Verwendung neuronaler Netze für schnellere Röntgenbildgebung

Wissenschaftler haben den Einsatz künstlicher Intelligenz (KI) demonstriert, um den Prozess der Rekonstruktion von Bildern aus kohärenten Röntgenstreudaten zu beschleunigen. Herkömmliche Röntgenbildgebungsverfahren (wie medizinische Röntgenbilder) sind in der Menge an Details, die sie liefern können, begrenzt. Dies hat zur Entwicklung kohärenter Röntgenbildgebungsverfahren geführt, die in der Lage sind, Bilder aus der Tiefe von Materialien mit einer Auflösung von wenigen Nanometern oder weniger zu liefern. Diese Techniken erzeugen Röntgenbilder ohne die Notwendigkeit von Linsen, indem der Strahl von Proben gebeugt oder gestreut und direkt auf Detektoren geleitet wird.

Die von diesen Detektoren erfassten Daten enthalten alle Informationen, die zur Rekonstruktion von High-Fidelity-Bildern erforderlich sind, und Computerwissenschaftler können dies mit fortschrittlichen Algorithmen tun. Diese Bilder können dann Wissenschaftlern helfen, bessere Batterien zu entwerfen, haltbarere Materialien herzustellen und bessere Medikamente und Behandlungen für Krankheiten zu entwickeln.

Der Prozess der Verwendung von Computern zur Zusammenstellung von Bildern aus kohärenten, verstreuten Röntgendaten wird als Ptychographie bezeichnet, und das Team verwendete ein neuronales Netzwerk, das lernt, wie diese Daten in eine kohärente Form gebracht werden – daher der Name der Innovation:PtychoNN.

Wenn ein Röntgenstrahl auf eine Probe trifft, wird das Licht gebeugt und gestreut, und die Detektoren um die Probe herum sammeln dieses Licht. Es liegt dann an den Wissenschaftlern, diese Daten in nutzbare Informationen umzuwandeln. Die Herausforderung besteht jedoch darin, dass die Photonen im Röntgenstrahl zwar zwei Informationen tragen – die Amplitude oder die Helligkeit des Strahls und die Phase oder wie stark sich der Strahl ändert, wenn er durch die Probe geht – aber nur die Detektoren einfangen. Da die Detektoren nur die Amplitude und nicht die Phase erkennen können, gehen alle diese Informationen verloren und müssen rekonstruiert werden.

Es ist möglich, aber der Prozess ist langsamer, als es den Wissenschaftlern lieb ist. Ein Teil der Herausforderung liegt auf der Seite der Datenerfassung. Um die Phasendaten aus kohärenten Beugungsbildgebungsexperimenten zu rekonstruieren, müssen die Wissenschaftler mit den aktuellen Algorithmen viel mehr Amplitudendaten von ihrer Probe sammeln, was länger dauert. Aber auch die eigentliche Rekonstruktion aus diesen Daten dauert einige Zeit. Hier kommt PtychoNN ins Spiel. Mithilfe von KI-Techniken zeigten die Forscher, dass Computern beigebracht werden kann, Bilder aus Röntgendaten vorherzusagen und zu rekonstruieren, und zwar 300-mal schneller als die herkömmliche Methode. Darüber hinaus ist PtychoNN jedoch in der Lage, den Prozess auf beiden Seiten zu beschleunigen.