Нейронные сети ускоряют реконструкцию рентгеновского изображения

Ученые продемонстрировали использование искусственного интеллекта (ИИ) для ускорения процесса реконструкции изображений из когерентных данных рентгеновского рассеяния. Традиционные рентгеновские методы визуализации (как медицинские рентгеновские снимки) ограничены в количестве деталей, которые они могут предоставить. Это привело к разработке когерентных методов рентгеновской визуализации, способных предоставлять изображения из глубины материалов при разрешении в несколько нанометров или менее. Эти техники генерируют рентгеновские изображения без необходимости линз путем дифракции или рассеяния пучка от образцов и непосредственно на детекторы.

Данные, захваченные этими детекторами, имеют всю информацию, необходимую для реконструкции высокоточных изображений, и вычислительные ученые могут делать это с продвинутыми алгоритмами. Эти изображения могут затем помочь ученым проектировать лучшие батареи, строить более долговечные материалы и разрабатывать лучшие лекарства и лечения для болезней.

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

Когда рентгеновский пучок ударяет в образец, свет дифрактируется и рассеивается, и детекторы вокруг образца собирают этот свет. Тогда ученым нужно превратить эти данные в информацию, которую можно использовать. Вызов, однако, в том, что пока фотоны в рентгеновском пучке несут две части информации — амплитуду или яркость пучка, и фазу или то, насколько пучок меняется, когда проходит через образец — детекторы захватывают только одну. Потому что детекторы могут детектировать только амплитуду и не могут детектировать фазу, вся эта информация теряется, поэтому она должна быть реконструирована.

Это можно сделать, но процесс медленнее, чем ученым хотелось бы. Часть вызова на конце сбора данных. Для реконструкции фазовых данных из экспериментов когерентной дифракционной визуализации текущие алгоритмы требуют от ученых собрать гораздо больше амплитудных данных от своего образца, что занимает больше времени. Но фактическая реконструкция из этих данных тоже занимает некоторое время. Вот где PtychoNN вступает в дело. Используя ИИ-техники, исследователи продемонстрировали, что компьютеры могут быть обучены предсказывать и реконструировать изображения из рентгеновских данных и могут делать это в 300 раз быстрее традиционного метода. Более того, PtychoNN способен ускорить процесс на обоих концах.