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

Resumo Técnico: Aprendizado Profundo Informado pela Física para Tomografia de Nêutrons com Projeção Ultra-Esparsa

Definição do Problema
A Tomografia de Computação por Nêutrons (NCT) é uma ferramenta crítica para visualizar elementos leves dentro de materiais densos e realizar inspeções não destrutivas de componentes de engenharia. No entanto, sua aplicação é severamente limitada pelo baixo fluxo das fontes de nêutrons em comparação com as fontes de raios X laboratoriais. Um escaneamento 3D de NCT padrão normalmente requer de 12 a 14 horas para adquirir as 360 projeções necessárias, com exposições individuais durando de 30 a 80 segundos. Essa duração torna o imageamento resolvido no tempo (4D) praticamente inacessível para processos dinâmicos. Embora o aprendizado profundo tenha sido aplicado ao pós-processamento, os métodos existentes falharam em abordar a aquisição ultra-esparsa sem introduzir "alucinações" — características plausíveis, mas fisicamente inexistentes, que comprometem a análise quantitativa. Além disso, abordagens anteriores não integraram o condicionamento temporal para garantir a validade física através de sequências de projeção.

Metodologia
Os autores propõem um framework de aprendizado profundo informado pela física, projetado para reconstruir projeções tomográficas de alta fidelidade a partir de amostragem angular ultra-esparsa. O núcleo da metodologia é uma arquitetura de gerador-discriminador espaço-temporal que opera diretamente em sequências de aquisição de projeção.

• Arquitetura: O modelo utiliza um gerador codificador–gargalo–decodificador condicionado temporalmente. Ele emprega unidades ConvLSTM para sintetizar projeções intermediárias baseadas em dois quadros medidos circundantes e uma condição de tempo ($t \in [0,1]$). A representação do gargalo é concatenada com um tensor de condicionamento para impor o contexto temporal.
• Discriminador: Um discriminador PatchGAN de múltiplas escalas avalia sequências de três quadros (medido–sintetizado–medido) em resoluções total, meia e um quarto. Este design penaliza inconsistências em bordas locais e padrões de atenuação mais amplos, incentivando a suavidade temporal em vez de apenas o realismo isolado da imagem.
• Estratégia de Treinamento: O sistema foi treinado em 361 projeções de um fantoma de contraste do IAEA/PSI adquiridas em incrementos de 1°. Pares de interpolação supervisionados foram construídos na forma $(i, i+2 \rightarrow i+1)$, onde as projeções externas serviram como entradas e a projeção intermediária serviu como verdade fundamental (ground truth). O modelo foi treinado usando uma função de perda combinando termos adversariais, L1 e SSIM.
• Inferência: Para inferência de visualização esparsa, o gerador treinado é aplicado recursiva ou sequencialmente entre posições angulares medidas para sintetizar as visualizações ausentes necessárias para a reconstrução. O framework foi testado para generalização zero-shot em três instalações (BRIN, PSI e IMAT) usando amostras diversas, incluindo fantasmas de resolução, um bloco de motor de motocicleta, um mouse de computador e arenito de Berea.

Principais Contribções

1. Reconstrução Ultra-Esparsa: O framework reconstrói com sucesso 90% dos dados de projeção usando apenas 10% do tempo de aquisição, reduzindo o número de projeções necessárias de 360 para tão poucas quanto 37.
2. Condicionamento Temporal: Ao integrar unidades ConvLSTM, o modelo condiciona explicitamente no contexto temporal, aprendendo o manifold de projeções fisicamente plausíveis para evitar alucinações.
3. Validade Quantitativa: Diferente de abordagens generativas que correm o risco de introduzir características não físicas, este método preserva a integridade estrutural quantitativa, validada através de medições de nível de cinza e comparações nominais/reais.
4. Generalização entre Instalações: O modelo demonstra robusta generalização entre diferentes geometrias de feixe e instalações sem necessidade de retreinamento.

Resultados
O framework foi validado em dados de radiografia de nêutrons de 16 bits, 1024×1024. As principais métricas de desempenho incluem:

• Qualidade de Imagem: Reconstruções a partir de amostragem ultra-esparsa (37 projeções) alcançaram uma Relação Sinal-Ruído de Pico (PSNR) de $41,62 \pm 2,78$ dB e um Índice de Similaridade Estrutural (SSIM) de $0,9799 \pm 0,0095$.
• Detecção de Materiais: Em um fantoma de contraste contendo seis materiais, as reconstruções aprimoradas por IA ultra-esparsas preservaram contrastes de nível de cinza específicos do material consistentes com seções transversais macroscópicas teóricas. Nenhuma alucinação detectável foi observada na distribuição de materiais.
• Precisão Geométrica:
  • Fantasmas de Resolução: Medições da espessura da fenda em fantasmas de FeAl e AlCu mostraram forte correlação com a verdade fundamental ($R^2 = 0,981$ e $0,984$, respectivamente), com desvios dentro dos limites aceitáveis.
  • Bloco de Motor: Medições geométricas (comprimento, largura, altura) não mostraram diferenças estatisticamente significativas entre as reconstruções ultra-esparsas e a verdade fundamental.
  • Comparação Nominal/Real: Usando o VG Studio Max 3.0, a análise revelou que mais de 92% das superfícies (média entre amostras) situavam-se dentro de uma tolerância de $\pm 0,089$ mm. O fantoma de contraste alcançou 99,9% de área dentro da tolerância, enquanto o bloco de motor, mais complexo, alcançou 56,2%, com características específicas ainda correspondendo perfeitamente.
• Eficiência de Tempo: O tempo de aquisição foi reduzido de 12–14 horas para 4–5 horas na instalação BRIN, com potencial para acelerações maiores em instalações de alto fluxo.

Significância
O artigo afirma que este framework possibilita estudos operando de processos dinâmicos rápidos que antes eram acessíveis apenas com fontes de raios X de síncrotron. Ao reduzir o tempo de aquisição em mais de 90% mantendo a integridade estrutural quantitativa e evitando alucinações, o método supera o principal gargalo da imagemção de nêutrons: o baixo fluxo. A capacidade de generalização entre diferentes instalações e tipos de amostras sugere um caminho para a tomografia de nêutrons prática e de alta velocidade para aplicações industriais e científicas onde dados resolvidos no tempo são críticos.