपूर्ण धुंधलापन प्रदर्शित करता है।

महत्व और दावे
लेखक दावा करते हैं कि यह कार्य कॉम्पटन कैमरा इमेजिंग में रैखिक सन्निकटन (linear approximations) से आगे बढ़कर इस क्षेत्र को उन्नत करता है। क्षीणन को स्पष्ट रूप से मॉडल करके, वे विशिष्ट आर्टिफ़ेक्ट्स की पहचान और लक्षण वर्णन करते हैं जो अन्यथा इमेज क्वालिटी को खराब कर सकते थे। प्राथमिक महत्व उस सैद्धांतिक ढांचे में निहित है जो सोबोलेव नियमितता और ज्यामितीय बाधाओं का उपयोग करके स्रोत सिंगुलैरिटीज़ को क्षीणन-प्रेरित आर्टिफ़ेक्ट्स से अलग करने की अनुमति देता है।

शोध पत्र विनम्रतापूर्वक नोट करता है कि हालांकि $\mu$ की सैद्धांतिक विशिष्टता स्थापित की गई है, लेकिन व्यावहारिक रिकवरी समस्या की इल-पोज़्ड प्रकृति (ill-posedness) द्वारा सीमित है। लेखक किसी भी सामान्य क्षीणन के मामलों को हल करने का दावा नहीं करते हैं, बल्कि उन परिदृश्यों के लिए एक विधि प्रदान करते जहाँ स्रोत और क्षीणन सामग्री स्थानिक रूप से अलग (विलगित सपोर्ट) हैं और ज्यामिति पर्याप्त किरण कवरेज की अनुमति देती है। वे स्वीकार करते हैं कि $\mu$ की रिकवरी अभी भी अस्थिर है और भविष्य के कार्यों की आवश्यकता है ताकि कम डेटा (जैसे कि सतह के बजाय वक्र पर शंकु शीर्ष) वाली स्थितियों को संबोधित किया जा सके। यह कार्य सूक्ष्म स्थानीय विश्लेषण की उपयोगिता को समझने और कम करने के लिए मान्य करता है कि इमेजिंग मोडैलिटीज में गैर-रेखीय प्रभाव क्या हैं।