Self-Supervised Angular Deblurring in Photoacoustic Reconstruction via Noisier2Inverse

Titel: Zelftoezichthoudende Angulaire Ontwarring in Fotoakoestische Reconstructie via Noisier2Inverse

Auteurs: Markus Haltmeier, Nadja Gruber, Gyeongha Hwang
Datum: April 2026 (voorgesteld)

---

1. Het Probleem: Beperkingen door Eindige Detectoren

Fotoakoestische tomografie (PAT) is een beeldvormende techniek die de hoge contrasten van optische imaging combineert met de hoge resolutie van ultrasone imaging. Het doel is om de initiële drukverdeling ($f$) te reconstrueren op basis van gemeten akoestische golven ($g$).

• Ideale situatie: Voor puntvormige (3D) of lijnvormige (2D) detectoren bestaan er efficiënte analytische reconstructiealgoritmen (zoals gefilterde backprojectie of tijdsomkering).
• Praktisch probleem: In de realiteit hebben detectoren een eindige grootte (geen punt, maar een oppervlak of lijn). Dit leidt tot een integratie van de druk over het detectoroppervlak.
• Gevolg: De reconstructie wordt systematisch wazig (blur). In een cirkelvormige scan-geometrie manifesteert dit zich specifiek als angulaire verwarring (angular blurring).
• Uitdaging voor ML: Bestaande leergebaseerde methoden vereisen vaak "ground-truth" data (scherpe, schone beelden) voor supervisie. In medische en wetenschappelijke toepassingen zijn deze echter zelden beschikbaar of extreem duur om te genereren.

2. Methodologie

De auteurs stellen een zelftoezichthoudende (self-supervised) reconstructiemethode voor die geen ground-truth vereist. De aanpak bestaat uit drie hoofdstappen:

A. Modellering als Angulaire Ontwarring

De auteurs benutten de rotatie-invariantie van het probleem.

1. Ze passen eerst de inverse van het ideale punt-detectormodel toe op de ruwe data.
2. Door over te schakelen naar poolcoördinaten ($r, \phi$), reduceert het probleem zich tot een cirkelvormige convolutie in de hoekvariabele ($\phi$).
3. Het probleem wordt hiermee omgezet van een complexe 2D inverse probleem naar een deconvolutieprobleem in het poolcoördinaten-domein:
   $$g_P = A(f_P) + \xi_P$$
   Waarbij $A$ de angulaire verwarringsoperator is (gebaseerd op de detectorapertuur) en $\xi_P$ de ruis is.

B. Toepassing van Noisier2Inverse

Om dit deconvolutieprobleem op te lossen zonder ground-truth, gebruiken ze het Noisier2Inverse-framework.

• Principe: In plaats van een netwerk te trainen om $y$ naar $x$ te mappingen (wat ground-truth vereist), wordt extra ruis ($\eta$) toegevoegd aan de reeds ruisbehalde data ($y$).
• Trainingsdoel: Het netwerk $B$ wordt getraind om de input $y + \eta$ te verwerken en een schatting te geven van $y - \eta$.
• Theoretische basis: Volgens de theorie van Noisier2Inverse minimaliseert dit proces de verwachte fout ten opzichte van het ware signaal, zelfs zonder dat het ware signaal bekend is.
• Voordeel: Deze methode is specifiek ontworpen voor gevallen waar de ruis gecorreleerd is (wat het geval is na toepassing van de inverse operator $V$), waardoor methoden zoals Sparse2Inverse niet direct toepasbaar zijn.

C. Nieuwe Stop-criterium (Early Stopping)

Een kritisch onderdeel is het voorkomen van overfitting tijdens het iteratieve trainen.

• Probleem: Het minimaliseren van de verliesfunctie in de dataruimte leidt vaak tot artefacten bij langdurig trainen.
• Oplossing: De auteurs introduceren een statistisch onderbouwd stop-criterium. Ze vergelijken de verdeling van de voorspelde ruis met de werkelijke ruisverdeling.
• Methode: Ze gebruiken de Earth Mover's Distance (EMD) (of 1-Wasserstein afstand) om de discrepantie te meten. Het trainen stopt wanneer de EMD op de validatieset minimaal is. Dit zorgt voor een geautomatiseerde stop zonder extra validatie-data nodig te hebben.

3. Belangrijkste Bijdragen

1. PAT-specifieke modellering: Het probleem van eindige detectoren wordt succesvol herformuleerd als een angulaire deconvolutie in poolcoördinaten, wat de complexiteit drastisch verlaagt.
2. Noisier2Inverse in het pool-domein: De eerste toepassing van deze zelftoezichthoudende methode voor fotoakoestische reconstructie. Het werkt direct op het poolrooster en houdt rekening met de fysica van de cirkelvormige convolutie.
3. Geautomatiseerd stop-criterium: Een nieuwe, statistisch onderbouwde regel (gebaseerd op EMD) die overfitting voorkomt zonder ground-truth of handmatige validatie.

4. Resultaten

De methode is getest op numerieke simulaties met het FIVES-dataset (retinale vaatafbeeldingen) en verschillende verwarringskernen (Indicator en Gaussisch) en ruisniveaus.

• Vergelijking: De methode werd vergeleken met:
  • Toezichthoudend leren (Supervised Learning) - de "gouden standaard".
  • Zelftoezichthoudend leren met Total Variation (SSLTV).
  • Deep Image Prior (DIP).
• Prestaties:
  • De voorgestelde methode ("Ours") overtreft consistent andere zelftoezichthoudende methoden (SSLTV en DIP) in termen van PSNR (Peak Signal-to-Noise Ratio).
  • De prestaties liggen zeer dicht bij die van de toezichthoudende benchmark, hoewel de methode geen ground-truth gebruikt tijdens het trainen.
  • Visuele inspectie toont aan dat de methoden scherper zijn en minder artefacten bevatten dan de alternatieven, zelfs bij hoge ruisniveaus.

5. Betekenis en Toekomstperspectief

• Praktische toepasbaarheid: Deze methode maakt hoogwaardige PAT-reconstructie mogelijk in scenario's waar geen schone referentiebeelden beschikbaar zijn, wat cruciaal is voor klinische en wetenschappelijke toepassingen.
• Efficiëntie: Door het probleem te reduceren tot een 1D deconvolutie in de hoekvariabele, wordt de rekenlast verminderd ten opzichte van volledige 2D matrix-methoden.
• Toekomst: De auteurs plannen evaluaties op echte data, uitbreiding naar andere meetgeometrieën en het integreren van andere resolutie-beperkende factoren (zoals bandbreedte en bemonstering).

Conclusie: Dit paper presenteert een robuuste, zelftoezichthoudende oplossing voor een fundamenteel probleem in fotoakoestische imaging (eindige detectorgrootte), die de kloof overbrugt tussen theoretische modellen en praktische, grond-waarheid-vrije beeldreconstructie.