Physics-Guided Deep Learning For High Resolution X-ray Imaging

기술 요약: 고해상도 X 선 이미징을 위한 물리 유도 딥러닝

문제 제기
고에너지 밀도 (HED) 및 X 선 자유 전자 레이저 (XFEL) 를 활용하는 관성 핵융합 에너지 (IFE) 실험에서 고해상도 X 선 이미징은 종종 구조화된 비정상적 아티팩트에 의해 훼손됩니다. 이러한 아티팩트는 베릴륨 복합 굴절 렌즈 (CRL) 와 같은 이미징 시스템 구성 요소의 밀도 불균일성에서 발생합니다. 확률적 노이즈와 달리, 이러한 특징은 빔 지향성 흔들림과 광자 에너지 변화로 인해 샷마다 약간씩 이동하는 곱셈적 변조입니다.

기존 재구성은 평평한 필드 정규화 ($T = I_{shot}/I_{flat}$) 에 의존합니다. 그러나 레이저 구동 이미지 ($I_{shot}$) 의 구조화된 아티팩트와 평평한 필드 참조 ($I_{flat}$) 가 완벽하게 정렬되지 않기 때문에 단순한 나눗셈은 이를 깔끔하게 상쇄하지 못합니다. 이로 인해 관심 신호 (예: 전자 필라멘트) 와 겹치는 전송 맵에 잔여 패턴이 남아 이미지 충실도를 저하시키고, 전자 밀도, 속도 및 특징 크기의 정량적 측정에 편향을 초래합니다. 기존 노이즈 제거 방법과 푸리에 필터링은 아티팩트가 물리적 신호와 공간 주파수 성분을 공유하기 때문에 효과가 없습니다. 공격적인 필터링은 아티팩트를 억제하지만 진정한 필라멘트 신호도 약화시킵니다.

방법론
저자들은 구조화된 아티팩트를 노이즈가 아닌 분리 가능한 특징 레이어로 간주하는 물리 유도 딥러닝 접근법을 제안합니다. 핵심 방법론은 다음과 같습니다:

1. U-Net 아키텍처: 2D U-Net 네트워크가 실험 데이터에서 직접 아티팩트 레이어를 추정하도록 훈련됩니다. 네트워크는 특징 레이어 ($I_{pred}$) 를 예측하도록 설계되며, 이는 원본 이미지에서 나눗셈을 통해 제거됩니다 ($I_{clean} = I_{raw} / I_{pred}$).
2. 훈련 전략:
   • 데이터: 모델은 필라멘트 신호가 존재하지 않는 상태에서 이미징 시스템의 고유한 아티팩트를 학습하기 위해 '콜드샷 (cold-shot)' 데이터셋 (광학 구동 없이 X 선 프로브만 사용) 으로만 훈련됩니다.
   • 증강: 네트워크가 필라멘트 신호를 아티팩트로 오분류하는 것을 방지하기 위해, 훈련 데이터는 레이저 구동 샷에서 추출된 필라멘트 패치를 90% 확률로 콜드샷 이미지에 무작위로 오버레이하여 증강됩니다.
   • 손실 함수: 필라멘트 인식 가중 L1 손실 함수가 사용되며, 붙여넣은 필라멘트 영역 내 픽셀에 11 배 가중치를 적용하여 네트워크가 배경 아티팩트를 억제하는 동시에 이러한 구조를 보존하도록 합니다.
   • 로그 도메인: 아티팩트가 곱셈적 변조로 작용하므로, 이미지는 훈련을 위해 로그 도메인으로 변환되어 네트워크가 강도 공간으로 변환하기 전에 가법적 보정을 학습할 수 있도록 합니다.
3. 추론 파이프라인: 동일한 훈련된 모델이 정규화 이전 에 레이저 구동 이미지 ($I_{shot}$) 와 평평한 필드 이미지 ($I_{flat}$) 에 모두 적용됩니다. 그 후 수정된 전송 맵은 $T_{corr} = \tilde{I}_{shot} / \tilde{I}_{flat}$로 재구성됩니다.
4. 불확실성 정량화: 훈련 데이터와 다른 새로운 물리 현상 (예: 충격파) 과 같은 분포 외 (OOD) 위험을 해결하기 위해 저자들은 딥 앙상블을 활용합니다. 열 개의 독립적으로 훈련된 U-Net 모델이 예측을 생성하고, 앙상블 분산의 픽셀 단위 엔트로피가 계산됩니다. 높은 엔트로피 영역은 잠재적인 OOD 특징이나 신뢰할 수 없는 재구성을 경고합니다.

주요 결과
이 방법은 푸리에 필터링과 동적 평평한 필드 정규화 (DFFN) 라는 두 가지 기준선과 비교 평가되었습니다.

• 아티팩트 억제 대 신호 보존: 알려진 필라멘트 맵이 콜드샷 이미지에 삽입된 합성 주입 테스트에서 U-Net 접근법은 기준선보다 훨씬 우수한 성능을 보였습니다.
  • 구조적 유사성 (MSSIM): 고대비 필라멘트의 경우 0.345(원본) 에서 0.906(U-Net) 으로 향상되었으며, 저대비 필라멘트의 경우 0.0679 에서 0.945로 향상되었습니다.
  • 최대 신호 대 잡음비 (PSNR): 두 테스트 케이스에서 각각 28.6 및 29.0 으로 증가했으며, 푸리에 필터링의 약 26.2 및 23.8 과 비교됩니다.
  • 평균 제곱 오차 (MSE): 0.0013 및 0.0012 로 감소하여 푸리에 필터링 (0.0024, 0.0042) 과 DFFN 보다 현저히 낮았습니다.
• 정량적 측정: U-Net 재구성에서 도출된 필라멘트 길이 측정은 Root-Mean-Square Percentage Error (RMSPE) 가 **8.66%**였으며, 푸리에 필터링은 16.71%, DFFN 은 11.3% 였습니다. 푸리에 필터링은 필라멘트 끝을 약화시켜 측정 오류를 유발하는 것으로 관찰되었습니다.
• 일반화 능력: 훈련에 존재하지 않던 대규모 구조인 충격파에 적용되었을 때, 필라멘트 훈련 모델은 충격 신호를 부분적으로 흡수하여 MSSIM 을 0.629 로 낮췄습니다. 그러나 용량이 증가된 재훈련된'충격 인식'모델은 MSSIM 을 0.708 로 향상시켜 프레임워크의 적응성을 입증했습니다.
• OOD 감지: 딥 앙상블 엔트로피 맵은 모델이 훈련 데이터를 갖지 않는 높은 불확실성 영역 (예: 충격파 구조) 을 성공적으로 강조하여 새로운 물리 현상에 대한'회로 차단기'역할을 수행했습니다.

의의 및 주장
이 논문은 이 접근법이 LCLS-II 와 APS 업그레이드와 같은 차세대 고반복률 X 선 시설의 중요한 병목 현상을 해결한다고 주장합니다. 이러한 시설에서는 데이터 양이 반복적이거나 수동적인 사후 처리를 불가능하게 만듭니다.

• 실시간 능력: 이 방법은 추론을 위해 단일 순전파만 필요하며 (밀리초 단위), 엣지 컴퓨팅 파이프라인에 적합한 실시간, 즉석 아티팩트 억제를 가능하게 합니다.
• 강건성: 아티팩트 제거를 정규화 단계와 분리하고 모델을 $I_{shot}$과 $I_{flat}$에 모두 적용함으로써, 표준 평평한 필드 정규화로는 해결할 수 없는 샷 간 드리프트로 인한 잔여 패턴을 제거합니다.
• 신뢰성: 딥 앙상블의 통합은 인식적 불확실성을 정량화하는 메커니즘을 제공하여 시스템이 새로운 물리 현상을 맹목적으로 제거하지 않도록 보장함으로써 자율 실험 조정을 지원합니다.

저자들은 이 물리 유도 딥러닝 프레임워크가 HED 실험에서 운송 관측량의 더 신뢰할 수 있는 정량적 추출을 가능하게 하며, 이는 관성 핵융합 에너지 연구를 발전시키는 데 필수적인 능력이라고 결론지었습니다.