🔢 mathematics

Learning end-to-end inversion of circular Radon transforms in the partial radial setup

Dit artikel stelt een op deep learning gebaseerd algoritme voor dat gebruikmaakt van een ResBlock U-Net om circulaire Radon-transformaties in gedeeltelijke radiale opstellingen voor fotoakoestische tomografie effectief te inverteren, waarbij de ernstige artefacten en beperkingen van traditionele afgekapte singuliere waarde decompositie-methoden worden overwonnen.

Oorspronkelijke auteurs: Deep Ray, Souvik Roy

Gepubliceerd 2026-07-14

📖 4 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Deep Ray, Souvik Roy

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een perfecte foto probeert te maken van een geheim object dat verborgen zit in een mistige, ronde kamer. In de wereld van medische beeldvorming is deze "kamer" het menselijk lichaam, en de "mist" bestaat uit geluidsgolven. Deze techniek wordt Photoacoustic Tomography (PAT) genoemd. Zo werkt het: je schiet een snelle flits van laserlicht in het lichaam. Het licht wordt geabsorbeerd, het lichaam warmt een heel klein beetje op, en het zet uit, wat een rimpeling van geluid creëert—als een kleine, onzichtbare donderslag. Sensoren die rond de rand van het lichaam zijn geplaatst, vangen deze rimpelingen op.

De grote puzzel is: kunnen we naar die rimpelingen kijken en precies uitzoeken hoe het verborgen object er binnenin uitziet?

De Oude Manier: Een Kapotte Puzzel

Lange tijd probeerden wetenschappers dit puzzelstukje op te lossen met een traditionele wiskundige methode genaamd "Truncated Singular Value Decomposition" (TSVD). Denk hierbij aan het proberen op te lossen van een legpuzzel waarbij de helft van de stukjes ontbreekt en de stukjes die je wel hebt bedekt zijn met statische ruis.

De auteurs van dit artikel probeerden deze oude methode te gebruiken op een specifieke, lastige versie van het probleem, genaamd de "partial radial setup". Dit is alsof je de puzzel probeert op te lossen wanneer de sensoren een kortere tijd luisteren dan gebruikelijk, wat betekent dat ze alleen geluidsgolven opvangen die de volledige afstand door de kamer nog niet hebben afgelegd. Het resultaat? Een ramp. De oude wiskundige methode produceerde beelden die zo vol stonden met vreemde strepen en spookachtige artefacten dat de foto volledig onbruikbaar was. Het was alsof je je gezicht probeerde te zien in een spiegel die versplinterd was en verkeerd weer aan elkaar was gelijmd.

De Nieuwe Manier: Een Super-Intelligente Detective

Om dit op te lossen, bouwden de onderzoekers een nieuw soort "detective" met behulp van deep learning, specif kind een neurale netwerkarchitectuur genaamd een U-Net. Je kunt deze U-Net zien als een super slimme student die de werkelijke objecten nog nooit heeft gezien, maar wel miljoenen oefenpuzzels heeft bestudeerd.

Het mooie hiervan is: in plaats van te proberen de wiskundige vergelijkingen stap voor stap op te lossen zoals een rekenmachine dat doet, kijkt de U-Net naar de rommelige geluidsdata (de "sinogram") en raadt direct hoe de afbeelding binnenin eruit zou moeten zien. Het is alsof je de detective een wazige, ruizige schets laat zien en hij vervolgens direct een perfect, helder portret tekent.

Het Trainingskamp

Om deze detective te leren, gebruikten de onderzoekers geen echte patiënten (omdat ze nog geen data hadden voor deze specifie

De Resultaten: Helderheid versus Chaos

Toen ze hun nieuwe detective testten, waren de resultaten een enorme overwinning voor de U-Net en een totaal verlies voor de oude wiskundige methode.

De Oude Methode (TSVD): Wanneer de data ruizig was of het zicht beperkt was, waren de beelden verpest. De fouten waren zo erg dat bij 15% ruis de reconstructie tot wel 400% kon afwijken. Het was in feite een bende van strepen.
De Nieuwe Methode (U-Net): De U-Net produceerde scherpe, heldere beelden die bijna exact leken op de originele nep-fantoombeelden. Zelfs wanneer de invoerdata ruizig of het zicht beperkt was, raakte het netwerk niet in de war.

De onderzoekers maten dit met standaard computer vision-scores zoals PSNR (Peak Signal-to-Noise Ratio) en SSIM (Structural Similarity Index). In deze simulaties scoorde de U-Net consequent veel hoger dan de traditionele methode, wat bewees dat het in staat was de afbeelding met hoge getrouwheid te reconstrueren.

Wat Nu Volgt?

Het artikel laat zien dat deze deep learning-benadering ongelooflijk goed werkt in deze computersimulaties. De auteurs merken echter voorzichtig op dat dit nog steeds een simulatie is. Ze hebben het nog niet getest op echte menselijke data. Ze suggereren dat toekomstig werk complexere situaties moet aanpakken, zoals wanneer geluid met verschillende snelheden door het lichaam reist, en ze willen uitzoeken hoe ze de "zekerheid" van de gokken van het netwerk kunnen meten.

Maar voor nu, in de wereld van deze digitale puzzels, is de oude wiskundige methode achtergelaten in het stof, en heeft een nieuwe, ruis-tolerante, deep-learning detective de leiding genomen.

Technische Samenvatting: Het leren van end-to-end inversie van circulaire Radon-transformaties in de gedeeltelijke radiale opstelling

Probleemstelling
Dit werk behandelt het inverse probleem van het reconstrueren van de initiële akoestische golfdrukverdeling, $f(r, \theta)$ , uit circulaire Radon-transformatiedata, $g(\rho, \phi)$ , binnen de context van Fotoakoestische Tomografie (PAT). Specifiek richt het artikel zich op de gedeeltelijke radiale opstelling, een scenario waarin data wordt verzameld voor radii $\rho \in (0, R)$ in plaats van het volledige bereik $(0, 2R)$ . Deze opstelling wordt gedreven door praktische kostenbeperkingen bij data-acquisitie, maar brengt aanzienlijke wiskundige uitdagingen met zich mee.

De primaire moeilijkheid ligt in het feit dat de enige bestaande traditionele numerieke algoritme voor deze specifieke opstelling de Truncated Singular Value Decomposition (TSVD) methode is, gekoppeld aan een product-trapeziumregel. De auteurs tonen aan dat TSVD lijdt onder ernstige beperkingen:

Het produceert reconstructies die vervuild zijn door significante artefacten, waardoor de velden in veel gevallen onbruikbaar zijn.
Het vereist een probleem- en ruisafhankelijke afkapparameter (truncation parameter), die moeilijk optimaal te selecteren is.
In limited view scenario's (waarbij de angulaire data beperkt is tot een deelverzameling van $[0, 2\pi)$ vanwege ontoegankelijke transducerzones), verslechteren de TSVD-reconstructies verder en slagen ze er niet in de onderliggende fantoomstructuur te herstellen.

Methodologie
Om de computationele knelpunten en de artefactproblemen van TSVD te overwinnen, stellen de auteurs een end-to-end deep learning algoritme voor, gebaseerd op een ResBlock-gebaseerde U-Net architectuur. De aanpak valt onder de klasse van "directe benaderingen" voor deep learning bij inverse problemen, waarbij een neuraal netwerk leert om direct van ruwe metingen naar de gereconstrueerde afbeelding te mappen zonder tussenliggende traditionele reconstructiestappen.

Forward Model: Het probleem wordt geformuleerd als $Y = F(X) + \eta$ , waarbij $X$ de grondwaarheid drukverdeling is (op een $128 \times 128$ grid) en $Y$ de circulaire Radon-data (sinogram) is op een $\rho-\phi$ grid.
Netwerkarchitectuur: Een U-Net wordt toegepast, bestaande uit een contracterende tak om multi-schaal kenmerken te extraheren en een expanderende tak om de ruimtelijke resolutie te herstellen. Skip-verbindingen combineren kenmerken van beide takken. De architectuur is aangepast voor twee specifieke inputresoluties:
- Full View: Inputgrootte $128 \times 128$ ( $\rho \in [0, 1], \phi \in [0, 2\pi)$ ).
- Limited View: Inputgrootte $64 \times 64$ ( $\rho \in [0, 1], \phi \in [0, \pi)$ ), wat een extra interpolatielaag vereist om de outputresolutie te matchen.
Datasetgeneratie: Omdat experimentele data voor deze specifieke gedeeltelijke radiale opstelling niet beschikbaar is, genereren de auteurs synthetische datasets met behulp van geperturbueerde Shepp-Logan fantoommodellen. Deze fantoommodellen worden gewijzigd door het randomiseren van ellips-centra, assen, hoeken en intensiteiten, gevolgd door rotatie en translatie.
Trainingsstrategie: De netwerken worden getraind met een supervised learning strategie met een Mean Squared Error (MSE) verliesfunctie. Cruciaal is dat de auteurs de impact van ruis op de training onderzoeken. Ze vergelijken netwerken getraind op schone data met netwerken getraind op een mix van schone en ruisige data (specifiek 15% ruis). Het doel is om te waarborgen dat het netwerk goed generaliseert naar ruisige testcondities.
Optimalisatie: De netwerken worden getraind met de Adam optimizer gedurende 300 epochs met $L2$ -regularisatie.

Belangrijkste Bijdragen

Demonstratie van TSVD-falen: Het artikel levert numeriek bewijs dat de standaard TSVD-methode ernstige artefacten oplevert in de gedeeltelijke radiale opstelling, vooral onder limited view en ruisige condities, wat vaak resulteert in fouten tot 400% bij hoge ruisniveaus.
End-to-End Learning Framework: De auteurs introduceren een U-Net architectuur die direct de inverse fysieke mapping leert van het sinogram naar het drukveld, waarbij de noodzaak voor handmatig ontworpen regularisatie of tussenliggende lineaire reconstructies wordt omzeild.
Robuustheid tegen Ruis: Een belangrijke bevinding is dat het trainen van het netwerk met een mix van schone en ruisige data (specifiek tot 15% ruis) de generalisatie aanzienlijk verbetert. Netwerken die uitsluitend op schone data zijn getraind, falen in het accuraat reconstrueren wanneer ze worden getest op ruisige inputs, terwijl de met ruis uitgebreide training stabiele, artefactvrije resultaten produceert over het hele ruisspectrum.
Adaptatie aan Limited View: De studie breidt de deep learning aanpak succesvol uit naar de limited view opstelling (halve angulaire dekking en grovere radiale sampling), waarbij wordt aangetoond dat het netwerk effectief kan omgaan met gereduceerde datadimensies.

Resultaten
De voorgestelde methode werd geëvalueerd met kwantitatieve metrieken: Peak Signal-to-Noise Ratio (PSNR) en Structural Similarity Index (SSIM).

Full View Prestaties: De U-Net getraind met ruisige data (UNet128cn15) presteerde aanzienlijk beter dan TSVD. Terwijl de TSVD-reconstructies snel verslechterden naarmate de ruis toenam van 0% naar 15%, behield de U-Net hoge PSNR- en SSIM-waarden en bleef stabiel over alle ruisniveaus.
Limited View Prestaties: Vergelijkbaar met de full view opstelling produceerde de deep learning aanpak voor de limited view opstelling (UNet64cn15) accurate, artefactvrije reconstructies. In contrast hiermee waren de TSVD-reconstructies zo corrupt door artefacten dat de onderliggende fantoomstructuur bijna onwaarneembaar was.
Visuele Kwaliteit: Kwalitatieve resultaten bevestigden dat de U-Net reconstructies de structurele details van de Shepp-Logan fantoommodellen behielden zonder de streepartefacten (streak artifacts) die kenmerkend zijn voor de TSVD-methode.

Betekenis en Claims
Het artikel claimt dat het voorgestelde deep learning algoritme succesvol de computationele knelpunten en de ernstige artefactvorming geassocieerd met de TSVD-methode voor de gedeeltelijke radiale opstelling in PAT overwint. De auteurs benadrukken dat hun aanpak bijzonder significant is omdat deze direct werkt op ruwe metingen en de onderliggende inverse fysica leert zonder afhankelijk te zijn van een traditionele lineaire reconstructie als voorloper.

Het werk onderstreept de noodzaak om met ruisige data te trainen om robuuste prestaties te bereiken in real-world scenario's waar meetruis onvermijdelijk is. De auteurs concluderen dat, hoewel het huidige werk beperkt is tot synthetische fantoommodellen en aannames van constante geluidssnelheid, het voorgestelde framework een levensvatbaar pad biedt naar het oplossen van PAT inverse problemen waar traditionele methoden falen. Toekomstig werk wordt geïdentificeerd als het generaliseren van het algoritme naar niet-constante geluidssnelheden en het integreren van onzekerheidskwantificering via Bayesiaanse opstellingen, maar dit worden gepresenteerd als toekomstige richtingen in plaats van huidige prestaties.