Uso de redes neurais para imagens de raios-X mais rápidas

Os cientistas demonstraram o uso de inteligência artificial (IA) para acelerar o processo de reconstrução de imagens a partir de dados coerentes de dispersão de raios-X. As técnicas tradicionais de imagem de raios-X (como imagens médicas de raios-X) são limitadas na quantidade de detalhes que podem fornecer. Isso levou ao desenvolvimento de métodos coerentes de imagem de raios X que são capazes de fornecer imagens de materiais profundos com resolução de alguns nanômetros ou menos. Essas técnicas geram imagens de raios X sem a necessidade de lentes, difratando ou espalhando o feixe das amostras e diretamente nos detectores.

Os dados capturados por esses detectores têm todas as informações necessárias para reconstruir imagens de alta fidelidade e os cientistas computacionais podem fazer isso com algoritmos avançados. Essas imagens podem ajudar os cientistas a projetar baterias melhores, construir materiais mais duráveis ​​e desenvolver melhores medicamentos e tratamentos para doenças.

O processo de usar computadores para montar imagens a partir de dados coerentes de raios-X dispersos é chamado de pticografia e a equipe usou uma rede neural que aprende como puxar esses 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 espalhada e os detectores ao redor da amostra coletam essa luz. Cabe então aos cientistas transformar esses dados em informações que possam ser usadas. O desafio, no entanto, é que enquanto os fótons no feixe de raios X carregam duas informações – a amplitude ou o brilho do feixe e a fase ou quanto o feixe muda quando passa pela amostra – os detectores apenas capturar um. Como os detectores só podem detectar amplitude e não podem detectar a fase, toda essa informação é perdida, portanto, deve ser reconstruída.

Isso pode ser feito, mas o processo é mais lento do que os cientistas gostariam. Parte do desafio está no final da aquisição de dados. Para reconstruir os dados de fase de experimentos de imagem de difração coerentes, os algoritmos atuais exigem que os cientistas coletem muito mais dados de amplitude de sua amostra, o que leva mais tempo. Mas a reconstrução real desses dados também leva algum tempo. É aí que entra o PtychoNN. Usando técnicas de IA, os pesquisadores demonstraram que os computadores podem ser ensinados a prever e reconstruir imagens a partir de dados de raios-X e podem fazê-lo 300 vezes mais rápido que o método tradicional. Mais do que isso, porém, o PtychoNN é capaz de acelerar o processo em ambas as extremidades.