[논문 리뷰] Physics-informed neural networks for diffraction tomography

Amirhossein Saba, Carlo Gigli외 2명|arXiv (Cornell University)|2022. 07. 28.

Seismic Imaging and Inversion Techniques인용 수 9

한 줄 요약

이 논문은 헬름홀츠 방정식을 물리적 손실로 사용하여 광학 회절 단층촬영에서 정방향 산란 문제를 해결하는 물리 기반 신경망(MaxwellNet)을 제안한다. 합성 필름에 대해 훈련된 네트워크는 빠르고, 미분 가능하며, 정확한 3차원 굴절률 분포 재구성 기능을 제공하며, 속도 면에서 전통적인 수치 해석기법보다 뛰어나고, 피취기법을 통한 미세조정을 통해 생물학적 샘플 전반에 걸쳐 일반화된다.

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.

연구 동기 및 목표

• 물리 법칙을 준수하는 빠르고, 미분 가능하며, 정확한 광학 회절 단층촬영을 위한 정방향 모델을 개발한다.
• FEM 또는 BPM과 같은 계산 비용이 크거나 정확도가 떨어지는 수치 해석기법에 의존하는 전통적 반복 재구성 방법의 한계를 극복한다.
• 데이터 기반 레이블이 아닌, 헬름홀츠 방정식을 물리적 제약 조건으로 삼아 신경망을 훈련시켜 효율적인 역재구성 가능성을 확보한다.
• 새로운 데이터셋에 대한 미세조정을 통해 훈련된 네트워크가 다양한 생물학적 샘플 전반에 걸쳐 일반화됨을 입증한다.
• 수치 시뮬레이션과 HCT-116 암세포에서의 실험적 회절 영상 데이터를 사용하여 방법을 검증한다.

제안 방법

• U-Net 기반의 신경망인 MaxwellNet은 헬름홀츠 방정식을 물리적 손실 함수로 사용하여 주어진 굴절률 분포에서 산란된 전장을 예측하도록 훈련된다.
• 물리적 손실은 네트워크 출력에 대한 공간 좌표에 대한 자동 미분을 통해 계산되며, 훈련 중에 직접 편미분 방정식 제약 조건을 강제한다.
• 헬름홀츠 방정식 내 공간 도함수 계산을 위해 4차 유한 차분 방법을 사용하여 이산화 오차를 최소화한다.
• 네트워크는 먼저 굴절률이 1.38에서 1.45 사이이고 배경 굴절률이 1.33인 2차원 타원형 세포 필름의 대규모 데이터셋에서 사전 훈련된다.
• 사전 훈련된 네트워크는 굴절률이 1.33에서 1.41 사이인 실험적 HCT-116 암세포 데이터에 대해 냉각된 인코더와 미세조정된 디코더를 사용하여 미세조정된다.
• 훈련된 MaxwellNet은 실험적 오프아웃 오프셋 회절 영상에서 3차원 굴절률 분포를 재구성하기 위해 반복적 역재구성 최적화 알고리즘 내에서 미분 가능한 정방향 모델로 사용된다.

실험 결과

연구 질문

• RQ1 헬름홀츠 방정식에 기반한 물리 기반 신경망이 복잡한 생물학적 샘플에 대해 산란된 전장을 정확하게 예측할 수 있는가?
• RQ2 전통적인 수치 해석기법과 비교했을 때 PINN 기반 정방향 모델의 정확도와 추론 속도는 어떠한가?
• RQ3 사전 훈련된 MaxwellNet을 다시 훈련하지 않고도 새로운 생물학적 샘플에 효과적으로 미세조정할 수 있는가?
• RQ4 PINN는 다양한 굴절률 분포와 샘플 형상에 대해 어느 정도 일반화되는가?
• RQ5 PINN 기반 정방향 모델은 실험적 ODT 데이터에 대한 반복적 역재구성 파이프라인에 성공적으로 통합될 수 있는가?

주요 결과

• MaxwellNet은 2D 디지털 필름 데이터셋에서 5000 에포크 후 약 1.5×10⁻⁴ 수준의 검증 물리적 손실을 기록하여, 새로운 샘플에 대한 강력한 일반화 능력을 보였다.
• HCT-116 세포 데이터에 대해 사전 훈련된 MaxwellNet을 1000 에포크 동안 미세조정하여 검증 손실을 5×10⁻⁴ 이하로 낮추었으며, 실제 생물학적 형상에 대한 효과적인 적응 능력을 입증했다.
• MaxwellNet의 추론 속도는 전통적인 수치 해석기법보다 뚜렷이 빠르며, 반복 최적화 루프 내에서 실시간 또는 거의 실시간 재구성을 가능하게 했다.
• 이 방법은 HCT-116 세포의 실험적 오프아웃 오프셋 회절 영상에서 3차원 굴절률 분포를 성공적으로 재구성했으며, Rytov 근사 및 BPM 기반 방법과 유사한 결과를 도출했다.
• 200개의 구형 필름(지름 1.8–2.4 μm)에 대해 훈련된 3차원 MaxwellNet은 보류된 테스트 세트에서 정확한 산란 전장 예측을 보였으며, 3차원 문제에 대한 확장 가능성도 검증했다.
• 물리 기반 손실 덕분에 네트워크는 레이블이 없는 새로운 샘플을 위해 각각의 레이블이 필요 없이 다양한 샘플 유형(고대비 및 비균질 세포 포함)에 일반화될 수 있었다.