Manufaturação industrial
Internet das coisas industrial | Materiais industriais | Manutenção e reparo de equipamentos | Programação industrial |
home  MfgRobots >> Manufaturação industrial >  >> Industrial Internet of Things >> Sensor

Redes Neurais Aceleram Reconstrução de Imagem por Raios-X

Cientistas demonstraram o uso de inteligência artificial (IA) para acelerar o processo de reconstrução de imagens a partir de dados de espalhamento coerente de raios-X. Técnicas tradicionais de imagem por raios-X (como imagens médicas de raios-X) são limitadas na quantidade de detalhes que podem fornecer. Isso levou ao desenvolvimento de métodos de imagem coerente de raios-X capazes de fornecer imagens de dentro de materiais a resolução de poucos nanômetros ou menos. Estas técnicas geram imagens de raios-X sem a necessidade de lentes difratando ou espalhando o feixe fora das amostras e diretamente sobre detectores.

Os dados capturados por aqueles detectores têm toda a informação necessária para reconstruir imagens de alta fidelidade e cientistas computacionais podem fazer isso com algoritmos avançados. Estas imagens podem então ajudar cientistas a projetar melhores baterias, construir materiais mais duráveis e desenvolver melhores medicamentos e tratamentos para doenças.

O processo de usar computadores para montar imagens a partir de dados de raios-X espalhados coerentemente é chamado ptychography e a equipe usou uma rede neural que aprende como puxar aqueles dados para uma forma coerente — daí o nome da inovação: PtychoNN.

Quando um feixe de raios-X atinge uma amostra, a luz é difratada e espalha e os detectores ao redor da amostra coletam aquela luz. Então cabe aos cientistas transformar aqueles dados em informação que pode ser usada. O desafio, no entanto, é que enquanto os fótons no feixe de raios-X carregam duas peças de informação — a amplitude ou brilho do feixe, e a fase ou quanto o feixe muda quando passa pela amostra — os detectores capturam apenas uma. Como os detectores só podem detectar amplitude e não podem detectar a fase, toda aquela informação é perdida então deve ser reconstruída.

Pode ser feito mas o processo é mais lento do que cientistas gostariam. Parte do desafio está na aquisição de dados. Para reconstruir os dados de fase de experimentos de imagem de difração coerente, os algoritmos atuais requerem que cientistas colem muito mais dados de amplitude de sua amostra, o que leva mais tempo. Mas a reconstrução real daqueles dados também leva algum tempo. É aqui que PtychoNN entra. Usando técnicas de IA, os pesquisadores demonstraram que computadores podem ser ensinados a prever e reconstruir imagens a partir de dados de raios-X e podem fazer isso 300 vezes mais rápido que o método tradicional. Mais do que isso, PtychoNN é capaz de acelerar o processo em ambas as pontas.


Sensor

  1. Como Cuidar de Panelas de Titânio: Dicas de Especialistas para Longevidade e Desempenho
  2. 10 Principais Benefícios do Armazenamento na Nuvem para Negócios Modernos
  3. Symphony Link: Detecção Confiável de Vazamento de Água para Data Centers
  4. Aprimorando Desenvolvimento IIoT na Edge com WebSockets: Conectividade Segura e em Tempo Real
  5. Desenvolvimento IIoT na Edge com Modbus: Construindo Fluxo Seguro de Dados de Sensor no Raspberry Pi
  6. Preparando Suas Operações de Manufatura para IA com IoT
  7. Por que Computação em Nuvem é Essencial para Armazenar Dados de IoT
  8. Imageamento Térmico 2D Sem Contato Revolucionário via Nanotermometria SPLIT
  9. Rastreamento Preciso de RSSI WiFi para Sensores na ISS
  10. Imagem 3D de Raios-X de Alta Resolução para Recuperação Precisa de Objetos