| dc.description.abstract | Temporal datatomografi, dynamisk datatomografi, eller bare 4D-CT, er en røntgenavbildningsteknikk hvor tredimensjonale dynamiske prosesser kan avbildes. Ulempen med CT er de mange projeksjonene som kreves for å rekonstruere tredimensjonale modeller av høy kvalitet. Dermed blir den oppnåelige tidsoppløsningen lav ved høy romlig oppløsning. Derfor er det avgjørende å ha en teknikk som gir fleksibilitet i valget mellom tids- og romlig oppløsning etter datatomografiopptak. Dette ville muliggjøre rekonstruksjoner med høy romlig oppløsning når den dynamiske prosessen tillater det, og rekonstruksjoner med høy tidsoppløsning fremfor romlig oppløsning når den dynamiske prosessen krever det. Etterspørselen er stor etter teknikker som minimerer konsekvensene av underoppløsning i datatomografi. En teknikk som forbedret dynamisk datatomografi i disse henseende ville være særdeles viktig i studier av strømning i porøse medier. Innsikt fra slike studier kan øke oljeutvinningseffektiviteten fra reservoarer og akselerere utviklingen av karbonfangst og -lagring.
I denne masteroppgaven ble det utviklet en teknikk for dynamisk datatomografi. Motivasjonen bak teknikken var å muliggjøre 4D billedtagning med fleksibel tids- og romlig oppløsning. Teknikken baserte seg på de spesielle egenskapene til det gylne snitt, samt maskinlærte rekonstruksjonsforbedringsfilter for underoppløste volum. Tidsoppløsning kunne dermed prioriteres over romlig oppløsning i datatomografiopptak på grunn av nettopp dette maskinlærte, tredimensjonale, generative motsetningsnettverket (GAN), som hadde som mål å fjerne artefakter fra underoppløste rekonstruksjoner. Den utviklede teknikken ble testet på den dynamiske prosessen i et timeglass, samt på en sprukket sandsteinprøve uten dynamikk. Det generative motsetningsnettverket fungerte best på rekonstruksjoner bestående av 52 projeksjoner for timeglasset. Da ble den midlere strukturelle likheten (MSSIM) lik 0.8, og den fouriertransformerte korrelasjonen (FSC) var like god som for rekonstruksjoner bestående av dobbelt så mange projeksjoner. Fra et menneskelig perspektiv var det nesten ingen underoppløsningsartefakter i filtrerte rekonstruksjoner med dette antallet projeksjoner eller flere. Den maksimale tidsoppløsningen som ble testet var på 26 s, der grensesnittet mellom sand og luft ble fanget med mindre dynamiske artefakter. Rekonstruksjonsforbedringsfilteret fungerte ikke like godt på sandsteinprøven. I dette tilfellet var det vanskelig å skille mellom underoppløsningsartefakter og signal. Bedre resultater ble imidlertid oppnådd ved å trene basert på SIRT-data, trene med sandsteinens sanne sannsynlighetsfordeling og ved å beregne gradientene ut fra en partistørrelse på fire. I disse tilfellene ble en MSSIM på 0.63 oppnådd. Dette gjaldt både ved 85 projeksjoner med FDK-algoritmen og ved 34 projeksjoner, 150 iterasjoner med SIRT-GAN. I tilfeller der treningsdatasettet besto av FDK-rekonstruksjoner, fjernet det generative nettverket høyfrekvent støy, og forbedret kontrasten, mens utsmørte kontraster ble gjenopprettet etter at nettverket hadde blitt trent på SIRT-rekonstruksjoner. Foreslått videre utvikling av modellen gikk ut på å trene nettverket med kraftigere underoppløsningsartefakter, samt å justere generaliteten i treningsdatasettet. I tillegg var hyperparameter-justering og arkitekturtilpasninger mulige løsninger, blant annet ved å inkludere sinogrammet som inndata til nettverket. | |
| dc.description.abstract | Temporal computed tomography, dynamical computed tomography, or just 4D-CT, is an X-ray imaging technique where dynamical processes can be resolved in three dimensions over time. However, CT is a technique that requires many sampled projections in order to produce reconstructions of high quality. Consequently, the achievable temporal resolution is low. Therefore, in order to extract the maximal amount of valuable insights from a temporal CT scan, it is imperative that one has the ability to prioritise between temporal and spatial resolution in the post-processing of the data. Then, it would be possible to reconstruct with high spatial resolution when the dynamical process allows for it, and sacrifice this resolution when spatial undersampling is required to resolve the dynamical process. In the latter case, there is a great demand for innovative methods for minimising the mentioned sacrifice. A technique that enables both the mentioned properties would be vital in multiphase flow studies in porous media, where insights could increase the oil recovery factor from reservoirs, and accelerate the transition towards carbon-neurality through carbon capture and storage (CCS) technologies.
In this master’s thesis, a temporal CT technique based on golden ratio sampling and undersampled reconstruction enhancement was developed. The motivation behind this technique was, as mentioned, to enable laboratory 4D-imaging with resolution flexibility a posteriori. The spatial resolution could be given lower priority due to the enhancing and denoising abilities of a diversely trained three-dimensional convolutional generative adversarial network (GAN), which aimed at removing undersampling artefacts from CT reconstructions. With the derived technique, a dynamical CT scan of an ordinary hourglass was performed, as well as a static CT scan of a cracked cylindrical sandstone sample. The optimal performance of the trained GAN was found to be 52 projections for the hourglass sample, resulting in a mean structural similarity index (MSSIM) of approximately 0.80. In terms of Fourier shell correlation (FSC), the performance was as good as for twice the number of projections. From a human perception point of view, this number of projections resulted in nearly no undersampling artefacts after GAN-enhancement. The maximal temporal resolution tested was 26 s, which captured the sand-air interface with minor dynamical artefacts. The GAN struggled with distinguishing between undersampling artefacts and the actual features of the sandstone sample. However, improved results were achieved by employing the SIRT algorithm, training using the true sandstone probability distribution, and by training with a batch size of 4. In these cases, the resulting MSSIM was approximately 0.63 for 85 projections with the FDK algorithm. The same result was achieved when using 150 iterations and 34 projections of the SIRT algorithm in addition to a GAN trained with the true sandstone probability distribution. The GAN was observed to remove high-frequent noise and perform contrast enhancement when trained on FDK reconstructions, while it recovered contrast from blurring when trained on SIRT reconstructions. Proposed development of the GAN included training at elevated undersampling artefacts, adjustments to the generality of the dataset, hyperparameter tuning, and adaptation of the architecture to include sinogram data. | |
