Self-Supervised Angular Deblurring in Photoacoustic Reconstruction via Noisier2Inverse

Resumo Técnico: Desembaçamento Angular Auto-supervisionado em Reconstrução Fotoacústica via Noisier2Inverse

1. O Problema

A Tomografia Fotoacústica (PAT) é uma modalidade de imagem que combina o contraste óptico com a resolução ultrassônica. O objetivo central é reconstruir a distribuição de pressão inicial ($f$) a partir de sinais acústicos medidos ($g$).

• Desafio Principal: Na prática, os detectores possuem um tamanho finito (não são pontos ou linhas ideais). Isso introduz um efeito de desembaçamento (blurring) angular nas imagens reconstruídas, degradando a resolução espacial.
• Limitação Atual: Métodos de aprendizado supervisionado (que usam pares de dados "ruído/limpo") podem corrigir esse efeito, mas exigem imagens de verdade (ground-truth) que são frequentemente indisponíveis ou difíceis de obter em cenários médicos e científicos reais.
• Modelo Matemático: O problema é formulado como $g = U_a(f) + \xi$, onde $U_a$ é o operador direto que inclui os efeitos de abertura do detector. Em geometria circular, isso se traduz em um problema de desembaçamento angular no domínio polar.

2. Metodologia Proposta

Os autores propõem um método de reconstrução auto-supervisionado baseado na técnica Noisier2Inverse, capaz de operar sem dados de verdade (ground-truth). A abordagem segue quatro etapas principais:

1. Modelagem Específica para PAT (Reformulação):

   • Utiliza-se a invariância rotacional da geometria circular.
   • Aplica-se a inversa do modelo ideal (ponto/linha) aos dados medidos.
   • Transforma-se os dados para coordenadas polares.
   • Resultado: O problema complexo de reconstrução 2D é reduzido a um problema de deconvolução circular na variável angular. O modelo torna-se $g_P = A(f_P) + \xi_P$, onde $A$ é um operador de convolução angular conhecido.

2. Aplicação do Noisier2Inverse:

   • O método Noisier2Inverse é escolhido porque lida naturalmente com ruído correlacionado. Ao aplicar a inversa do modelo ideal (passo 1), o ruído original torna-se correlacionado, o que inviabiliza métodos como Sparse2Inverse (que assumem ruído i.i.d.).
   • Mecanismo: Adiciona-se um ruído extra ($\eta$) amostrado da mesma distribuição do ruído existente aos dados já ruidosos ($y + \eta$).
   • Uma rede neural ($B$) é treinada para mapear os dados "mais ruidosos" ($y + \eta$) para uma estimativa que, quando processada pelo operador direto ($A$), se aproxime de $y - \eta$. Isso permite aprender a reconstrução sem precisar da imagem limpa original.

3. Critério de Parada Precoce (Early Stopping) Inovador:

   • A minimização direta da perda em auto-supervisão pode levar ao overfitting (sobreajuste), especialmente devido à natureza mal-posta do problema de deconvolução.
   • Os autores propõem uma regra de parada baseada em estatística: compara-se a distribuição do ruído residual previsto com a distribuição do ruído real conhecido.
   • A métrica utilizada é a Distância Earth Mover (EMD) (distância de Wasserstein de 1ª ordem). O treinamento é interrompido quando a EMD entre o ruído previsto e o ruído real atinge o mínimo no conjunto de validação.

4. Arquitetura e Treinamento:

   • Utiliza-se uma rede U-Net adaptada para operar diretamente no domínio polar (respeitando a periodicidade angular via padding circular).
   • O treinamento ocorre no domínio polar, e a saída é transformada de volta para coordenadas cartesianas.

3. Principais Contribuições

• Modelagem Específica para PAT: Recastear o problema de reconstrução PAT com detectores de tamanho finito como um problema de desembaçamento angular no domínio polar, explorando a invariância de deslocamento angular.
• Noisier2Inverse no Domínio Polar: Introdução de um framework de deconvolução auto-supervisionado que opera diretamente na grade polar e lida com ruído correlacionado, eliminando a necessidade de dados limpos.
• Regra de Parada Estatística: Desenvolvimento de um critério de parada automática e sem validação externa (baseado na distribuição de ruído), que evita o sobreajuste sem depender de imagens de referência.
• Desempenho sem Ground-Truth: Demonstração de que é possível atingir desempenho próximo ao de métodos supervisionados (que usam dados ideais) utilizando apenas dados medidos ruidosos.

4. Resultados Experimentais

Os experimentos foram realizados em simulações numéricas utilizando o conjunto de dados FIVES (imagens de fundo de olho com vasos sanguíneos), simulando quatro tipos de kernels de desfoque (Indicador-10, Indicador-20, Gaussiano-1, Gaussiano-2) e três níveis de ruído.

• Métricas: Avaliação via PSNR (Relação Sinal-Ruído de Pico) em decibéis (dB).
• Comparação: O método proposto foi comparado com:
  • Aprendizado Supervisionado (Padrão Ouro).
  • Deep Image Prior (DIP).
  • Auto-supervisionado com penalidade de Variação Total (SSLTV).
• Desempenho:
  • O método proposto (Ours) superou consistentemente todas as outras abordagens não supervisionadas (DIP e SSLTV) em todos os cenários de ruído e kernels.
  • Em muitos casos, o desempenho do método proposto foi próximo ao do benchmark supervisionado, mesmo sem usar dados de verdade.
  • Exemplo (Kernel Indicador-10, Ruído 0.05): O método proposto atingiu 28.48 dB, superando o SSLTV (26.25 dB) e o DIP (26.62 dB), aproximando-se do limite teórico.
• Visual: As imagens reconstruídas mostraram recuperação superior de detalhes finos e vasos sanguíneos, com menos artefatos em comparação aos métodos de base.

5. Significado e Conclusão

Este trabalho representa um avanço significativo na reconstrução de imagens fotoacústicas para aplicações práticas onde dados de verdade (ground-truth) são inexistentes.

• Viabilidade Clínica: Ao eliminar a dependência de dados limpos para treinamento, o método torna as técnicas de aprendizado profundo viáveis para uso em diagnósticos médicos reais e experimentos científicos.
• Eficiência: A abordagem auto-supervisionada com parada automática oferece uma solução robusta e automatizada para corrigir limitações físicas de hardware (tamanho do detector) sem custos computacionais excessivos de simulação de dados perfeitos.
• Futuro: Os autores planejam validar o método em dados reais, expandir para outras geometrias de aquisição e investigar fatores adicionais de limitação de resolução (como largura de banda finita).

Em suma, o artigo demonstra que a combinação de modelagem física rigorosa (domínio polar) com técnicas modernas de aprendizado auto-supervisionado (Noisier2Inverse) pode superar as limitações de resolução impostas por detectores de tamanho finito na tomografia fotoacústica.