Использование нейронных сетей для более быстрой рентгенографии

Ученые продемонстрировали использование искусственного интеллекта (ИИ) для ускорения процесса восстановления изображений по данным когерентного рентгеновского рассеяния. Традиционные методы рентгеновской визуализации (например, медицинские рентгеновские изображения) ограничены количеством деталей, которые они могут предоставить. Это привело к разработке когерентных методов рентгеновской визуализации, которые способны получать изображения глубоко внутри материалов с разрешением в несколько нанометров или меньше. Эти методы создают рентгеновские изображения без использования линз путем дифрагирования или рассеяния луча от образцов и непосредственно на детекторы.

Данные, полученные этими детекторами, содержат всю информацию, необходимую для реконструкции изображений с высокой точностью, и ученые-вычислители могут сделать это с помощью передовых алгоритмов. Эти изображения могут затем помочь ученым разработать более совершенные батареи, создать более прочные материалы и разработать более эффективные лекарства и методы лечения болезней.

Процесс использования компьютеров для сборки изображений из когерентных рассеянных рентгеновских данных называется птихографией, и команда использовала нейронную сеть, которая учится приводить эти данные в когерентную форму — отсюда и название инновации:PtychoNN.

Когда рентгеновский луч попадает на образец, свет преломляется и рассеивается, а детекторы вокруг образца собирают этот свет. Затем ученые должны превратить эти данные в информацию, которую можно использовать. Проблема, однако, заключается в том, что в то время как фотоны в рентгеновском луче несут две части информации — амплитуду или яркость луча и фазу или степень изменения луча при прохождении через образец — детекторы только захватить один. Поскольку детекторы могут определять только амплитуду и не могут определять фазу, вся эта информация теряется, поэтому ее необходимо восстановить.

Это можно сделать, но процесс идет медленнее, чем хотелось бы ученым. Часть проблемы связана со сбором данных. Чтобы восстановить фазовые данные из экспериментов по когерентной дифракционной визуализации, современные алгоритмы требуют, чтобы ученые собирали гораздо больше амплитудных данных из своего образца, что занимает больше времени. Но фактическая реконструкция по этим данным также требует некоторого времени. Здесь на помощь приходит PtychoNN. Используя методы искусственного интеллекта, исследователи продемонстрировали, что компьютеры можно научить предсказывать и реконструировать изображения на основе рентгеновских данных, и они могут делать это в 300 раз быстрее, чем традиционный метод. Более того, PtychoNN может ускорить процесс с обеих сторон.