Physics-Informed Deep Learning Enabled Ultra-Sparse Projection Neutron Computed Tomography

Technische Samenvatting: Physics-Informed Deep Learning voor Ultra-Sparse Projectie Neutronen Computertomografie

Probleemstelling
Neutronen Computertomografie (NCT) is een cruciaal instrument voor het visualiseren van lichte elementen binnen dichte materialen en het uitvoeren van niet-destructieve inspecties van technische componenten. De toepassing ervan wordt echter ernstig beperkt door de lage flux van neutronenbronnen in vergelaging met laboratorium X-ray bronnen. Een standaard 3D NCT-scan vereist doorgaans 12–14 uur om de benodigde 360 projecties te verwerven, waarbij individuele belichtingstijden variëren van 30–80 seconden. Deze duur maakt tijd-opgeloste (4D) beeldvorming voor dynamische processen praktisch onbereikbaar. Hoewel deep learning is toegepast op post-processing, hebben bestaande methoden gefaald in het aanpakken van ultra-sparse acquisitie zonder "hallucinaties" te introduceren—plausibele maar fysiek niet-bestaande kenmerken die kwantitatieve analyse compromitteren. Bovendien hebben eerdere benaderingen geen temporele conditionering geïntegreerd om fysieke validiteit over projectiesequenties te waarborgen.

Methodologie
De auteurs stellen een physics-informed deep learning framework voor dat is ontworpen voor het reconstrueren van hoogwaardige tomografische projecties vanuit ultra-sparse hoek-sampling. De kern van de methodologie is een spatiotemporele generator–discriminator architectuur die direct opereert op projectie-acquisitiesequenties.

• Architectuur: Het model maakt gebruik van een temporeel geconditioneerde encoder–bottleneck–decoder generator. Het gebruikt ConvLSTM-units om tussenliggende projecties te synthetiseren op basis van twee omliggende gemeten frames en een tijdconditie ($t \in [0,1]$). De bottleneck-representatie wordt geconcateneerd met een conditioneringstensor om de temporele context af te dwingen.
• Discriminator: Een multi-scale PatchGAN discriminator evalueert drie-frame sequenties (gemeten–gesynthetiseerd–gemeten) op volledige, halve en kwart resoluties. Dit ontwerp straft inconsistenties in lokale randen en bredere attenuatiepatronen af, wat temporele gladheid stimuleert in plaats van geïsoleerde beeldrealisme.
• Trainingsstrategie: Het systeem werd getraind op 361 projecties van een IAEA/PSI contrastfantoom verworven met 1° intervallen. Gesuperviseerde interpolatieparen werden geconstrueerd in de vorm van $(i, i+2 \rightarrow i+1)$, waarbij de buitenste projecties als input dienden en de tussenliggende projectie als ground truth. Het model werd getraind met een loss function die adversarial, L1 en SSIM termen combineert.
• Inference: Voor sparse-view inference wordt de getrainde generator recursief of sequentieel toegepast tussen gemeten hoekposities om ontbrekende views te synthetiseren die nodig zijn voor reconstructie. Het framework werd getest op zero-shot generalisatie over drie faciliteiten (BRIN, PSI en IMAT) met diverse monsters, waaronder resolutie-fantooms, een motorblok van een motorfiets, een computermuis en Berea zandsteen.

Belangrijkste Bijdragen

1. Ultra-Sparse Reconstructie: Het framework reconstrueert succesvol 90% van de projectiedata met slechts 10% van de acquisitietijd, waardoor het aantal vereiste projecties wordt gereduceerd van 360 naar zo weinig als 37.
2. Temporele Conditionering: Door ConvLSTM-units te integreren, is het model expliciet geconditioneerd op de temporele context, waardoor het de manifold van fysiek plausibele projecties leert om hallucinaties te voorkomen.
3. Kwantitatieve Validiteit: In tegen tegenover generatieve benaderingen die het risico lopen op niet-fysische kenmerken te introduceren, bewaart deze methode de kwantitatieve structurele integriteit, gevalideerd door grijswaardenmetingen en nominale/werkelijke vergelijkingen.
4. Cross-Facility Generalisatie: Het model vertoont robuuste generalisatie over verschillende beamline-geometrieën en faciliteiten zonder hertraining.

Resultaten
Het framework werd gevalideerd op 16-bit, 1024×1024 neutronen radiografie data. Belangrijke prestatie-indicatoren zijn onder meer:

• Beeldkwaliteit: Reconstructies uit ultra-sparse sampling (37 projecties) bereikten een Peak Signal-to-Noise Ratio (PSNR) van $41.62 \pm 2.78$ dB en een Structural Similarity Index (SSIM) van $0.9799 \pm 0.0095$.
• Materiaaldetectie: De ultra-sparse AI-verbeterde reconstructies van een contrastfantoom met zes materialen behielden materiaalspecifieke grijswaadecontrasten die consistent zijn met theoretische macroscopische doorsneden. Er werden geen detecteerbare hallucinaties waargenomen in de materiaalverdeling.
• Geometrische Nauwkeurigheid:
  • Resolutie Fantooms: Metingen van slit-dikte in FeAl en AlCu fantooms vertoonden een sterke correlatie met de ground truth ($R^2 = 0.981$ en $0.984$, respectievelijk), met afwijkingen binnen acceptabele limieten.
  • Motorblok: Geometrische metingen (lengte, breedte, hoogte) vertoonden geen statistisch significante verschillen tussen de ultra-sparse reconstructies en de ground truth.
  • Nominaal/Werkelijk Vergelijk: Gebruikmakend van VG Studio Max 3.0, toonde de analyse aan dat meer dan 92% van de oppervlakken (gemiddeld over de monsters) binnen een tolerantie van $\pm 0.089$ mm lag. Het contrastfantoom bereikte 99,9% binnen de tolerantie, terwijl het complexere motorblok 56,2% bereikte, waarbij specifieke kenmerken nog steeds perfect overeenkwamen.
• Tijdefficiëntie: De acquisitietijd werd gereduceerd van 12–14 uur naar 4–5 uur bij de BRIN faciliteit, met potentieel voor grotere versnellingen bij faciliteiten met een hogere flux.

Significantie
Het artikel beweert dat dit framework operando studies van snelle dynamische processen mogelijk maakt die voorheen alleen toegankelijk waren met synchrotron X-ray bronnen. Door de acquisitietijd met meer dan 90% te verminderen terwijl de kwantitatieve structurele integriteit behouden blijft en hallucinaties worden voorkomen, overwint de methode de primaire bottleneck van neutronen beeldvorming: de lage flux. Het vermogen om te generaliseren over verschillende faciliteiten en monstertypes suggereert een pad naar praktische, hogesnelheids neutronen tomografie voor industriële en wetenschappelijke toepassingen waar tijd-opgeloste data cruciaal is.