[論文レビュー] BraggNN: Fast X-ray Bragg Peak Analysis Using Deep Learning

Zhengchun Liu, Hemant Sharma+6 more|arXiv (Cornell University)|Aug 18, 2020

Radiomics and Machine Learning in Medical Imaging参考文献 23被引用数 15

ひとこと要約

BraggNN は、検出器パッチからピーク位置を直接予測することで、高エネルギー回折顕微鏡法（HEDM）におけるX線Braggピークの局所化を高速化する深層学習モデルであり、従来の擬似ボイチフィッティングに比べて1000倍以上高速化され、サブピクセルの精度を達成している。非局所自己注意機構を備えたCNNとデータ拡張を用いることで、耐障害性と精度が向上し、ピーク局所化誤差を0.29ピクセル未満（75百分位数）まで低減した。実験データを用いた3次元再構成では15%の精度向上を達成した。

ABSTRACT

X-ray diffraction based microscopy techniques such as High Energy Diffraction Microscopy rely on knowledge of the position of diffraction peaks with high precision. These positions are typically computed by fitting the observed intensities in area detector data to a theoretical peak shape such as pseudo-Voigt. As experiments become more complex and detector technologies evolve, the computational cost of such peak detection and shape fitting becomes the biggest hurdle to the rapid analysis required for real-time feedback during in-situ experiments. To this end, we propose BraggNN, a deep learning-based method that can determine peak positions much more rapidly than conventional pseudo-Voigt peak fitting. When applied to a test dataset, BraggNN gives errors of less than 0.29 and 0.57 pixels, relative to the conventional method, for 75% and 95% of the peaks, respectively. When applied to a real experimental dataset, a 3D reconstruction that used peak positions computed by BraggNN yields 15% better results on average as compared to a reconstruction obtained using peak positions determined using conventional 2D pseudo-Voigt fitting. Recent advances in deep learning method implementations and special-purpose model inference accelerators allow BraggNN to deliver enormous performance improvements relative to the conventional method, running, for example, more than 200 times faster than a conventional method on a consumer-class GPU card with out-of-the-box software.

研究の動機と目的

• 従来の擬似ボイチフィッティングなどの手法によるピークフィッティングが遅いため、HEDMデータ解析における計算上のボトルネックを解消すること。
• 微小な回折像におけるBraggピークの局所化に要する時間を著しく短縮することで、インシチューエクスペリメントにおけるリアルタイムフィードバックを可能にすること。
• ピークが画像パッチ内で中心からずれている場合でも、正確にピーク位置を予測できる深層学習モデルを開発し、不完全なクロッピングに対する耐障害性を高めること。
• より高速でストリーミング対応のピーク検出を可能にすることで、後続の計算およびストレージコストを削減すること。
• 密に重なったピークの局所化に一般化し、従来の手法では指数的計算量が増加するため解けない問題に対処すること。

提案手法

• BraggNN は、11×11ピクセルの回折データパッチからグローバルなコンテキストを捉えるために、最初の層に非局所自己注意ブロックを備えた畳み込みニューラルネットワーク（CNN）を採用している。
• モデルは、X線回折の物理的モデルを用いて生成された合成データで訓練されており、現実的なノイズとピーク形状を含んでいる。
• 独自のデータ拡張戦略として、不完全なピーククロッピングを模倣するためのランダムシフト（m, n ∈ {−1, 0, 1}）を導入し、実世界データへの一般化性を向上させた。
• ネットワークは回帰出力としてサブピクセルのピーク位置を予測し、入力パッチから直接回折ピークの中心を推定している。
• 推論は専用ハードウェアと最適化されたソフトウェアにより高速化され、コンsumer GPU でもリアルタイム処理が可能になっている。
• モデルは、シミュレーションデータおよび実験的HEDMデータセットを用いて評価されており、従来の擬似ボイチフィッティングと比較している。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、従来の擬似ボイチフィッティングに比べて著しく高速化されつつも、サブピクセルの精度でBraggピークの局所化を達成できるか？
• RQ2 非局所自己注意ブロックの導入は、ピークが中心からずれている、またはノイズの多い状況下でも、ピーク局所化の精度と耐障害性にどのように影響を与えるか？
• RQ3 不完全なピーククロッピングを模倣するデータ拡張は、実世界応用における一般化性と誤差低減にどの程度寄与するか？
• RQ4 BraggNN は、従来のピークフィッティングに基づく再構成と比較して、3次元グレイン再構成の品質を向上させられるか？
• RQ5 BraggNN は最新のハードウェアで最大どの程度の高速化を達成できるか？また、インシチューエクスペリメントにおけるリアルタイムフィードバックをサポートできるか？

主な発見

• テストデータセットにおいて、BraggNN は従来の擬似ボイチフィッティングに比べ、ピーク局所化誤差を0.29ピクセル未満（75百分位数）および0.57ピクセル未満（95百分位数）まで低減した。
• 実験的データセットを用いた実験では、BraggNN が得たピーク位置を用いた3次元再構成は、従来のフィッティングに基づく再構成と比較して平均で15%の精度向上を示した。
• BraggNN は、コンsumerクラスのGPUでは200倍以上、CPUでは50倍以上の高速化を達成した。
• 非局所自己注意ブロックの導入により、注意機構を備えないモデルと比較して、75百分位数のずれが20%以上低減された。
• ピークが中心からずれている状況を模倣するデータ拡張を施した場合、50百分位数、75百分位数、95百分位数の誤差が、拡張なしで学習した場合と比較して約80%（5倍の改善）低減された。
• モデルは実データへの一般化がうまくいっており、ノイズ、ピークのずれ、重なったピークに対しても耐障害性を示した。3次元ピーク検出への応用も可能性を有している。