Adaptive Beam Selection for Efficient Scanning Probe Tomography

Resumo Técnico: Seleção Adaptativa de Feixes para Tomografia de Sonda de Varredura Eficiente

Definição do Problema
Na tomografia de raios X, particularmente em instalações de síncrotron, a reconstrução de alta qualidade requer tipicamente um grande número de projeções. No entanto, aumentar o número de projeções leva a custos experimentais mais elevados, tempos de aquisição mais longos e aumento das doses de radiação, o que pode danificar amostras delicadas ou sensíveis à radiação. Embora o design experimental sequencial ofereça uma estratégia de mitigação ao selecionar medições com base em dados previamente adquiridos para maximizar o ganho de informação, as abordagens existentes enfrentam desafios significativos. A maioria dos métodos atuais depende da reconstrução da amostra em cada iteração para identificar feixes "alinhados às bordas" (projeções que interceptam os limites do objeto). Essa dependência de reconstruções intermediárias introduz gargalos computacionais, pois a dimensão da matriz de covariância escala com a resolução da imagem, e cria suscetibilidade a erros de reconstrução. Além disso, muitos métodos sequenciais existentes otimizam apenas ângulos de projeção para varreduras raster, falhando em aproveitar o potencial total de posições de varredura adaptativas na tomografia de sonda de varredura.

Metodologia
Os autores propõem um novo método de design sequencial que realiza a seleção adaptativa de feixes diretamente no domínio do sinograma, contornando a necessidade de reconstrução de imagem intermediária. A metodologia central envolve as seguintes etapas:

1. Modelagem por Processo Gaussiano: O sinograma é modelado como um Processo Gaussiano (GP) de média zero com um kernel Matérn-3/2. Isso permite a interpolação de valores de feixes não medidos e a quantificação da incerteza via intervalos de confiança.
2. Alinhamento de Bordas no Espaço do Sinograma: Em vez de detectar bordas em uma imagem reconstruída, o método define uma "função de mapeamento de borda" ($\hat{E}$) diretamente no sinograma. Esta função calcula a magnitude do gradiente do sinograma em relação a perturbações angulares e espaciais, identificando regiões onde o feixe provavelmente interceptará as bordas do objeto.
3. Função de Aquisição: Um lote de $n_r$ novas medições é selecionado maximizando uma função de aquisição $\Psi$. Esta função é o produto de dois termos:
   • Incerteza ($\hat{\Omega}_k$): A largura do intervalo de confiança derivado da covariância posterior do GP, promovendo a exploração em regiões com dados esparsos.
   • Alinhamento de Borda ($\hat{E}$): O termo de mapeamento de borda, promovendo a exploração (exploitation) ao priorizar feixes que provavelmente interceptam as fronteiras da amostra.
4. Seleção de Lote Gananciosa (Greedy) com Prevenção de Agrupamento: O algoritmo avalia exaustivamente todos os feixes candidatos, ordena-os por seus valores de aquisição e seleciona os $n_r$ melhores feixes. Para evitar o agrupamento de feixes em regiões de alto valor, um limiar de distância mínima ($\delta_\psi$) é aplicado como uma etapa de pós-processamento, removendo feixes que estão muito próximos de outros já selecionados.

Principais Contribuições

• Detecção de Bordas Sem Reconstrução: A principal contribuição é a capacidade de identificar medições alinhadas às bordas diretamente do sinograma usando um Processo Gaussiano, eliminando o custo computacional e a propagação de erro associados à reconstrução de imagem iterativa.
• Otimização Conjunta: O framework seleciona simultaneamente ângulos de projeção e posições de varredura, oferecendo uma estratégia adaptativa mais flexível do que métodos que otimizam apenas ângulos para varreduras raster.
• Robustez ao Ruído: Ao modelar o sinograma como um GP, o método atua inerentemente como um filtro para o ruído de medição, utilizando a média preditiva para melhorar a precisão da reconstrução mesmo em condições ruidosas.

Resultos
O framework proposto foi avaliado em cinco amostras representativas (incluindo fantasmas Shepp–Logan, amostras biológicas e padrões Siemens Star) com uma resolução de $128 \times 128$ pixels. O desempenho foi medido usando o Erro Quadrático Médio (RMSE) em relação à verdade fundamental (ground truth), comparando o método adaptativo contra uma linha de base de ângulos de varredura raster uniformemente espaçados.

• Qualidade de Reconstrução: O método adaptativo alcançou um RMSE menor que a linha de base em todas as amostras, particularmente nas iterações iniciais com menos feixes de medição. Observou-se que os feixes selecionados se concentram ao longo das bordas dos objetos sem conhecimento prévio da estrutura da amostra.
• Tolerância ao Ruído: Experimentos com ruído de medição adicionado (até 5% do sinal máximo) demonstraram que a abordagem proposta manteve uma precisão de reconstrução superior em comparação com a linha de base, validando a capacidade de filtragem de ruído do modelo GP.
• Distribuição de Feixes: A inclusão do limiar de distância evitou com sucesso o agrupamento de feixes, garantindo uma distribuição mais uniforme de medições informativas.

Significância e Alegações
O artigo afirma que esta abordagem oferece uma alternativa computacionalmente eficiente aos métodos de design sequencial Bayesiano que dependem de reconstrução de imagem completa. Ao operar diretamente no domínio do sinograma, o método reduz a suscetibilidade a erros de reconstrução e diminui o overhead computacional por iteração. Embora os autores reconheçam que o posicionamento independente de feixes (tomografia de sonda de varredura) introduz um overhead experimental não padronizado atualmente no hardware, eles afirmam que os resultados de simulação demonstram os benefícios potenciais de tais estratégias adaptativas. O trabalho serve como uma motivação para futuras implementações de hardware de varredura adaptativa e estabelece um framework para reconstrução tomográfica de alta qualidade e dose eficiente.