[論文レビュー] Physics-informed neural networks for diffraction tomography

Amirhossein Saba, Carlo Gigli+2 more|arXiv (Cornell University)|Jul 28, 2022

Seismic Imaging and Inversion Techniques被引用数 9

ひとこと要約

本稿では、ヘルムホルツ方程式を物理的損失として用いる物理則に基づくニューラルネットワーク（MaxwellNet）を提案し、光学回折トモグラフィーにおける前方散乱問題を解く。合成ホログラムで訓練されたネットワークにより、高速で微分可能かつ高精度な3次元屈折率分布の再構成が可能となり、従来の数値ソルバーに比べて速度で優れ、微調整によってさまざまな生物学的サンプルへ一般化可能である。

ABSTRACT

We propose a physics-informed neural network as the forward model for tomographic reconstructions of biological samples. We demonstrate that by training this network with the Helmholtz equation as a physical loss, we can predict the scattered field accurately. It will be shown that a pretrained network can be fine-tuned for different samples and used for solving the scattering problem much faster than other numerical solutions. We evaluate our methodology with numerical and experimental results. Our physics-informed neural networks can be generalized for any forward and inverse scattering problem.

研究の動機と目的

• 物理法則を尊重する、高速で微分可能かつ高精度な光学回折トモグラフィーの前方モデルの開発。
• FEM や BPM のような計算コストが高くまたは精度に欠ける従来の数値ソルバーに依存する反復的再構成手法の限界を克服すること。
• データ駆動のラベルではなく、ヘルムホルツ方程式を物理的制約として用いることで、ニューラルネットワークを訓練し、効率的な逆問題再構成を可能にすること。
• 新しいデータセットでの微調整を通じて、訓練済みネットワークが多様な生物学的サンプルに一般化できることを示すこと。
• 数値シミュレーションとHCT-116がん細胞からの実験的ホログラフィックデータを用いて、手法の妥当性を検証すること。

提案手法

• U-Netアーキテクチャのニューラルネットワーク、MaxwellNet を、ヘルムホルツ方程式を物理的損失関数として用い、与えられた屈折率分布から散乱場を予測するように訓練する。
• 物理的損失は、ネットワーク出力の空間座標に関する自動微分を用いて計算され、トレーニング中にPDE制約を直接強制する。
• ヘルムホルツ方程式における空間微分は4次精度有限差分法で計算され、離散化誤差を最小限に抑える。
• ネットワークはまず、屈折率が1.38〜1.45、背景屈折率が1.33の2次元楕円形細胞フォントムの大量データセットで事前学習される。
• その後、屈折率が1.33〜1.41の実験的HCT-116がん細胞データに対して、エンコーダーを固定したままデコーダーのみを微調整する。
• 訓練済みのMaxwellNetは、実験的オフアクスホログラムから3次元屈折率分布を再構成する反復的逆問題ソルバーにおける微分可能前方モデルとして使用される。

実験結果

リサーチクエスチョン

• RQ1 ヘルムホルツ方程式で訓練された物理則に基づくニューラルネットワーク（PINN）は、複雑な生物学的サンプルの散乱場を正確に予測できるか？
• RQ2 従来の数値ソルバーと比較して、PINNベースの前方モデルの精度と推論速度はどのように異なるか？
• RQ3 事前学習済みのMaxwellNetは、再学習を実施せずに新しい生物学的サンプルに効果的に微調整可能か？
• RQ4 PINNは、異なる屈折率分布およびサンプル形状にどの程度一般化可能か？
• RQ5 PINN前方モデルは、実験的ODTデータの反復的逆再構成パイプラインに成功裏に統合可能か？

主な発見

• 2次元デジタルフォントムデータセットで5000エポック学習後、MaxwellNetは約1.5×10⁻⁴の検証物理的損失を達成し、未学習サンプルへの強い一般化能力を示した。
• HCT-116細胞データに対する事前学習済みMaxwellNetの微調整により、1000エポックで検証損失が5×10⁻⁴未満に低下し、実際の生物学的形状への適応が有効に実現された。
• MaxwellNetの推論速度は、従来の数値ソルバーよりも顕著に高速であり、反復最適化ループ内でリアルタイムまたはニアリアルタイムの再構成を可能にした。
• 本手法は、HCT-116細胞の実験的オフアクスホログラムから3次元屈折率分布を成功裏に再構成し、Rytov近似やBPMベースの手法と同等の結果を得た。
• 直径1.8–2.4 μmの200個の球状フォントムで訓練された3次元MaxwellNetは、保留テストセットにおいて正確な散乱場予測を示し、3次元問題へのスケーラビリティを検証した。
• 物理則に基づく損失により、ネットワークはラベルなしで高コントラストや不均一な細胞など多様なサンプルタイプに一般化可能であり、各新しいサンプルに対してラベル付きデータを必要としなかった。