Een team van wetenschappers uit Argonne gebruikt kunstmatige intelligentie om röntgenbeelden sneller te decoderen, die innovaties in de geneeskunde zouden kunnen ondersteunen, materialen en energie.

Het klinkt als een bericht uit de verre toekomst:een computersysteem dat niet alleen beelden kan reconstrueren uit stapels röntgengegevens met honderden keren de snelheid van de huidige methoden, maar kan leren van ervaring en betere en efficiëntere manieren ontwerpen om die reconstructies te berekenen. Maar met de volgende generatie röntgenlichtbronnen aan de horizon - en met hen, een enorme toename van de hoeveelheid gegevens die ze zullen genereren - wetenschappers hebben een reden om die toekomst na te streven, en snel.

In een recent artikel gepubliceerd in Technische Natuurkunde Brieven , een team van computerwetenschappers van twee US Department of Energy (DOE) Office of Science User Facilities bij het DOE's Argonne National Laboratory - de Advanced Photon Source (APS) en Center for Nanoscale Materials (CNM) - hebben het gebruik van kunstmatige intelligentie aangetoond ( AI) om het proces van het reconstrueren van afbeeldingen op basis van coherente röntgenverstrooiingsgegevens te versnellen.

Traditionele röntgenbeeldvormingstechnieken (zoals medische röntgenfoto's) zijn beperkt in de hoeveelheid details die ze kunnen bieden. Dit heeft geleid tot de ontwikkeling van coherente röntgenbeeldvormingsmethoden die in staat zijn om beelden van diep in materialen te leveren met een resolutie van enkele nanometers of minder. Deze technieken genereren röntgenfoto's zonder dat er lenzen nodig zijn, door de bundel af te buigen of te verstrooien van monsters en rechtstreeks op detectoren.

De gegevens die door die detectoren zijn vastgelegd, bevatten alle informatie die nodig is om high-fidelity-beelden te reconstrueren, en computationele wetenschappers kunnen dit doen met geavanceerde algoritmen. Deze afbeeldingen kunnen wetenschappers vervolgens helpen betere batterijen te ontwerpen, duurzamere materialen bouwen en betere medicijnen en behandelingen voor ziekten ontwikkelen.

Het proces waarbij computers worden gebruikt om beelden samen te stellen uit coherente verstrooide röntgengegevens, wordt ptychografie genoemd, en het team gebruikte een neuraal netwerk dat leert hoe die gegevens in een coherente vorm kunnen worden getrokken. Vandaar de naam van hun innovatie:PtychoNN.

"Het ontstaan ​​hiervan gaat een paar jaar terug, " zei Mathew Cherukara, de eerste auteur van de krant en een computationele wetenschapper die bij zowel de APS als CNM heeft gewerkt.

De APS zal de komende jaren een enorme upgrade ondergaan, die de helderheid van zijn röntgenstralen tot 500 keer zal verhogen. Een vergelijkbare toename van gegevens wordt verwacht, en de huidige computationele methoden voor het reconstrueren van afbeeldingen hebben al moeite om gelijke tred te houden.

"We waren bezorgd dat na de upgrade, datasnelheden zullen te groot zijn om traditionele methoden voor beeldanalyse te laten werken, "Zei Cherukara. "Kunstmatige intelligentiemethoden kunnen gelijke tred houden, en maak afbeeldingen honderden keren sneller dan de traditionele methode."

PtychoNN lost ook een van de grootste problemen op waarmee computerwetenschappers die aan röntgenverstrooiingsexperimenten werken, worden geconfronteerd:het faseprobleem.

Uitdaging aanvaard

Stel je een zwembad van olympisch formaat voor, vol zwemmers. Stel je nu voor dat je omhoog kijkt naar de weerkaatsing van het licht van het water op het plafond van het gebouw, net boven het zwembad. Als iemand je zou vragen om erachter te komen, alleen van die flikkeringen van licht op het plafond, waar de zwemmers in het zwembad zijn, zou je het kunnen doen?

Dat, volgens Martin Holt, is wat het reconstrueren van een afbeelding uit coherente röntgenverstrooiingsgegevens is. Holt is een interim-groepsleider bij CNM en een van de auteurs van de PtychoNN-paper. Het is zijn taak om geavanceerde computersystemen te gebruiken om foto's te maken van verspreide fotongegevens - of, eigenlijk, om naar de weerspiegeling van het water op het plafond te kijken en een beeld te maken van de zwemmers.

Wanneer een röntgenstraal een monster treft, het licht wordt verstrooid en verstrooid, en de detectoren rond het monster verzamelen dat licht. Het is dan aan Holt en wetenschappers zoals hij om die gegevens om te zetten in informatie die wetenschappers kunnen gebruiken. De uitdaging, echter, is dat terwijl de fotonen in de röntgenbundel twee stukjes informatie dragen - de amplitude, of de helderheid van de straal, en de fase, of hoeveel de straal verandert wanneer deze door het monster gaat - de detectoren vangen er maar één op.

"Omdat de detectoren alleen de amplitude kunnen detecteren en ze de fase niet kunnen detecteren, al die informatie gaat verloren, Holt zei:"Dus we moeten het reconstrueren."

Het goede nieuws is, wetenschappers kunnen het. Het slechte nieuws is, het proces gaat langzamer dan die wetenschappers zouden willen. Een deel van de uitdaging ligt op het gebied van data-acquisitie. Om de fasegegevens van coherente diffractiebeeldvormingsexperimenten te reconstrueren, de huidige algoritmen vereisen dat wetenschappers veel meer amplitudegegevens uit hun steekproef verzamelen, wat langer duurt. Maar de daadwerkelijke reconstructie van die gegevens kost ook wat tijd.

Dit is waar PtychoNN om de hoek komt kijken. Met behulp van AI-technieken, het team van onderzoekers heeft aangetoond dat computers kunnen worden geleerd om beelden uit röntgengegevens te voorspellen en te reconstrueren, en kan het 300 keer sneller dan de traditionele methode. Meer dan dat, Hoewel, PtychoNN kan het proces aan beide kanten versnellen.

"Wat we voorstellen, vereist niet de overlappende informatie die traditionele algoritmen nodig hebben, " zei Tao Zhou, een postdoc bij Argonne's X-ray Science Division (XSD) en een co-auteur op het papier. "De AI kan worden getraind om het beeld van punt tot punt te voorspellen."

Hoger onderwijs

In plaats van gesimuleerde beelden te gebruiken om het neurale netwerk te trainen, het team gebruikte echte röntgengegevens die zijn genomen bij bundellijn 26-ID bij de APS, geëxploiteerd door CNM. Aangezien die bundellijn wordt gebruikt voor nanowetenschap, de optica focust de röntgenstraal tot een zeer klein formaat. Voor dit experiment is het team heeft een object in beeld gebracht - in dit geval een stuk wolfraam geëtst met willekeurige kenmerken - en dat systeem met minder informatie presenteerde dan normaal nodig zou zijn om een ​​volledig beeld te reconstrueren.

"Er zijn twee belangrijke afhaalrestaurants, "Zei Cherukara. "Als data-acquisitie hetzelfde is als de methode van vandaag, PtychoNN is 300 keer sneller. Maar het kan ook de hoeveelheid gegevens die moet worden verzameld om afbeeldingen te produceren, verminderen."

Cherukara merkte op dat een reconstructie die wordt uitgevoerd met minder informatie natuurlijk leidt tot een beeld van slechtere kwaliteit, maar je krijgt nog steeds een beeld, waar traditionele algoritmische methoden er geen zouden kunnen produceren. Hij zei dat wetenschappers soms te maken krijgen met tijdsdruk waardoor een volledige dataset niet kan worden vastgelegd. of beschadigde monsters waarin de volledige dataset niet mogelijk is, en PtychoNN kan zelfs in die omstandigheden bruikbare afbeeldingen genereren.

Al deze efficiëntie, het team zei, is een goed voorteken voor PtychoNN als een nieuwe weg vooruit na de APS-upgrade. Met deze aanpak kunnen gegevensanalyse en beeldherstel de toename van gegevens bijhouden. De volgende stap is om verder te gaan dan proof-of-concept, genereer volledige 3D- en tijdsopgeloste afbeeldingen, en PtychoNN opnemen in de APS-workflow.

"Wat nu volgt, is laten zien dat het op meer datasets werkt en het implementeren voor dagelijks gebruik, " zei Ross Harder, fysicus en hoofdontwikkelaar van coherente diffractiebeeldvormingsinstrumentatie met XSD, en een co-auteur op het papier.

Dat doen, Cherukara zei, zou zelfs kunnen resulteren in een zichzelf verbeterend systeem dat constant leert van elk diffractie-experiment bij het APS. Hij stelt zich een programma voor dat stil op de achtergrond draait, efficiënter worden met elke dataset die wordt waargenomen.

voor Holt, een innovatie als PtychoNN is een natuurlijk gevolg van de manier waarop Argonne middelen combineert om problemen op te lossen.

"We hebben geweldige computerbronnen bij Argonne, en een van de beste lichtbronnen ter wereld, en een centrum dat zich richt op nanotechnologie, "zei hij. "Dat is de echte kracht van Argonne, dat deze zich allemaal in hetzelfde lab bevinden."