Neurale netwerken gebruiken voor snellere röntgenbeeldvorming

Wetenschappers hebben het gebruik van kunstmatige intelligentie (AI) aangetoond om het proces van het reconstrueren van beelden op basis van coherente röntgenverstrooiingsgegevens te versnellen. Traditionele röntgenbeeldvormingstechnieken (zoals medische röntgenfoto's) zijn beperkt in de hoeveelheid details die ze kunnen bieden. Dit heeft geleid tot de ontwikkeling van coherente röntgenbeeldvormingsmethoden die in staat zijn om beelden van diep in materialen te leveren met een resolutie van enkele nanometers of minder. Deze technieken genereren röntgenfoto's zonder dat er lenzen nodig zijn door de straal van monsters af te buigen of te verstrooien en rechtstreeks op detectoren.

De gegevens die door die detectoren zijn vastgelegd, bevatten alle informatie die nodig is om high-fidelity-beelden te reconstrueren en computationele wetenschappers kunnen dit doen met geavanceerde algoritmen. Deze afbeeldingen kunnen wetenschappers vervolgens helpen betere batterijen te ontwerpen, duurzamere materialen te bouwen en betere medicijnen en behandelingen voor ziekten te ontwikkelen.

Het proces waarbij computers worden gebruikt om afbeeldingen samen te stellen uit coherente verspreide röntgengegevens, wordt ptychografie genoemd en het team gebruikte een neuraal netwerk dat leert hoe die gegevens in een coherente vorm kunnen worden getrokken - vandaar de naam van de innovatie:PtychoNN.

Wanneer een röntgenstraal op een monster valt, wordt het licht verstrooid en verstrooid, en de detectoren rondom het monster verzamelen dat licht. Het is dan aan wetenschappers om die gegevens om te zetten in informatie die kan worden gebruikt. De uitdaging is echter dat, hoewel de fotonen in de röntgenbundel twee stukjes informatie dragen - de amplitude of de helderheid van de bundel, en de fase of hoeveel de bundel verandert wanneer deze door het monster gaat - de detectoren alleen een vangen. Omdat de detectoren alleen de amplitude kunnen detecteren en ze de fase niet kunnen detecteren, gaat al die informatie verloren en moet deze opnieuw worden opgebouwd.

Het kan worden gedaan, maar het proces is langzamer dan wetenschappers zouden willen. Een deel van de uitdaging ligt op het gebied van data-acquisitie. Om de fasegegevens van coherente diffractiebeeldvormingsexperimenten te reconstrueren, vereisen de huidige algoritmen dat wetenschappers veel meer amplitudegegevens van hun monster verzamelen, wat langer duurt. Maar de daadwerkelijke reconstructie van die gegevens kost ook wat tijd. Dit is waar PtychoNN om de hoek komt kijken. Met behulp van AI-technieken toonden de onderzoekers aan dat computers kunnen worden geleerd om beelden van röntgengegevens te voorspellen en te reconstrueren en dit 300 keer sneller kunnen doen dan de traditionele methode. Maar meer dan dat, PtychoNN is in staat om het proces aan beide kanten te versnellen.