Physics-Informed Deep Learning Enabled Ultra-Sparse Projection Neutron Computed Tomography

Sintesi Tecnica: Deep Learning Informato dalla Fisica per la Tomografia Neutronica a Proiezione Ultra-Sparsa

Problematica
La Tomografia Neutronica (NCT) è uno strumento critico per visualizzare elementi leggeri all'interno di materiali densi e per eseguire ispezioni non distruttive di componenti ingegneristici. Tuttavia, la sua applicazione è severamente limitata dal basso flusso delle sorgenti neutroniche rispetto alle sorgenti di raggi X da laboratorio. Una scansione NCT 3D standard richiede tipicamente dalle 12 alle 14 ore per acquisire le 360 proiezioni necessarie, con esposizioni individuali della durata di 30–80 secondi. Questa durata rende l'imaging risolto nel tempo (4D) praticamente inaccessibile per processi dinamici. Sebbene il deep learning sia stato applicato al post-processing, i metodi esistenti non sono riusciti ad affrontare l'acquisizione ultra-sparsa senza introdurre "allucinazioni" — caratteristiche plausibili ma fisicamente inesistenti che compromettono l'analisi quantitativa. Inoltre, gli approcci precedenti non hanno integrato il condizionamento temporale per garantire la validità fisica attraverso le sequenze di proiezione.

Metodologia
Gli autori propongono un framework di deep learning informato dalla fisica, progettato per ricostruire proiezioni tomografiche ad alta fedeltità da campionamenti angolari ultra-sparsi. Il nucleo della metodologia è un'architettura spaziotemporale generatore-discriminatore che opera direttamente sulle sequenze di acquisizione delle proiezioni.

• Architettura: Il modello utilizza un generatore encoder–bottleneck–decoder condizionato temporalmente. Impiega unità ConvLSTM per sintetizzare proiezioni intermedie basandosi su due fotogrammi misurati circostanti e una condizione temporale ($t \in [0,1]$). La rappresentazione del bottleneck viene concatenata con un tensore di condizionamento per imporre il contesto temporale.
• Discriminatore: Un discriminatore PatchGAN multi-scala valuta sequenze di tre fotogrammi (misurato–sintetizzato–misurato) a risoluzioni intere, dimezzate e ridotte a un quarto. Questo design penalizza le incongruenze nei bordi locali e nei pattern di attenuazione più ampi, incoraggiando la fluidità temporale piuttosto che il solo realismo dell'immagine isolata.
• Strategia di Addestramento: Il sistema è stato addestrato su 361 proiezioni di un fantoccio di contrasto IAEA/PSI acquisite con incrementi di 1°. Le coppie di interpolazione supervisionata sono state costruite nella forma $(i, i+2 \rightarrow i+1)$, dove le proiezioni esterne fungono da input e la proiezione intermedia funge da ground truth. Il modello è stato addestrato utilizzando una funzione di perdita che combina termini avversari, L1 e SSIM.
• Inferenza: Per l'inferenza a vista sparsa, il generatore addestrato viene applicato ricorsivamente o sequenzialmente tra le posizioni angolari misurate per sintetizzare le viste mancanti necessarie alla ricostruzione. Il framework è stato testato per la generalizzazione zero-shot attraverso tre strutture (BRIN, PSI e IMAT) utilizzando campioni diversificati, inclusi fantocci di risoluzione, un blocco motore di una motocicletta, un mouse per computer e l'arenaria di Berea.

Contributi Chiave

1. Ricostruzione Ultra-Sparsa: Il framework ricostruisce con successo il 90% dei dati di proiezione utilizzando solo il 10% del tempo di acquisizione, riducendo il numero di proiezioni richieste da 360 a appena 37.
2. Condizionamento Temporale: Integrando unità ConvLSTM, il modello condiziona esplicitamente sul contesto temporale, apprendendo il manifold di proiezioni fisicamente plausibili per evitare allucinazioni.
3. Validità Quantitativa: A differenza degli approcci generativi che rischiano di introdurre caratteristiche non fisiche, questo metodo preserva l'integrità strutturale quantitativa, validata attraverso misurazioni dei livelli di grigio e confronti nominali/reali.
4. Generalizzazione Cross-Facility: Il modello dimostra una robusta capacità di generalizzazione attraverso diverse geometrie di beamline e strutture senza necessità di riaddestramento.

Risultati
Il framework è stato validato su dati di radiografia neutronica a 16 bit, 1024×1024. Le metriche chiave delle prestazioni includono:

• Qualità dell'Immagine: Le ricostruzioni da campionamento ultra-sparso (37 proiezioni) hanno raggiunto un Peak Signal-to-Noise Ratio (PSNR) di $41.62 \pm 2.78$ dB e un Structural Similarity Index (SSIM) di $0.9799 \pm 0.0095$.
• Rilevamento dei Materiali: Le ricostruzioni potenziate dall'IA da campionamento ultra-sparso, contenenti un fantoccia di contrasto con sei materiali, hanno preservato i contrasti di livello di grigio specifici per il materiale coerentemente con le sezioni d'urto macroscopiche teoriche. Non sono state osservate allucinazioni rilevabili nella distribuzione dei materiali.
• Accuratezza Geometrica:
  • Fantocci di Risoluzione: Le misurazioni dello spessore della fessura nei fantocci FeAl e AlCu hanno mostrato una forte correlazione con il ground truth ($R^2 = 0.981$ e $0.984$, rispettivamente), con deviazioni entro i limiti accettabili.
  • Blocco Motore: Le misurazioni geometriche (lunghezza, larghezza, altezza) non hanno mostrato differenze statisticamente significative tra le ricostruzioni ultra-sparse e il ground truth.
  • Confronto Nominale/Reale: Utilizzando VG Studio Max 3.0, l'analisi ha rivelato che oltre il 92% delle superfici (media tra i campioni) rientrava in una tolleranza di $\pm 0.089$ mm. Il fantoccia di contrasto ha raggiunto il 99,9% dell'area entro la tolleranza, mentre il blocco motore, più complesso, ha raggiunto il 56,2%, con specifiche caratteristiche che risultavano comunque perfettamente corrispondenti.
• Efficienza Temporale: Il tempo di acquisizione è stato ridotto da 12–14 ore a 4–5 ore presso la struttura BRIN, con potenziali accelerazioni maggiori presso strutture ad alto flusso.

Significatività
L'articolo sostiene che questo framework renda possibili studi operando di processi dinamici rapidi che prima erano accessibili solo con sorgenti di raggi X da sincrotrone. Riducendo il tempo di acquisizione di oltre il 90% pur mantenendo l'integrità strutturale quantitativa ed evitando allucinazioni, il metodo supera il principale collo di bottiglia dell'imaging neutronico: il basso flusso. La capacità di generalizzare attraverso diverse strutture e tipi di campioni suggerisce una via verso la tomografia neutronica pratica ad alta velocità per applicazioni industriali e scientifiche dove i dati risolti nel tempo sono critici.