Plasma diagnostics often employ computerized tomography to estimate emissivity profiles from a finite, and often limited, number of line-integrated measurements. Decades of algorithmic refinement have brought considerable improvements, and led to a variety of employed solutions. These often feature an underlying, common structure that is rarely acknowledged or investigated. In this paper, we present a unifying perspective on sparse-view tomographic reconstructions for plasma imaging, highlighting how many inversion approaches reported in the literature can be naturally understood within a Bayesian framework. In this setting, statistical modeling of acquired data leads to a likelihood term, while the assumed properties of the profile to be reconstructed are encoded within a prior term. Together, these terms yield the posterior distribution, which models all the available information on the profile to be reconstructed. We show how credible reconstructions, uncertainty quantification and further statistical quantities of interest can be efficiently obtained from noisy tomographic data by means of a stochastic gradient flow algorithm targeting the posterior. This is demonstrated by application to soft x-ray imaging at the TCV tokamak. We validate the proposed imaging pipeline on a large dataset of generated model phantoms, showing how posterior-based inference can be leveraged to perform principled statistical analysis of quantities of interest. Finally, we address some of the inherent, and thus remaining, limitations of sparse-view tomography. All the computational routines used in this work are made available as open access code.
プラズマ診断では、有限かつしばしば限られた数の線積分測定から放射率分布を推定するために、コンピュータ断層撮影がしばしば用いられる。数十年にわたるアルゴリズムの改良により、大幅な改善がもたらされ、様々な採用解決策が生み出されてきた。これらは、めったに認識または調査されることのない、背後にある共通構造を特徴とすることが多い。本論文では、プラズマイメージングのためのスパースビュー断層再構成に関する統一的視点を提示し、文献で報告されている多くの逆変換アプローチがベイズ枠組み内で自然に理解できることを強調する。この設定では、取得データの統計的モデリングは尤度項をもたらし、再構成対象プロファイルの想定される特性は事前項内にコード化される。これらの項が一緒になって事後分布を与え、これは再構成対象プロファイルに関する利用可能なすべての情報をモデル化する。我々は、事後分布を対象とする確率勾配フローアルゴリズムによって、ノイズを含む断層データから、信頼できる再構成、不確実性の定量化、およびさらに関心のある統計量を効率的に得られることを示す。これは、TCVトカマクにおける軟X線イメージングへの適用によって実証される。我々は、生成されたモデルファントムの大規模データセット上で提案するイメージングパイプラインを検証し、事後分布に基づく推論を利用して、関心のある量の原理に基づく統計解析を実行できることを示す。最後に、スパースビュー断層撮影に内在する、したがって残存する限界のいくつかに対処する。この研究で使用されたすべての計算ルーチンは、オープンアクセスコードとして利用可能にされる。