Self-Supervised Angular Deblurring in Photoacoustic Reconstruction via Noisier2Inverse

Titolo

Sfocatura Angolare Auto-Supervisionata nella Ricostruzione Fotoacustica tramite Noisier2Inverse

1. Il Problema

La Tomografia Fotoacustica (PAT) è una modalità di imaging che combina il contrasto ottico con la risoluzione ultrasonica. L'obiettivo principale è ricostruire la distribuzione della pressione iniziale ($f$) a partire dai segnali acustici misurati ($g$).

• Modello Ideale vs. Reale: In condizioni ideali, utilizzando rivelatori puntiformi (3D) o lineari (2D), esistono algoritmi di ricostruzione efficienti (metodi di Fourier, retro-proiezione filtrata, inversione temporale). Tuttavia, nella pratica, i rivelatori hanno una dimensione finita (aperture finite).
• Effetto della Dimensione Finita: L'uso di rivelatori di dimensioni finite introduce un effetto di sfocatura sistematica nelle immagini ricostruite. In una geometria circolare, questo effetto si manifesta come una sfocatura angolare.
• Limitazione degli Approcci Esistenti: Sebbene esistano metodi per compensare questi effetti, le approcci basati sull'apprendimento supervisionato richiedono dati "ground-truth" (immagini reali e perfette) che sono spesso costosi o impossibili da ottenere in ambito medico e scientifico. Gli approcci non supervisionati attuali non sfruttano appieno la struttura specifica del problema PAT.

2. Metodologia Proposta

Gli autori propongono un metodo di ricostruzione auto-supervisionato basato su Noisier2Inverse, che non richiede dati ground-truth. La strategia si articola in tre fasi principali:

A. Modellazione Specifica per PAT (Deconvoluzione Angolare)

Il problema viene riformulato sfruttando l'invarianza rotazionale della geometria circolare.

1. Si applica l'inverso del modello ideale (punto/linea) ai dati rumorosi.
2. Si trasformano le coordinate da cartesiane a polari.
3. Il problema di ricostruzione diventa un problema di deconvoluzione circolare nella variabile angolare.
   • Matematicamente: $g_P = A_w(f_P) + \xi_P$, dove $A_w$ è un'operatore di convoluzione angolare noto (funzione di diffusione del punto angolare) e $\xi_P$ è un rumore correlato derivante dalla trasformazione.

B. Applicazione di Noisier2Inverse nel Dominio Polare

Poiché la trasformazione in coordinate polari rende il rumore correlato (non i.i.d.), metodi come Sparse2Inverse non sono direttamente applicabili. Viene invece utilizzato Noisier2Inverse, che è robusto al rumore correlato.

• Principio: Invece di cercare di ricostruire l'immagine pulita direttamente, la rete neurale $B$ viene addestrata per mappare dati "più rumorosi" ($y + \eta$) verso una stima del dato originale meno rumoroso ($y - \eta$).
• Funzione di Perdita: Si minimizza la perdita $L = \mathbb{E} \| A B(y + \eta) - (y - \eta) \|^2$. Questo permette di apprendere la mappatura inversa senza conoscere l'immagine pulita $x$, sfruttando solo le statistiche del rumore aggiunto.
• Architettura: Viene utilizzata una rete U-Net che opera direttamente sulla griglia polare, con padding circolare lungo la dimensione angolare per rispettare la periodicità.

C. Criterio di Arresto Precoce (Early Stopping) Statistico

Un problema critico nell'apprendimento auto-supervisionato è l'overfitting, poiché la perdita è definita nello spazio dei dati ($Y$-space) e non può controllare le componenti nello spazio nullo o amplificate da valori singolari piccoli.

• Soluzione: Gli autori propongono una regola di arresto precoce basata sulla statistica.
• Meccanismo: Ad ogni iterazione, si confronta la distribuzione del rumore residuo previsto ($y - A B_k y$) con la distribuzione del rumore noto ($\xi$).
• Metrica: Si utilizza la Distanza del Trasportatore di Terra (EMD) o distanza di Wasserstein-1. L'addestramento si ferma quando l'EMD tra il rumore residuo e il rumore teorico raggiunge il minimo. Questo garantisce che la rete non abbia iniziato a "imparare" il rumore.

3. Contributi Chiave

1. Modellazione PAT-specifica: Trasformazione del problema di ricostruzione PAT con rivelatori di dimensione finita in un problema di deblurring angolare in coordinate polari, risolvibile tramite convoluzione circolare.
2. Framework Noisier2Inverse nel dominio polare: Adattamento di Noisier2Inverse per gestire il rumore correlato introdotto dalle trasformazioni di coordinate, eliminando la necessità di ground-truth.
3. Regola di Arresto Precoce Innovativa: Un criterio di arresto automatico, privo di validazione esterna, basato sulla corrispondenza della distribuzione del rumore residuo con quella del rumore noto, che previene efficacemente l'overfitting.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti su dati simulati utilizzando il dataset FIVES (immagini retiniche) come ground-truth per la generazione dei dati sintetici.

• Configurazione: Sono stati testati quattro kernel di sfocatura angolare (due indicatori rettangolari e due gaussiani) e tre livelli di rumore (2%, 5%, 10%).
• Confronto: Il metodo proposto è stato confrontato con:
  • Apprendimento supervisionato (Gold Standard).
  • Self-Supervised Learning con penalità TV totale (SSLTV).
  • Deep Image Prior (DIP).
• Performance:
  • Il metodo proposto (Ours) ha superato costantemente tutti gli altri metodi non supervisionati (SSLTV e DIP) in termini di PSNR (Peak Signal-to-Noise Ratio).
  • Ha raggiunto prestazioni vicine a quelle dell'apprendimento supervisionato, pur non utilizzando alcun dato ground-truth durante l'addestramento.
  • Le immagini ricostruite mostrano una risoluzione angolare nettamente superiore rispetto ai metodi di base e una riduzione significativa degli artefatti.

5. Significato e Conclusioni

Questo lavoro rappresenta un passo significativo verso l'applicazione pratica della PAT con rivelatori reali (di dimensioni finite) in scenari clinici dove i dati ground-truth sono inaccessibili.

• Praticità: Il metodo è pronto per l'uso su acquisizioni reali, poiché non richiede la creazione di dataset di addestramento sintetici perfetti.
• Generalizzabilità: L'approccio di modellazione come deconvoluzione angolare e l'uso di Noisier2Inverse potrebbero essere estesi ad altre geometrie di acquisizione e fattori limitanti la risoluzione (es. banda finita, campionamento sparso).
• Innovazione Teorica: La proposta di un criterio di arresto basato sulla distribuzione del rumore risolve un problema fondamentale nell'apprendimento auto-supervisionato per problemi inversi mal posti, offrendo una soluzione automatizzata e robusta.

In sintesi, gli autori hanno dimostrato che è possibile ottenere ricostruzioni fotoacustiche ad alta risoluzione, compensando gli effetti dei rivelatori di dimensioni finite, utilizzando un approccio di apprendimento profondo auto-supervisionato che è sia teoricamente fondato che praticamente efficace.