Brug af neurale netværk til hurtigere røntgenbilleder

Et team af forskere fra Argonne bruger kunstig intelligens til at afkode røntgenbilleder hurtigere, som kunne hjælpe innovationer inden for medicin, materialer og energi.

Det lyder som en afsendelse fra en fjern fremtid:et computersystem, der ikke kun kan rekonstruere billeder fra stråler røntgendata ved hundredvis af gange hurtigere end de nuværende metoder, men kan lære af erfaring og designe bedre og mere effektive måder at beregne disse rekonstruktioner på. Men med den næste generation af røntgenlyskilder i horisonten-og med dem, en massiv stigning i mængden af ​​data, de vil generere - forskere har en grund til at forfølge den fremtid, og hurtigt.

I en nylig artikel offentliggjort i Anvendt fysik bogstaver , et team af computerforskere fra to amerikanske Department of Energy (DOE) Office of Science brugerfaciliteter på DOE's Argonne National Laboratory - Advanced Photon Source (APS) og Center for Nanoscale Materials (CNM) - har demonstreret brugen af ​​kunstig intelligens ( AI) for at fremskynde processen med at rekonstruere billeder fra sammenhængende røntgenspredningsdata.

Traditionelle røntgenbillede teknikker (som medicinske røntgenbilleder) er begrænsede i mængden af ​​detaljer, de kan give. Dette har ført til udviklingen af ​​sammenhængende røntgenbillede metoder, der er i stand til at levere billeder fra dybt inde i materialer med et par nanometer opløsning eller mindre. Disse teknikker genererer røntgenbilleder uden behov for linser, ved at sprede eller sprede strålen ud af prøver og direkte på detektorer.

De data, der er fanget af disse detektorer, har alle de oplysninger, der er nødvendige for at rekonstruere billeder i høj kvalitet, og beregningsforskere kan gøre dette med avancerede algoritmer. Disse billeder kan derefter hjælpe forskere med at designe bedre batterier, bygge mere holdbare materialer og udvikle bedre medicin og behandlinger mod sygdomme.

Processen med at bruge computere til at samle billeder fra sammenhængende spredte røntgendata kaldes ptychography, og teamet brugte et neuralt netværk, der lærer at trække disse data ind i en sammenhængende form. Deraf navnet på deres innovation:PtychoNN.

"Oprindelsen af ​​dette går et par år tilbage, "sagde Mathew Cherukara, den første forfatter på papiret og en beregningsforsker, der har arbejdet på både APS og CNM.

APS er planlagt til at gennemgå en massiv opgradering i de kommende år, hvilket vil øge lysstyrken på sine røntgenstråler med op til 500 gange. En lignende stigning i data forventes, og de nuværende beregningsmetoder til rekonstruktion af billeder kæmper allerede med at holde trit.

"Vi var bekymrede for, at efter opgraderingen, datahastigheder vil være for store til, at traditionelle billeddannelsesmetoder fungerer, "Sagde Cherukara." Kunstige intelligensmetoder kan følge med, og producere billeder hundredvis af gange hurtigere end den traditionelle metode. "

PtychoNN løser også et af de største problemer, som computervidenskabsfolk står overfor, der arbejder med røntgenstrøingsforsøg:problemet med fase.

Udfordring accepteret

Forestil dig en swimmingpool i olympisk størrelse, fuld af svømmere. Forestil dig nu at se op på lysets refleksion fra vandet på bygningens loft, lige over poolen. Hvis nogen bad dig om at finde ud af, bare fra de lysflimmer på loftet, hvor svømmerne er i poolen, kunne du gøre det?

At, ifølge Martin Holt, er, hvordan rekonstruktion af et billede fra sammenhængende røntgenspredningsdata er. Holt er en midlertidig gruppeleder på CNM og en af ​​forfatterne til PtychoNN -papiret. Hans job er at bruge sofistikerede computersystemer til at bygge billeder ud af spredte fotondata - eller, i det væsentlige, at se på vandets refleksion på loftet og lave et billede af svømmerne.

Når en røntgenstråle rammer en prøve, lyset er bøjet og spredes, og detektorerne omkring prøven opsamler det lys. Det er derefter op til Holt og forskere som ham at omdanne disse data til oplysninger, forskere kan bruge. Udfordringen, imidlertid, er, at mens fotonerne i røntgenstrålen bærer to stykker information-amplituden, eller lysstyrken på strålen, og fasen, eller hvor meget strålen ændrer sig, når den passerer gennem prøven - detektorerne fanger kun en.

"Fordi detektorerne kun kan detektere amplitude, og de ikke kan detektere fasen, alle disse oplysninger går tabt, "Holt sagde" Så vi skal rekonstruere det. "

Den gode nyhed er, forskere kan gøre det. Den dårlige nyhed er, processen er langsommere, end de forskere gerne vil have. En del af udfordringen er på dataindsamlingsenden. For at rekonstruere fasedataene fra kohærente diffraktionsbilledeksperimenter, de nuværende algoritmer kræver, at forskere indsamler meget mere amplitude -data fra deres prøve, som tager længere tid. Men selve rekonstruktionen fra disse data tager også lidt tid.

Det er her, PtychoNN kommer ind. Ved hjælp af AI -teknikker, forskerteamet har demonstreret, at computere kan læres at forudsige og rekonstruere billeder fra røntgendata, og kan gøre det 300 gange hurtigere end den traditionelle metode. Mere end det, selvom, PtychoNN er i stand til at fremskynde processen i begge ender.

"Det, vi foreslår, kræver ikke den overlappende information, traditionelle algoritmer har brug for, "sagde Tao Zhou, en postdoc med Argonnes X-ray Science Division (XSD) og en medforfatter på papiret. "AI kan trænes til at forudsige billedet fra punkt til punkt."

Højere læring

I stedet for at bruge simulerede billeder til at træne det neurale netværk, holdet brugte rigtige røntgendata taget ved beamline 26-ID på APS, drives af CNM. Da denne beamline bruges til nanovidenskab, dets optik fokuserer røntgenstrålen ned til en meget lille størrelse. Til dette eksperiment, holdet afbildede et objekt - i dette tilfælde, et stykke wolfram ætset med tilfældige funktioner - og præsenterede det system med færre oplysninger end normalt ville være nødvendigt for at rekonstruere et fuldt billede.

"Der er to vigtige takeaways, "Sagde Cherukara." Hvis dataindsamling er den samme som nutidens metode, PtychoNN er 300 gange hurtigere. Men det kan også reducere mængden af ​​data, der skal erhverves for at producere billeder. "

Cherukara bemærkede, at en rekonstruktion udført med mindre information naturligvis fører til et billede af dårligere kvalitet, men du får stadig et billede, hvor traditionelle algoritmiske metoder ikke ville være i stand til at producere en. Han sagde, at forskere nogle gange støder på tidsbegrænsninger, der ikke tillader et fuldstændigt datasæt at blive fanget, eller beskadigede prøver, hvor det komplette datasæt ikke er muligt, og PtychoNN kan generere brugbare billeder selv under disse omstændigheder.

Al denne effektivitet, holdet sagde, lover godt for PtychoNN som en ny vej frem efter APS -opgraderingen. Denne tilgang gør det muligt for dataanalyse og billedgendannelse at følge med stigningen i data. Det næste trin er at bevæge sig ud over proof-of-concept, generere fuldstændige 3-D og tidsopløste billeder, og indarbejde PtychoNN i APS -arbejdsgangen.

"Det næste er at vise, at det fungerer på flere datasæt og implementere det til daglig brug, "sagde Ross Harder, fysiker og hovedudvikler af koherent diffraktionsbilledinstrumentering med XSD, og en medforfatter på papiret.

Gør man det, Cherukara sagde, kan endda resultere i et selvforbedrende system, der hele tiden lærer af hvert diffraktionseksperiment på APS. Han forestiller sig et program, der kører lydløst i baggrunden, bliver mere effektiv med hvert datasæt, det observerer.

For Holt, en innovation som PtychoNN er en naturlig udvækst af den måde Argonne kombinerer ressourcer til at løse problemer.

"Vi har store computerressourcer på Argonne, og en af ​​de bedste lyskilder i verden, og et center, der fokuserer på nanoteknologi, "sagde han." Det er den virkelige styrke ved Argonne, at disse alle er på samme laboratorium. "