Neuronale Netzwerke beschleunigen Röntgenbild-Rekonstruktion

Wissenschaftler haben den Einsatz künstlicher Intelligenz (KI) demonstriert, um den Prozess der Rekonstruktion von Bildern aus kohärenten Röntgenstreudaten zu beschleunigen. Traditionelle Röntgenbildgebungsverfahren (wie medizinische Röntgenbilder) sind in der Detailmenge begrenzt, die sie liefern können. Dies führte zur Entwicklung kohärenter Röntgenbildgebungsmethoden, die in der Lage sind, Bilder aus tief innerhalb von Materialien bei wenigen Nanometern Auflösung oder weniger bereitzustellen. Diese Techniken erzeugen Röntgenbilder ohne Linsen, indem sie den Strahl an Proben beugen oder streuen und direkt auf Detektoren lenken.

Die von diesen Detektoren erfassten Daten enthalten alle Informationen, die zur Rekonstruktion hochfideliter Bilder benötigt werden, und Computational Scientists können dies mit fortgeschrittenen Algorithmen tun. Diese Bilder können Wissenschaftlern dann helfen, bessere Batterien zu entwerfen, langlebigere Materialien zu bauen und bessere Medikamente und Behandlungen für Krankheiten zu entwickeln.

Der Prozess, Computer zur Assemblierung von Bildern aus kohärenten gestreuten Röntgendaten zu nutzen, heißt Ptychographie, und das Team verwendete ein neuronales Netzwerk, das lernt, wie man diese Daten in eine kohärente Form zieht – daher der Name der Innovation: PtychoNN.

Wenn ein Röntgenstrahl ein Sample trifft, wird das Licht gebeugt und streut, und die Detektoren um das Sample 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 Helligkeit des Strahls und die Phase oder wie stark sich der Strahl ändert, wenn er durch das Sample passiert – die Detektoren nur eine erfassen. Da die Detektoren nur Amplitude detektieren können und die Phase nicht detektieren können, gehen all diese Informationen verloren und müssen rekonstruiert werden.

Das kann gemacht werden, aber der Prozess ist langsamer, als Wissenschaftler es gerne hätten. Ein Teil der Herausforderung liegt auf der Datenerfassungsseite. Um die Phasendaten aus kohärenten Beugungsbildgebungsexperimenten zu rekonstruieren, erfordern die aktuellen Algorithmen, dass Wissenschaftler viel mehr Amplitudendaten von ihrem Sample sammeln, was länger dauert. Aber auch die eigentliche Rekonstruktion aus diesen Daten dauert einige Zeit. Hier kommt PtychoNN ins Spiel. Mit KI-Techniken demonstrierten die Forscher, dass Computer gelehrt werden können, Bilder aus Röntgendaten vorherzusagen und zu rekonstruieren und dies 300-mal schneller als die traditionelle Methode tun können. Mehr noch, PtychoNN kann den Prozess an beiden Enden beschleunigen.