Dynamisk maskinlæring rekonstruerer nøjagtigt volumeninteriører med begrænsede vinkeldata

Tomografisk rekonstruktion af et objekts indre volumen fra begrænsede vinkelsyn er et udfordrende problem med praktiske anvendelser inden for biologisk billeddannelse, fejlanalyse af integrerede kredsløb, osv. Et team på MIT præsenterer en dynamisk tilgang til maskinlæring for dette vigtige problem og viser metodens præstation i to problemer - tomografi under svage og stærke spredningsforhold. Den brede anvendelighed af denne teknik holder sit løfte om en række andre udfordrende omvendte problemer.

En lang række objekter, fra biologiske celler til integrerede kredsløb, er tomografisk afbildet for at identificere deres indre strukturer. Volumetrisk rekonstruktion af objektets interiør har praktiske konsekvenser, for eksempel, kvantitativ fasebilleddannelse af cellerne og fejlanalyse af kredsløbene for at validere deres designs. Det er ofte ønskeligt at begrænse det tomografiske vinkelområde for at reducere tiden for strålingseksponering og undgå ødelæggende virkninger på prøverne, eller endda uundgåelig på grund af objekternes struktur som i tilfælde af tomosyntese til mammografi. Imidlertid, tomografisk rekonstruktion fra begrænsede vinkelsyn er ikke altid velkommen i algoritmisk forstand, da det uundgåeligt introducerer artefakter og uklarheder til rekonstruktionerne og dermed, reducerer den generelle rekonstruktionstrohed.

I et nyt papir udgivet i Lys:Videnskab og applikationer , et team ved Massachusetts Institute of Technology, ledet af professor George Barbastathis i Institut for Maskinteknik, har udviklet en dynamisk machine learning -tilgang til at tackle dette vigtige problem, som tager en radikalt anden vej fra de fleste konventionelle inverse algoritmer. De demonstrerer den nye metodes ydeevne i to problemer, tomografi med begrænset vinkel under svage og stærke spredningsforhold.

Afhængig af spredningsgraden på grund af objekterne, problemets kompleksitet bestemmes. Det er ofte sådan, at hårde røntgenstråler bruges til at forestille de fleste materialer, herunder biologiske væv, at strålerne godt kan tilnærmes som lige linjer uden en stor afvigelse, fordi materialerne svagt spreder lyset. Det næste kompleksitetsniveau opstår, når lyset er stærkere spredt med objekter med komplekse strukturer. MIT -teamet siger, at deres tilgang udnytter "maskinlæring til en generisk rekonstruktion af 3D -brydningsindeks uafhængigt af spredningstypen."

"Vores motivation er, at når belysningsvinklen ændres, lyset går gennem det samme spredningsvolumen, men spredningsbegivenhederne, svag eller stærk, følge en anden rækkefølge. På samme tid, det rå billede opnået fra en ny belysningsvinkel tilføjer information til det tomografiske problem, men denne information er begrænset af de tidligere opnåede mønstre. Vi tolker dette som et dynamisk system, hvor output er begrænset af historien om tidligere input, efterhånden som tiden udvikler sig, og der kommer nye input, "tilføjede de.

Tilbagevendende neuralt netværk (RNN) arkitektur var deres valg til at implementere deres idé med at se problemet med begrænset vinkel tomografi som et dynamisk system, da RNN'erne ofte bruges til at behandle data med dynamik. Her, MIT -teamet betragter også deres råbilleder som en sekvens, da billederne opnås efter hinanden. De bemærker "vores RNN -arkitektur behandler råbillederne gentagne gange, så hvert råbillede fra en ny vinkel forbedres i forhold til de rekonstruktioner, der er opnået fra de tidligere vinkler."

"Den nye metodes ydeevne i de to problemer, vi har løst, tomografi under svag (Radon) og stærk spredning, angiver sit løfte om en række andre lige eller mere udfordrende omvendte problemer. Dermed, vi forventer, at denne publikation får betydelig indflydelse ud over den umiddelbare kontekst, som vi behandler her, "bemærkede de.