[论文解读] 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 15

一句话总结

BraggNN 是一种深度学习模型，通过直接从探测器图像块预测峰位置，显著加速了高能衍射显微术（HEDM）中的X射线Bragg峰定位，实现亚像素精度，速度比传统的伪-Voigt拟合快1000倍以上。它采用带有非局部自注意力机制的卷积神经网络（CNN）并结合数据增强技术，提升了模型的鲁棒性和精度，将峰定位误差降低至小于0.29像素（第75百分位数），并在真实实验数据上实现了15%更优的三维重建效果。

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.

研究动机与目标

• 为解决HEDM数据分析中因传统方法（如伪-Voigt拟合）拟合速度慢而产生的日益严重的计算瓶颈问题。
• 通过大幅缩短衍射图像中Bragg峰定位所需时间，实现在原位实验中的实时反馈。
• 开发一种深度学习模型，即使峰在图像块中偏离中心，也能准确预测峰位置，提升对不完美裁剪的鲁棒性。
• 通过实现更快、流式兼容的峰检测，降低下游计算与存储成本。
• 将峰定位能力推广至密集且重叠的峰，这些情况对传统方法而言由于指数级复杂度而难以处理。

提出的方法

• BraggNN采用在第一层引入非局部自注意力模块的卷积神经网络（CNN），从11×11像素的衍射数据块中捕捉全局上下文信息。
• 模型在使用X射线衍射物理模型生成的合成数据上进行训练，包含真实的噪声和峰形。
• 提出一种新颖的数据增强策略，通过引入随机位移（m, n ∈ {−1, 0, 1}）模拟峰裁剪不准确的情况，提升对真实世界数据的泛化能力。
• 网络将亚像素峰位置作为回归输出，直接从输入图像块估计衍射峰的中心。
• 通过专用硬件和优化软件实现推理加速，实现在消费级GPU上的实时处理。
• 使用模拟数据和真实实验HEDM数据集对模型进行评估，并与传统伪-Voigt拟合方法进行对比。

实验结果

研究问题

• RQ1 深度学习模型是否能在显著快于传统伪-Voigt拟合的同时，实现Bragg峰定位的亚像素精度？
• RQ2 在峰偏离中心或存在噪声的情况下，引入非局部自注意力模块如何影响峰定位的精度与鲁棒性？
• RQ3 模拟峰裁剪不准确的数据增强策略在多大程度上提升了泛化能力并降低了真实应用中的误差？
• RQ4 与基于传统峰拟合的重建相比，BraggNN能否提升三维晶粒重建的质量？
• RQ5 在现代硬件上，BraggNN可实现的最大加速比是多少？是否能够支持原位实验中的实时反馈？

主要发现

• 在测试数据集上，BraggNN将峰定位误差降低至小于0.29像素（第75百分位数）和0.57像素（第95百分位数），相比传统伪-Voigt拟合有显著改善。
• 在真实实验数据集上，使用BraggNN提取的峰位置进行三维重建，平均精度比传统拟合方法提升15%。
• 在消费级GPU上，BraggNN实现超过200倍的加速，在CPU上也实现超过50倍的加速，相比传统方法。
• 引入非局部自注意力模块后，峰定位精度得到提升，与无注意力机制的模型相比，第75百分位数偏差降低了20%以上。
• 通过模拟峰偏离中心的裁剪数据增强，将第50、75和95百分位数的误差降低了约80%（五倍改进），相比无数据增强训练。
• 该模型在真实数据上泛化良好，对噪声、峰偏移和重叠峰均表现出鲁棒性，且具备扩展至三维峰检测的潜力。