Gaussian splatting for sparse-view X-ray phase-contrast reconstruction in MHz tomoscopy

Sintesi Tecnica: Gaussian Splatting per la ricostruzione di contrasto di fase a raggi X da vista sparsa in tomoscopia MHz

Problematica
La tomoscopia MHz consente l'imaging di fenomeni dinamici rapidi (ad es. onde d'urto, cavitazione, dinamica dei fluidi biologici) catturando simultaneamente proiezioni a raggi X da molteplici angoli all'interno di un singolo impulso di un laser a elettroni liberi (XFEL). Tuttavia, questo approccio affronta un severo limite di dati: il numero di viste angolari è drasticamente limitato (tipicamente quattro nelle attuali implementazioni XFEL) rispetto alle centinaia richieste dalla tomografia convenzionale. Ciò rende il problema della ricostruzione 3D altamente sottodeterminato.

La sfida è ulteriormente complicata dalla fisica dei campioni biologici molli. Alle energie dei raggi X duri, il decremento dell'indice di rifrazione ($\delta$) domina sull'indice di assorbimento ($\beta$) di diversi ordini di grandezza. Gli algoritmi di ricostruzione basati sull'assorbimento standard falliscono nel produrre contrasto in questo regime a dominanza di fase. Gli approcci neurali esistenti per viste sparse, come ONIX, operano esclusivamente nel regime di assorbimento e non possono recuperare $\delta$, mentre i metodi iterativi tradizionali basati su voxel richiedono un campionamento angolare denso. Esiste una necessità critica di una rappresentazione della scena che sia compatta, veloce, differenziabile e fisicamente fedele alla fisica del contrasto di fase.

Metodologia
Gli autori hanno adattato il 3D Gaussian Splatting (3DGS), originariamente sviluppato per la sintesi di nuove viste fotorealistiche, alla diagnostica a contrasto di fase a raggi X. Le modifiche principali includono:

1. Rappresentazione della Scena: I primitivi standard del 3DGS, che trasportano coefficienti di armoniche sferiche per il colore e opacità, sono stati sostituiti con parametri fisici: l'indice di assorbimento ($\beta$) e il decremento dell'indice di rifrazione ($\delta$) dell'indice di rifrazione complesso $n = 1 - \delta + i\beta$. Questi valori sono vincolati a essere non negativi.
2. Geometria e Proiezione: La proiezione prospettica è stata sostituita dalla geometria a fasci paralleli coerente con la tomoscopia MHz. Lo standard compositing alpha-blending RGB è stato sostituito da un modello di accumulazione a due canali che integra $\beta$ e $\delta$ lungo ogni raggio.
3. Modello Forward Differenziabile: Un'innovazione critica è l'integrazione di un modello di propagazione di Fresnel differenziabile. Le mappe di trasmissione accumulate vengono passate attraverso questo modello per riprodurre gli ologrammi di diffrazione in campo vicino registrati al rivelatore, includendo una funzione di diffusione del punto (PSF) gaussiana per simulare la sfocatura del rivelatore. Ciò rende l'intero modello forward differenziabile rispetto a tutti i parametri gaussiani, consentendo l'ottimizzazione con gradiente congiunta di geometria e proprietà dei materiali da misurazioni basate solo sull'intensità, senza il recupero esplicito della fase.
4. Pipeline di Addestramento: A causa della mancanza di ampi dataset sperimentali XFEL annotati, gli autori hanno sviluppato una pipeline di simulazione basata sulla fisica. Hanno utilizzato simulazioni di dinamica molecolare (ESPResso/PyOIF) per generare geometrie di globuli rossi (RBC) a grana grossa, voxelizzandole e assegnando costanti ottiche a raggi X a 20 keV. Gli ologrammi di contrasto di fase sintetici sono stati generati tramite raycasting accelerato su GPU e propagazione di Fresnel.
5. Strategia di Ottimizzazione: L'addestramento ha utilizzato una funzione di perdita composita che combina l'errore L1 per pixel, la Similarità Strutturale (SSIM), un termine di Correlazione dell'Anello di Fourier (FRC) e la regolarizzazione della Variazione Totale. È stata impiegata una strategia di accumulo del gradiente multi-vista, valutando la perdita da più viste simultanee per iterazione per imporre la coerenza geometrica cross-angolare e scartare le Gaussiane incoerenti.

Risultati Chiave
Il framework è stato testato su ologrammi di RBC simulati utilizzando 12 proiezioni di addestramento e 4 viste di test trattenute.

• Prestazioni: La migliore configurazione (8.000 Gaussiane iniziali, learning rate $2 \times 10^{-3}$, 4 viste simultanee) ha ottenuto un SSIM di 0,870 e un valore FRCM (Fourier Ring Correlation Metric) di 0,096. La ricostruzione è stata completata in circa 15 minuti su una singola GPU NVIDIA A100.
• Analisi delle Metriche: Lo studio ha evidenziato che il PSNR, un benchmark standard per il 3DGS, è un indicatore fuorviante per i dati olografici. Una configurazione con 244.000 Gaussiane ha raggiunto il PSNR più elevato (19,7 dB) ma il SSIM più basso (0,449). Questa configurazione è convergente verso una soluzione degenerata "solo assorbimento" che corrispondeva alle intensità di fondo ma falliva nel riprodurre le strutture di frange di Fresnel che codificano il segnale di fase. Al contrario, SSIM e FRCM hanno identificato correttamente le configurazioni che preservano l'informazione di fase ad alta frequenza.
• Dinamica di Ottimizzazione: Controintuitivamente, aumentare il numero iniziale di Gaussiane da 8k a 244k ha degradato la qualità strutturale sotto i learning rate predefiniti. La calibrazione mirata del learning rate su un'inizializzazione snella da 8k ha superato una configurazione con un numero di primitivi 30 volte superiore, suggerendo che il collo di bottiglia risieda nella dinamica di ottimizzazione piuttosto che nella capacità rappresentativa.
• Recupero dei Materiali: I campi materiali appresi erano qualitativamente corretti, con le mappe di proiezione di fase ($\delta$) dominanti e le mappe di assorbimento ($\beta$) vicine allo zero, coerentemente con la fisica dei tessuti molli. Tuttavia, i rapporti $\delta/\beta$ per singola gaussiana erano inferiori ai valori teorici dell'emoglobina, riflettendo l'intrinseca natura mal posta del recupero della fase da misurazioni basate solo sull'intensità.

Significato e Rivendicazioni
Il documento stabilisce il 3D Gaussian Splatting come una rappresentazione efficace, compatta e differenziabile per la ricostruzione a contrasto di fase a raggi X da vista sparsa. Gli autori affermano che la descrizione della scena basata su particelle affronta intrinsecamente i vincoli di volume dei dati della tomoscopia MHz. Inoltre, il modello forward basato sulla fisica e differenziabile consente una ricostruzione quasi in tempo reale, con un'ottimizzazione che converge entro tempi compatibili con i vincoli del tempo di esposizione del fascio (beamtime).

Il lavoro dimostra che per i dati olografici o interferometrici, le metriche standard come il PSNR possono essere ingannevoli e che le metriche strutturali (SSIM, FRCM) sono essenziali per valutare il recupero dell'informazione di fase. Gli autori identificano come priorità immediate l'estensione del metodo a molteplici time-step di dinamica molecolare per la ricostruzione 4D e la validazione dell'approccio rispetto a reali proiezioni XFEL da una configurazione sperimentale a quattro viste simultanee.