Miglioramento della qualità delle immagini da tomografia muonica tramite metodi statistici avanzati

The aim of this thesis is to improve the quality of images produced by a technique called muon tomography. This technique uses muons to scan the internal structure of objects without destroying them. The structure is reconstructed by measuring the position of the muons before and after they pass through the object using detectors. The efficiency of the detectors therefore plays a fundamental role both in reducing acquisition times and because anisotropies in their distribution distort the reconstructed image. The aim of this thesis is to improve the quality of images produced by a technique called muon tomography. This technique uses muons to scan the internal structure of objects without destroying them. The structure is reconstructed by measuring the position of the muons before and after they pass through the object using detectors. The efficiency of the detectors therefore plays a fundamental role both in reducing acquisition times and because anisotropies in their distribution distort the reconstructed image. The dependence of efficiency on temperature and pressure follows the usual pattern of gas detector multiplication. The dependence on external humidity was useful in determining the cause of the inefficiencies, namely the lack of insulation from the outside. Once the causes had been determined, the next step was to resolve the effects on the reconstructed image. This was done by creating code that quickly produced a synthetic dataset that could be used to train artificial intelligence models for image denoising. In addition to these models, statistical filters, such as moving averages, were used for the same purpose. Statistical filters alone did not lead to improvements in image quality (evaluated using various likelihood parameters). The artificial intelligence models used all fall into the encoder-decoder category, consisting of a progressive reduction in image size followed by a progressive increase back to the original size. These models led to an improvement, although the best results were obtained using both methods. The best result was obtained by combining the model called U-net, containing connections between the encoder and decoder parts, and the statistical filter called non-local mean, which replaces each pixel with the weighted average of every pixel in the image.

Lo scopo di questa tesi consiste nel migliorare la qualità delle immagini prodotte dalla tecnica chiamata tomografia muonica. Questa tecnica utilizza muoni per scansionare la struttura interna degli oggetti senza distruggerli. La ricostruzione della struttura è fatta misurando la posizione dei muoni prima e dopo aver attraversato l'oggetto tramite detector. L'efficienza dei detector ha, quindi, un ruolo fondamentale sia per ridurre i tempi di acquisizione sia perchè anisotropie nella sua distribuzione distorcono l'immagine ricostruita. Per ovviare a questo problema si sono studiate le cause della mancanza di efficienza. In particolare si è studiata la variazione dell'efficienza in funzione di diversi fattori ambientali (temperatura, pressione e umidità). La dipendanza dell'efficienza con la temperatura e la pressione rispetta l'andamento solito della moltiplicazione di un detector gas. La dipendenza con l'umidità esterna è stata utile a determinare la causa delle inefficienze, ovvero la mancanza di isolamento con l'esterno. Una volta detrminate le cause si è passati a come risolvere gli effetti sull'immagine ricostruita. Ciò è stato fatto creando un codice che producesse velocemente un dataset sintetico che potesse essere usato per allenare modelli di intelligenza artificiale che potessero essere usati nel denoising delle immagini. Oltre a questi modelli sono stati usati filtri statistici, come il moving average, per il medesimo scopo. I filtri statistici da soli non hanno portato a miglioramenti nella qualità dell'immagine (valutata usando diversi parametri di verosimiglianza). I modelli di intelligenza artificiale usati ricadono tutti nella categoria encoder-decoder, costituita da una progressiva riduzione della dimensione dell'immagine seguito da un progressivo aumento fino a tornare alle dimensioni originarie. Questi modelli hanno portato ad un miglioramento anche se i risultati migliori sono stati ottenuti usando entrambi i metodi. Il miglior risultato è stato ottenuto combinando il modello chiamato U-net, contenente connessioni tra la parte encoder e decoder, e il filtro statistico chiamato non-local mean, il quale sostituisce a ogni pixel la media pesata di ogni pixel dell'immagine.