Moiré Artifact Reduction in Grating Interferometry Using Multiple Harmonics and Total Variation Regularization

Deze paper introduceert een beeldherstelalgoritme dat gebruikmaakt van meerdere harmonischen en totale variatie-regulering om Moiré-artefacten in grating-interferometrie te elimineren door de werkelijke fase-stapposities nauwkeuriger te schatten, waardoor de kwaliteit van de verkregen beelden voor klinische toepassingen zoals longbeeldvorming wordt verbeterd.

De kern

Deze paper in het kort: Hoe we 'grijze strepen' uit röntgenfoto's hebben verwijderd

Stel je voor dat je een röntgenfoto maakt, maar in plaats van een heldere, scherpe afbeelding van een long of een bot, zie je de foto eruit alsof je er door een oud, vies raam met tralies hebt gekeken. Er zitten overal vreemde, golvende patronen in die nergens mee te maken hebben met het lichaam, maar alleen met de machine zelf. In de wereld van de wetenschap noemen we dit Moire-artefacten.

De auteurs van dit paper (een team van onderzoekers van o.a. Louisiana State University) hebben een slimme nieuwe manier bedacht om die storende tralies weg te krijgen, zodat artsen en ingenieurs eindelijk scherp kunnen zien wat er echt aan de hand is.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Het Probleem: De Dansende Tralies

Normaal gesproken werkt deze speciale röntgentechniek (grating-interferometrie) als volgt:

• De machine schiet röntgenstralen door een soort "tralie" (een heel fijn rooster) naar de camera.
• Dit creëert een patroon van lichte en donkere strepen (zoals de schaduwen van een hek op de grond).
• Als er een object (zoals een muis of een long) voor komt, verandert dit patroon een klein beetje.
• De computer meet die veranderingen om drie soorten beelden te maken:
  1. Verzwakking: Hoeveel straling wordt er opgevangen (zoals een gewone röntgenfoto).
  2. Fase: Hoe wordt het licht gebogen (geeft details over zachte weefsels).
  3. Donker veld: Hoe wordt het licht verstrooid (goed voor heel kleine structuren, zoals longblaasjes).

Maar hier zit de adder onder het gras:
Om dit te meten, moet de tralie heel precies heen en weer bewegen (een paar microns!). De onderzoekers dachten: "We laten de motor precies 10 stappen doen." Maar in het echt is de motor niet perfect. Soms is een stapje net iets te groot, soms te klein, of trilt de tafel een beetje.

Daarnaast is het patroon van de strepen niet altijd een perfecte, gladde golf (een sinus). Het is vaak een complexere golf met extra piekjes erin.

Als de computer denkt dat de stappen perfect zijn en het patroon perfect glad is, maar dat is het niet, dan ontstaan er die storende "Moire"-patronen. Het is alsof je twee netten over elkaar legt die net niet perfect op elkaar aansluiten; er ontstaan nieuwe, vreemde patronen die je niet wilt zien.

2. De Oplossing: De "Dance-Regisseur"

De onderzoekers hebben een algoritme (een slim computerprogramma) bedacht dat deze fouten oplost. Ze gebruiken twee slimme trucs:

Truc A: Luister naar meer dan alleen de basistoon (Meerdere harmonischen)
Stel je voor dat je naar een orkest luistert. De meeste mensen horen alleen de basistoon (de hoofdmelodie). Maar in werkelijkheid klinken er ook hogere tonen mee (de viool, de fluit).

• De oude methode luisterde alleen naar de "basistoon" van het röntgenpatroon.
• De nieuwe methode luistert ook naar de "hoge tonen" (de harmonischen).
• Door te kijken naar al die extra tonen, kan de computer beter begrijpen hoe het patroon er echt uitziet, zelfs als de motor een beetje slordig beweegt. Het is alsof je een danser niet alleen op zijn voeten laat kijken, maar ook op zijn armen en hoofd, om te weten of hij echt in de pas loopt.

Truc B: De "Rustige Buur" (Totale Variatie Regularisatie)
Dit is de tweede, heel belangrijke truc. Stel je voor dat je een tekening maakt van een landschap. Als je per ongeluk een beetje trilt terwijl je tekent, krijg je een onrustige, schokkerige lijn.

• De onderzoekers zeggen tegen de computer: "Weet je wat? Het landschap (het lichaam) is meestal rustig en glad. Als je een lijn ziet die heel erg trilt of schokkerig is, is dat waarschijnlijk een fout van de machine, geen echt detail van het lichaam."
• Ze gebruiken een wiskundige regel (Total Variation) die de computer dwingt om die schokkerige lijnen te gladstrijken. De computer leert: "Als het beeld te veel trilt, is dat een fout. Maak het rustig."

3. Het Resultaat: Scherpe Beelden

Ze hebben dit getest op twee dingen:

1. Een dode muis: Ze maakten foto's van de longen van een muis. Met de oude methode zag je de longen, maar er zaten storende strepen overheen. Met hun nieuwe methode waren die strepen weg en zag je de longstructuur kristalhelder.
2. Plastic balletjes: Ze gebruikten heel kleine plastic balletjes (PMMA) die lijken op longweefsel. Ook hier verdwenen de storende patronen volledig, zelfs als ze de tralie niet perfect hadden afgesteld.

Waarom is dit belangrijk?

Dit is een grote stap vooruit voor de geneeskunde en industrie.

• Voor artsen: Het betekent dat ze longziektes (zoals astma, kanker of fibrose) veel eerder en scherper kunnen zien. Geen valse schaduwen meer die je laten denken dat er iets is dat er niet is.
• Voor industrie: Het helpt bij het controleren van materialen (bijv. of er gaten in beton zitten of of 3D-geprinte onderdelen perfect zijn).

Kortom: De onderzoekers hebben een manier gevonden om de "ruis" van de machine zelf te filteren, zodat we eindelijk het echte beeld kunnen zien. Ze hebben de computer leren luisteren naar meer geluiden in het patroon en hem leren om te negeren wat te onrustig is. Het resultaat? Scherpe, betrouwbare beelden waar artsen en ingenieurs echt iets aan hebben.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Moiré Artifact Reduction in Grating Interferometry Using Multiple Harmonics and Total Variation Regularization", geschreven in het Nederlands.

Titel: Reductie van Moiré-artefacten in Grating-interferometrie met behulp van meerdere harmonischen en Total Variation-regularisatie

1. Het Probleem

Röntgeninterferometrie is een veelbelovende beeldvormingsmethode die niet alleen absorptie, maar ook fase-informatie (breking) en kleine hoekverstrooiing (dark-field) kan visualiseren. Dit is cruciaal voor klinische toepassingen zoals longziekten (emfyseem, fibrose, kanker) en industriële non-destructieve testen.

Echter, bij het gebruik van grating-interferometers (zoals Talbot-Lau en Modulated Phase Grating Interferometers) treden er Moiré-artefacten op in de gegenereerde beelden (attenuatie, differentie-fase en dark-field). Deze artefacten ontstaan door twee hoofdoorzaken:

1. Onnauwkeurigheden in de fase-stappositie: De mechanische beweging van de gratings tijdens de "phase stepping" procedure is niet perfect lineair of gelijkmatig, vaak door motorfouten of trillingen.
2. Niet-sinusvormige interferentiepatronen: De onderliggende aanname dat het interferentiepatroon perfect sinusvormig is, klopt niet. In werkelijkheid bevatten de patronen hogere orde harmonischen (higher order harmonics).

Wanneer men deze factoren negeert en uitgaat van gelijkmatige stappen en een enkele sinus, ontstaan er resterende oscillaties in de berekende parameters. Dit leidt tot zichtbare ruis en patronen in de uiteindelijke beelden, wat de beeldkwaliteit en kwantitatieve analyse ernstig belemmert. Bestaande oplossingen (zoals iteratieve algoritmen of CNN's) hebben vaak beperkingen, zoals de noodzaak van grote trainingsdatasets of het negeren van de invloed van hogere harmonischen.

2. Methodologie

De auteurs hebben een nieuw iteratief beeldherstelalgoritme ontwikkeld om de ware fase-stapposities te schatten en zo de artefacten te elimineren. De kern van de methode bestaat uit drie componenten:

• Multi-harmonisch Model: In plaats van het interferentiepatroon te benaderen met slechts één sinus (eerste harmonische), wordt een model gebruikt dat meerdere harmonischen omvat:
  $$\hat{I}(x, y, x_g) = a_0 + \sum_{n=1}^{n_H} a_n \sin\left(\frac{2\pi n x_g}{W} + \phi_n\right)$$
  Hierbij wordt de intensiteit gemodelleerd met $n_H$ harmonischen.

• Iteratieve Optimalisatie: De ware fase-stapposities ($\vec{x}_g$) worden geschat door een objectieve functie te minimaliseren die bestaat uit:

  1. De Mean-Squared Error (MSE) tussen het gemeten data en het multi-harmonische model.
  2. Regularisatietermen om overfitting te voorkomen en oscillaties te onderdrukken.

• Total Variation (TV) Regularisatie: Om de oplossing uniek en stabiel te maken, wordt Total Variation toegepast. De regularisatie verschilt voor referentie- en sample-data:

  • Voor de referentie: De TV wordt toegepast op de amplitude van elke harmonische ($a_n$).
  • Voor de sample: De TV wordt direct toegepast op de uiteindelijke beelden: attenuatie ($\Gamma$), differentie-fase ($\Delta\phi$) en dark-field ($\Sigma$).
    Dit is een cruciaal onderscheid: door de TV direct op de berekende beelden toe te passen, worden de artefacten die ontstaan door het delen van sample- en referentiewaarden (bijv. $V_s/V_r$) effectief onderdrukt.

• Meervoudige Stappen (Multi-stage): Het algoritme werkt in fasen. Het begint met alleen de eerste harmonische en voegt geleidelijk hogere harmonischen toe (tot $n_H=3$). Bij elke stap worden de zoekgrenzen voor de fase-posities verkleind, wat zorgt voor een verfijnde schatting zonder in lokale minima te belanden.

3. Belangrijkste Bijdragen

• Nieuwe Correctiemethode: Een fysica-gebaseerd algoritme dat Moiré-artefacten verwijdert door de ware fase-stapposities te schatten via multi-harmonische modellering, zonder afhankelijk te zijn van grote trainingsdatasets (in tegenstelling tot deep learning-methoden).
• Directe Regularisatie op Beelden: Het gebruik van TV-regularisatie op de uiteindelijke attenuatie-, fase- en dark-field-beelden (in plaats van alleen op de ruwe parameters) zorgt voor een effectievere onderdrukking van artefacten die door deling worden versterkt.
• Universaliteit: De methode is getoetst en werkt voor twee verschillende systemen: de Talbot-Lau Interferometer (TLI) en de Modulated Phase Grating Interferometer (MPGI).
• Aanpassing aan Harmonischen: Het papier demonstreert dat MPGI-systemen baat hebben bij het gebruik van tot drie harmonischen (vanwege de directe resolutie van patronen), terwijl TLI-systemen vaak volstaan met één harmonische om overfitting te voorkomen.

4. Resultaten

De methode werd getest op twee setups:

1. TLI Setup:
   • Test: Beeldvorming van een "leeg" object (geen monster) en een gedode muis.
   • Resultaat: Statistische analyse (variantie en amplitude van lijnprofielen) toonde een significant verlies van Moiré-artefacten ($p < 0.001$). De beelden van de muis toonden geen zichtbare ruis meer, in tegenstelling tot de beelden berekend met nominale (niet-correcte) stappen.
2. MPGI Setup:
   • Test: Beeldvorming van 1µm PMMA microballetjes (een longweefsel-analoog).
   • Resultaat: Bij gebruik van slechts één harmonische bleven er nog artefacten zichtbaar. Bij gebruik van drie harmonischen werden de artefacten volledig verwijderd, zowel in de referentieparameters (gemiddelde waarde en zichtbaarheid) als in de uiteindelijke attenuatie-, fase- en dark-field beelden. De dark-field beelden toonden duidelijk de verstrooiing van de microballetjes zonder de storende achtergrondpatronen.

Berekeningsprestaties:
Het algoritme is geïmplementeerd in MATLAB. Hoewel de sample-analyse langer duurt dan de referentie-analyse (vanwege pixel-specifieke matrixinversie om fase-wrapping te voorkomen), zijn de tijden acceptabel (bijv. ~82 seconden voor een muis-dataset op een MacBook Pro M1 Pro).

5. Betekenis en Conclusie

Deze studie biedt een robuuste oplossing voor een langdurig probleem in grating-interferometrie. Door de aanname van perfecte sinusvormige patronen en gelijkmatige stappen te verlaten en in plaats daarvan de fysica van hogere harmonischen en mechanische onnauwkeurigheden te modelleren, kunnen hoogwaardige beelden worden gegenereerd.

• Klinische Impact: De reductie van artefacten maakt kwantitatieve analyse van longziekten (emfyseem, fibrose, kanker) en botdichtheid mogelijk, wat essentieel is voor vroege diagnose en monitoring.
• Industriële Impact: Verbeterde kwaliteit voor non-destructieve testen, zoals porositeitsanalyse en kwaliteitsborging bij additieve productie.
• Toekomstperspectief: De methode kan dienen als een voorverwerkingstap om schone datasets te genereren voor het trainen van machine learning-modellen, of om in de toekomst zelfs meerdere autocorrelatielengten simultaan te analyseren door verschillende harmonischen apart te gebruiken.

Kortom, dit algoritme verbetert de beeldkwaliteit aanzienlijk en maakt Röntgeninterferometrie praktischer en betrouwbaarder voor zowel medische als industriële toepassingen.