Algorithms for Signal Reconstruction: Neural Models and Strategies

The most sophisticated X-ray imaging systems currently employ photon-counting detectors (PCDs) for their ability to detect and measure the energy of individual photons. This capability provides superior chemical and physical analysis, as well as a higher contrast-to-noise ratio. To take advantage of these technical benefits, the pulses generated by the incoming photons must be accurately processed in the electrical signal readout (known as the waveform) that these devices produce. This task can be challenging due to the presence of noise in the signal, overlapping pulses and the non-ideality of the electrical pulses generated in the detector as a result of complicated processes in the semiconductor material. The number and energy of the interacting photons measured by the detector can therefore be distorted by these problems. In X-ray physics, the usual attempts to solve these problems are hardware-based solutions, which can be costly and time-consuming, and spectral corrections, which involve the use of a processed version of the waveform signal, resulting in the loss of much of the original data. This work proposes a waveform signal processing pipeline consisting of three steps: removal of noise in the signal, identification of photon interaction events in the signal, and reconstruction of the energy of the identified events. The algorithms developed for these steps, primarily based on neural networks but also incorporating other methods, have proven to enhance the energy resolution and photon detection capability of the system. In parallel and in continuity with the research on waveform noise reduction, efforts have been made to develop new models to perform the same task on another type of data, electroencephalographic (EEG) signals. These new methods have been developed in a constructive way for both research fronts, making use of the experience gained in the other field. EEG signals are often contaminated by various sources of noise, such as muscle activity and eye movements. Reducing the noise in these data allows a more accurate study of brain activity, which is useful in the diagnosis and treatment of neurological disorders, the study of cognitive processes, and the development of brain-computer interfaces. Two deep learning techniques for this denoising task are presented in this thesis. The first adaptively computes convolutional filters for multi-artifact noise removal using prior knowledge of noise spectral features. The second uses a neural architecture search strategy to identify effective and efficient architectures for muscle artifact removal. Both methods match or outperform the results of state-of-the-art benchmark models. Overall, this work makes a significant contribution to the field of signal processing by proposing innovative techniques that can be applied in various domains to achieve accuracy and efficiency in signal reconstruction.

I sistemi di imaging a raggi X più sofisticati utilizzano attualmente rivelatori a conteggio di fotoni (PCD) per la loro capacità di rilevare e misurare l'energia dei singoli fotoni. Questa loro caratteristica consente un'analisi chimico-fisica più accurata e un rapporto segnale/rumore più elevato rispetto ai rivelatori tradizionali. Per sfruttare questi vantaggi tecnici, gli impulsi generati dai fotoni incidenti devono essere elaborati con precisione mediante il segnale elettrico (noto come segnale waveform) che tali dispositivi producono. Questo compito può essere difficile a causa della presenza di rumore nel segnale, della sovrapposizione degli impulsi e della non idealità degli impulsi elettrici generati nel rivelatore, a causa dei complicati processi che avvengono nel materiale semiconduttore. Pertanto, il numero e l'energia dei fotoni incidenti misurati dal rivelatore possono essere distorti da questi problemi. Nella fisica dei raggi X, i metodi comunemente utilizzati per risolvere questi problemi sono basati su soluzioni hardware, che possono essere costose e richiedere molto tempo, o correzioni spettrali che comportano l'uso di una versione elaborata del segnale waveform, con conseguente perdita di gran parte dei dati originali. Questo lavoro propone una pipeline di elaborazione del segnale waveform che consiste in tre fasi: rimozione del rumore dal segnale, identificazione degli eventi di interazione fotonica nel segnale e ricostruzione dell'energia degli eventi identificati. Gli algoritmi sviluppati per queste fasi, basati principalmente su reti neurali ma comprendenti anche altri metodi, hanno dimostrato di migliorare la risoluzione energetica e la capacità di rilevamento dei fotoni del sistema. In parallelo e in continuità con la ricerca sulla riduzione del rumore nel segnale waveform, si è cercato di sviluppare nuovi modelli per svolgere lo stesso compito su un altro tipo di dati: i segnali elettroencefalografici (EEG). Questi nuovi metodi sono stati sviluppati in modo costruttivo per entrambi i fronti della ricerca, sfruttando l'esperienza acquisita in ciascun campo. I segnali EEG sono spesso contaminati da varie fonti di rumore, come i movimenti muscolari e oculari. La riduzione del rumore in questi dati consente uno studio più accurato dell'attività cerebrale, utile per la diagnosi e il trattamento di disturbi neurologici, nonché per lo studio dei processi cognitivi e lo sviluppo di interfacce neurali. In questa tesi vengono presentate due tecniche di deep learning per il denoising di segnali EEG. La prima calcola in modo adattivo i filtri convoluzionali per la rimozione di rumore generato da diverse tipologie di artefatti, utilizzando una conoscenza preliminare delle caratteristiche spettrali del rumore. La seconda tecnica utilizza una strategia di neural architecture search per identificare architetture efficaci ed efficienti per la rimozione degli artefatti muscolari. Entrambi i metodi eguagliano o superano i risultati dei modelli di riferimento dello stato dell'arte. Nel complesso, questo lavoro fornisce un contributo significativo al campo dell'elaborazione dei segnali, proponendo tecniche innovative che possono essere applicate in vari domini per ottenere una ricostruzione dei segnali precisa ed efficiente.