[논문 리뷰] BraggNN: Fast X-ray Bragg Peak Analysis Using Deep Learning

Zhengchun Liu, Hemant Sharma외 6명|arXiv (Cornell University)|2020. 08. 18.

Radiomics and Machine Learning in Medical Imaging참고 문헌 23인용 수 15

한 줄 요약

BraggNN는 고에너지 회절 미세촬영(HEDM)에서 X선 브라그 피크의 위치를 직접 검출 패치에서 예측함으로써 기존의 가짜-보이트 피팅보다 1000배 빠르게 브라그 피크를 국소화하는 딥러닝 모델이다. 이 모델은 부분 픽셀 정확도를 달성하며, 비국소 자기주의를 갖춘 컨볼루션 네트워크(CNN)와 데이터 증강 기법을 사용해 정확성과 강인성을 향상시킨다. 피크 국소화 오차는 0.29 픽셀 이내(75% 백분위수)로 감소하였고, 실제 실험 데이터에서 3D 재구성 정확도가 평균 15% 향상되었다.

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.

연구 동기 및 목표

• 기존의 가짜-보이트 피팅과 같은 전통적 방법으로 인해 발생하는 HEDM 데이터 분석의 증가하는 계산적 병목 현상을 해결하기 위해.
• 현장 실험에서 실시간 피드백을 가능하게 하기 위해 회절 영상에서 브라그 피크를 국소화하는 데 소요되는 시간을 극적으로 단축시키기 위해.
• 피크가 영상 패치의 중심에서 벗어나 있어도 정확한 피크 위치를 예측할 수 있는 딥러닝 모델을 개발하여, 부정확한 자르기 상황에 대한 강인성을 향상시키기 위해.
• 더 빠른 스트리밍 호환 피크 탐지 기반으로 후속 계산 및 저장 비용을 줄이기 위해.
• 기존 방법이 지수적 복잡도로 인해 해결이 불가능한, 고밀도 및 겹치는 피크로의 피크 국소화 일반화를 위해.

제안 방법

• BraggNN는 11×11 픽셀 분포도 데이터 패치에서 전역적 맥락을 포착하기 위해 첫 번째 레이어에 비국소 자기주의 블록을 갖춘 컨볼루션 신경망(CNN)을 사용한다.
• 모델은 실제 소음과 피크 형태를 포함한 X선 회절의 물리적 모델을 기반으로 생성된 합성 데이터로 훈련된다.
• 새로운 데이터 증강 전략은 무작위 이동(m, n ∈ {−1, 0, 1})을 도입하여 피크 자르기의 불완전함을 시뮬레이션함으로써, 실제 데이터에 대한 일반화 능력을 향상시킨다.
• 네트워크는 입력 패치에서 피크 중심을 직접 예측하는 회귀 출력으로 부분 픽셀 피크 위치를 예측한다.
• 특수 하드웨어와 최적화된 소프트웨어를 통해 추론 속도가 가속화되어 소비자용 GPU에서 실시간 처리가 가능하다.
• 모델은 시뮬레이션 및 실제 실험 HEDM 데이터셋을 사용하여 평가되었으며, 기존의 가짜-보이트 피팅과의 비교 분석이 수행되었다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 기존의 가짜-보이트 피팅보다 훨씬 빠르면서도 부분 픽셀 정확도를 달성할 수 있는가?
• RQ2 비국소 자기주의 블록의 포함 여부가 중심에서 벗어난 또는 노이즈가 많은 피크 상황에서 피크 국소화 정확도와 강인성에 어떤 영향을 미치는가?
• RQ3 불완전한 피크 자르기 상황을 시뮬레이션하는 데이터 증강 전략이 실제 응용에서 일반화 능력 향상과 오차 감소에 얼마나 기여하는가?
• RQ4 BraggNN는 기존 피크 피팅 기반의 3D 곡립 재구성보다 정확도를 향상시킬 수 있는가?
• RQ5 현대 하드웨어에서 BraggNN가 달성할 수 있는 최대 속도 향상은 얼마이며, 현장 실험에서 실시간 피드백을 지원할 수 있는가?

주요 결과

• 테스트 데이터셋에서 BraggNN는 기존의 가짜-보이트 피팅 대비 피크 국소화 오차를 0.29 픽셀 이내(75% 백분위수) 및 0.57 픽셀 이내(95% 백분위수)로 감소시켰다.
• 실제 실험 데이터셋에서 BraggNN로 유도된 피크 위치를 사용한 3D 재구성은 기존 피팅 기반 재구성보다 평균 15% 더 높은 정확도를 보였다.
• BraggNN는 소비자급 GPU에서 200배 이상의 속도 향상을, CPU에서는 50배 이상의 속도 향상을 기록했다.
• 비국소 자기주의 블록의 포함은 피크 국소화 정확도를 향상시켜, 주어진 주제 없이 모델을 사용한 경우 대비 75% 백분위수 편차를 20% 이상 감소시켰다.
• 중심에서 벗어난 피크 자르기 상황을 시뮬레이션하는 데이터 증강은 50%, 75%, 95% 백분위수 오차를 각각 약 80% 감소시켜, 증강 없이 훈련한 경우 대비 다섯 배의 개선 효과를 보였다.
• 모델은 실제 데이터에 잘 일반화되어 있으며, 노이즈, 피크 이동, 겹치는 피크에 대해 강인성을 보이며, 향후 3D 피크 탐지로의 확장 가능성도 보여주었다.