Neurale Netwerken Versnellen Röntgenbeeldreconstructie

Wetenschappers hebben het gebruik van kunstmatige intelligentie (AI) gedemonstreerd om het proces van het reconstrueren van beelden uit coherente Röntgenverstrooiingsdata te versnellen. Traditionele Röntgenbeeltechnieken (zoals medische Röntgenbeelden) zijn beperkt in de hoeveelheid detail die ze kunnen leveren. Dit heeft geleid tot de ontwikkeling van coherente Röntgenbeelmethoden die in staat zijn om beelden diep binnen materialen te leveren met een resolutie van enkele nanometer of minder. Deze technieken genereren Röntgenbeelden zonder de noodzaak voor lenzen door de bundel te diffracteren of te verstrooien van monsters en direct op detectors.

De data die door die detectors gevangen wordt, bevat alle informatie nodig om hoge-kwaliteitsbeelden te reconstrueren en computationele wetenschappers kunnen dit doen met geavanceerde algoritmes. Deze beelden kunnen wetenschappers helpen betere batterijen te ontwerpen, duurzamere materialen te bouwen, en betere geneesmiddelen en behandelingen voor ziekten te ontwikkelen.

Het proces van het gebruik van computers om beelden te assembleren uit coherente verstrooide Röntgendata heet ptychografie en het team gebruikte een neuraal netwerk dat leert hoe die data in een coherente vorm te trekken — vandaar de naam van de innovatie: PtychoNN.

Wanneer een Röntgenbundel een monster raakt, wordt het licht gediffracteerd en verstrooid en verzamelen de detectors rond het monster dat licht. Het is dan aan wetenschappers om die data om te zetten in informatie die gebruikt kan worden. De uitdaging is echter dat terwijl de fotonen in de Röntgenbundel twee stukken informatie dragen — de amplitude of helderheid van de bundel, en de fase of hoeveel de bundel verandert wanneer het door het monster gaat — de detectors slechts één kunnen detecteren. Omdat de detectors alleen amplitude kunnen detecteren en de fase niet kunnen detecteren, is al die informatie verloren en moet het gereconstrueerd worden.

Het kan gedaan worden maar het proces is langzamer dan wetenschappers graag zouden willen. Deels is de uitdaging aan de data-acquisitiekant. Om de fase data te reconstrueren uit coherente diffractiebeeldexperimenten, vereisen de huidige algoritmes dat wetenschappers veel meer amplitude data van hun monster verzamelen, wat langer duurt. Maar de daadwerkelijke reconstructie van die data duurt ook tijd. Hier komt PtychoNN om de hoek kijken. Met AI-technieken toonden de onderzoekers aan dat computers geleerd kunnen worden om beelden te voorspellen en te reconstrueren uit Röntgendata en dit 300 keer sneller kunnen doen dan de traditionele methode. Meer dan dat, PtychoNN kan het proces aan beide uiteinden versnellen.