Adaptive Beam Selection for Efficient Scanning Probe Tomography

기술 요약: 효율적인 스캐닝 프로브 토모그래피를 위한 적응형 빔 선택

문제 정의
X-선 토모그래피, 특히 방사광 가속기 시설에서의 고품질 재구성은 일반적으로 다수의 투영(projections)을 필요로 한다. 그러나 투영 횟수를 늘리는 것은 실험 비용, 데이터 획득 시간, 그리고 섬세하거나 방사선에 민선한 시료에 손상을 줄 수 있는 방사선량의 증가를 초래한다. 순차적 실험 설계(sequential experimental design)는 이전에 획득한 데이터를 기반으로 정보를 극대화하는 방향으로 측정값을 선택함으로써 완화 전략을 제공하지만, 기존 방식들은 상당한 문제에 직면해 있다. 대부분의 현재 방법들은 "에지 정렬(edge-aligned)" 빔(시료의 경계와 교차하는 투영)을 식별하기 위해 매 반복마다 시료를 재구성하는 것에 의존한다. 이러한 중간 재구성에 대한 의존성은 공분산 행렬의 차원이 이미지 해상도에 따라 확장됨에 따라 계산상의 병목 현상을 유발하며, 재구성 오류에 대한 취약성을 만든다. 또한, 많은 기존의 순차적 접근 방식은 래스터 스캔(raster scans)을 위한 투영 각도만을 최적화하며, 스캐닝 프로브 토모그래피에서 적응형 스캐닝 위치의 잠재력을 충분히 활용하지 못한다.

방법론
저자들은 중간 이미지 재구성을 거치지 않고 사이노그램(sinogram) 도메인에서 직접 적응형 빔 선택을 수행하는 새로운 순차적 설계 방법을 제안한다. 핵심 방법론은 다음 단계들을 포함한다:

1. 가우시안 프로세스 모델링: 사이노그램을 Matérn-3/2 커널을 가진 영평균 가우시안 프로세스(GP)로 모델링한다. 이를 통해 측정되지 않은 빔 값을 보간하고 신뢰 구간을 통해 불확실성을 정량화할 수 있다.
2. 사이노그램 공간에서의 에지 정렬: 재구성된 이미지에서 에지를 탐지하는 대신, 이 방법은 사이노그램 상에 직접 "에지 매핑 함수($\hat{E}$)"를 정의한다. 이 함수는 각도 및 공간적 섭동에 대한 사이노그램의 그래디언트 크기를 계산하여, 빔이 물체의 경계와 교차할 가능성이 높은 영역을 식별한다.
3. 획득 함수: 획득 함수 $\Psi$를 최대화함으로써 $n_r$개의 새로운 측정 배치(batch)를 선택한다. 이 함수는 두 항의 곱으로 구성된다:
   • 불확실성 ($\hat{\Omega}_k$): 데이터가 희소한 영역에서의 탐색을 촉진하기 위해 GP 사후 공분산으로부터 도출된 신뢰 구간의 폭.
   • 에지 정렬 ($\hat{E}$): 샘플 경계와 교차할 가능성이 높은 빔을 우선시하여 탐색(exploitation)을 촉진하는 에지 매핑 항.
4. 클러스터링 방지를 포함한 그리디 배치 선택: 알고리즘은 모든 후보 빔을 전수 조사하고, 획득 값이 높은 순으로 정렬한 뒤, 상위 $n_r$개의 빔을 선택한다. 빔이 고가치 영역에 밀집되는 것을 방지하기 위해, 이미 선택된 다른 빔들과 너무 가까운 빔을 제거하는 후처리 단계로서 최소 거리 임계값($\delta_\psi$)을 적용한다.

주요 기여

• 재구성 없는 에지 탐지: 본 연구의 주요 기여는 가우시안 프로세스를 사용하여 사이노그램에서 직접 에지 정렬 측정을 식별할 수 있다는 점이며, 이는 반복적인 이미지 재구성과 관련된 계산 비용 및 오류 전파를 제거한다.
• 결합 최적화: 본 프레임워크는 투영 각도와 스캐닝 위치를 동시에 선택하며, 이는 래스터 스캔을 위해 각도만을 최적화하는 방법보다 더 유연한 적응형 전략을 제공한다.
• 노이즈 강건성: 사이노그램을 GP로 모델링함으로써, 이 방법은 본질적으로 측정 노이즈에 대한 필터 역할을 수행하며, 예측 평균을 활용하여 노이즈가 있는 조건에서도 재구성 정확도를 향상시킨다.

결과
제안된 프레임워크는 $128 \times 128$ 픽셀 해상도의 다섯 가지 대표 샘플(Shepp–Logan 팬텀, 생물학적 샘플, Siemens Star 패턴 포함)을 대상으로 평가되었다. 성능은 균일하게 간격이 배치된 래스터 스캔 각도 베이스라인과 비교하여 참값(ground truth) 대비 평균 제곱근 오차(RMSE)를 사용하여 측정되었다.

• 재구성 품질: 적응형 방법은 모든 샘플에서 베이스라인보다 낮은 RMSE를 달축하였으며, 특히 측정 빔의 수가 적은 초기 반복 단계에서 두드러졌다. 선택된 빔들은 샘플 구조에 대한 사전 지식 없이도 물체의 가장자리를 따라 집중되는 것이 관찰되었다.
• 노이즈 내성: 최대 신호의 5%까지 측정 노이즈를 추가한 실험에서, 제안된 접근 방식은 베이스라인에 비해 더 높은 재구성 정확도를 유지함으로써 GP 모델의 노이즈 필터링 능력을 입증하였다.
• 빔 분포: 거리 임계값의 포함은 빔의 밀집을 성공적으로 방지하여, 정보가 풍부한 측정값들의 보다 균일한 분포를 보장하였다.

의의 및 주장
본 논문은 이 접근 방식이 전체 이미지 재구성에 의존하는 베이지안 순차적 설계 방법들에 비해 계산적으로 효율적인 대안을 제공한다고 주장한다. 사이노그램 도메에서 직접 작동함으로써, 이 방법은 재구성 오류에 대한 취약성을 줄이고 반복당 계산 오버헤드를 낮춘다. 저자들은 독립적인 빔 위치 지정(스캐닝 프로브 토모그래피)이 현재 하드웨어에서 표준이 아닌 실험적 오버헤드를 도입한다는 점을 인정하면서도, 시뮬레이션 결과가 이러한 적응형 전략의 잠재적 이점을 입증한다고 주장한다. 본 연구는 적응형 스캐닝의 미래 하드웨어 구현을 위한 동기 부여 역할을 하며, 선량 효율적이고 고품질인 토모그래피 재구성을 위한 프레임워크를 구축한다.