Adaptive Beam Selection for Efficient Scanning Probe Tomography

Technische Samenvatting: Adaptieve Straalselectie voor Efficiënte Scanning Probe Tomografie

Probleemstelling
In röntgentomografie, met name bij synchrotronfaciliteiten, is voor hoogwaardige reconstructie doorgaans een groot aantal projecties vereist. Het verhogen van het aantal projecties leidt echter tot hogere experimentele kosten, langere acquisitietijden en een hogere stralingsdosis, wat delicate of stralingsgevoelige monsters kan beschadigen. Hoewel sequentieel experimenteel ontwerp een mitigatiestrategie biedt door metingen te selecteren op basis van eerder verworven gegevens om de informatiewinst te maximaliseren, kampen bestaande benaderingen met aanzienlijke uitdagingen. De meeste huidige methoden vertrouwen op het reconstrueren van het monster bij elke iteratie om "rand-gealigneerde" stralen (projecties die de grenzen van het object snijden) te identificeren. Deze afhankelijkheid van tussenliggende reconstructies introduceert computationele knelpunten, aangezien de dimensie van de covariantie-matrix schaalt met de beeldresolutie, en creëert een gevoeligheid voor reconstructiefouten. Bovendien optimaliseren veel bestaande sequentiële benaderingen alleen projectiehoeken voor rasterscans, waardoor ze het volledige potentieel van adaptieve scanningsposities in scanning probe tomografie niet benutten.

Methodologie
De auteurs stellen een nieuwe methode voor sequentieel ontwerp voor die adaptieve straalselectie direct in het sinogramdomein uitvoert, waardoor de noodzaak voor tussenliggende beeldreconstructie wordt omzeild. De kernmethodologie omvat de volgende stappen:

1. Gaussian Process Modellering: Het sinogram wordt gemodelleerd als een zero-mean Gaussian Process (GP) met een Matérn-3/2 kernel. Dit maakt interpolatie van niet-gemeten beamwaarden mogelijk en kwantificeert de onzekerheid via betrouwbaarheidsintervallen.
2. Rand-alignment in het Sinogramdomein: In plaats van randen in een gereconstrueerd beeld te detecteren, definieert de methode een "rand-mappingfunctie" ($\hat{E}$) direct op het sinogram. Deze functie berekent de grootte van de gradiënt van het sinogram met betrekking tot angulaire en ruimtelijke perturbaties, waardoor regio's worden geïdentificeerd waar de straal waarschijnlijk de randen van het object snijdt.
3. Acquisitiefunctie: Een batch van $n_r$ nieuwe metingen wordt geselecteerd door het maximaliseren van een acquisitiefunctie $\Psi$. Deze functie is het product van twee termen:
   • Onzekerheid ($\hat{\Omega}_k$): De breedte van het betrouwbaarheidsinterval afgeleid van de GP posterieure covariantie, wat exploratie in regio's met schaarse data bevordert.
   • Rand-alignment ($\hat{E}$): De rand-mappingterm, die exploitatie bevordert door prioriteit te geven aan stralen die waarschijnlijk de grenzen van het monster snijden.
4. Greedy Batch Selectie met Clusteringpreventie: Het algoritme evalueert exhaustief alle kandidaat-stralen, sorteert ze op hun acquisitiewaarden en selecteert de top $n_r$ stralen. Om clustering van stralen in gebieden met hoge waarden te voorkomen, wordt een minimale afstandsdrempel ($\delta_\psi$) toegepast als een post-processing stap, waarbij stralen die te dicht bij reeds geselecteerde stralen liggen, worden verwijderd.

Belangrijkste Bijdragen

• Reconstructievrije Randdetectie: De primaire bijdrage is het vermogen om rand-gealigneerde metingen direct uit het sinogram te identificeren met behulp van een Gaussian Process, wat de computationele kosten en foutpropagatie geassocieerd met iteratieve beeldreconstructie elimineert.
• Gezamenlijke Optimalisatie: Het framework selecteert gelijktijdig zowel projectiehoeken als scanningsposities, wat een flexibelere adaptieve strategie biedt dan methoden die alleen hoeken optimaliseren voor rasterscans.
• Ruisbestendigheid: Door het sinogram als een GP te modelleren, fungeert de methode inherent als een filter voor meetruis, waarbij het voorspellende gemiddelde wordt gebruikt om de reconstructienauwkeurigheid zelfs onder ruisige omstandigheden te verbeteren.

Resultaten
Het voorgestelde framework werd geëvalueerd op vijf representatieve monsters (waaronder Shepp–Logan phantoms, biologische monsters en Siemens Star patronen) met een resolutie van $128 \times 128$ pixels. De prestaties werden gemeten met behulp van de Root Mean Square Error (RMSE) ten opzichte van de grondwaarheid, waarbij de adaptieve methode werd vergeleken met een baseline van gelijkmatig verdeelde rasterscanhoeken.

• Reconstructiekwaliteit: De adaptieve methode behaalde een lagere RMSE dan de baseline over alle monsters, met name in de vroege iteraties met minder meetstralen. De geselecteerde stralen concentreerden zich langs de randen van de objecten zonder voorafgaande kennis van de monstermorfologie.
• Ruis-tolerantie: Experimenten met toegevoegde meetruis (tot 5% van het maximale signaal) toonden aan dat de voorgestelde aanpak een hogere reconstructienauwkeurigheid behield vergeleken met de baseline, wat de filtercapaciteit van het GP-model valideert.
• Straalverdeling: De inclusie van de afstandsdrempel voorkwam succesvol clustering van stralen, wat zorgde voor een meer uniforme distributie van informatieve metingen.

Betekenis en Claims
Het artikel claimt dat deze aanpak een computationeel efficiënt alternatief biedt voor Bayesiaanse sequentiële designmethoden die afhankelijk zijn van volledige beeldreconstructie. Door direct in het sinogramdomein te opereren, vermindert de methode de gevoeligheid voor reconstructiefouten en verlaagt het de computationele overhead per iteratie. Hoewel de auteurs erkennen dat onafhankelijke straalpositionering (scanning probe tomografie) een experimentele overhead met zich meebrengt die momenteel niet standaard is in hardware, stellen zij dat de simulatieresultaten het potentieel van dergelijke adaptieve strategieën aantonen. Dit werk dient als motivatie voor toekomstige hardware-implementaties van adaptieve scanning en vestigt een kader voor dosis-efficiënte, hoogwaardige tomografische reconstructie.