Tomografische reconstructie van het inwendige volume van een object vanuit beperkte hoekweergaven is een uitdagend probleem met praktische toepassingen in biologische beeldvorming, storingsanalyse van geïntegreerde schakelingen, enz. Een team van MIT presenteert een dynamische machine learning-aanpak voor dit belangrijke probleem en toont de prestaties van de methode in twee problemen:tomografie onder zwakke en sterke verstrooiingsomstandigheden. De brede toepasbaarheid van deze techniek houdt zijn belofte in voor een aantal andere uitdagende inverse problemen.

Een breed scala aan objecten, van biologische cellen tot geïntegreerde schakelingen, worden tomografisch afgebeeld om hun interne structuren te identificeren. Volumetrische reconstructie van het interieur van de objecten heeft praktische implicaties, bijvoorbeeld, kwantitatieve fasebeeldvorming van de cellen en storingsanalyse van de circuits om hun ontwerpen te valideren. Het beperken van het tomografische hoekbereik is vaak wenselijk om de tijd van blootstelling aan straling te verminderen en verwoestende effecten op de monsters te voorkomen, of zelfs onvermijdelijk vanwege de structuur van objecten zoals in het geval van tomosynthese voor mammografie. Echter, tomografische reconstructie vanuit beperkte hoekweergaven is niet altijd welkom in algoritmische zin, omdat het onvermijdelijk artefacten en dubbelzinnigheden in de reconstructies introduceert en dus, vermindert de algehele betrouwbaarheid van de reconstructie.

In een nieuw artikel gepubliceerd in Licht:wetenschap en toepassingen , een team van het Massachusetts Institute of Technology, onder leiding van professor George Barbastathis van de afdeling Werktuigbouwkunde, heeft een dynamische machine learning-aanpak ontwikkeld om dit belangrijke probleem aan te pakken, die een radicaal ander pad volgt dan de meeste conventionele inverse algoritmen. Ze demonstreren de prestaties van de nieuwe methode in twee problemen, beperkte-hoektomografie onder zwakke en sterke verstrooiingsomstandigheden.

Afhankelijk van de mate van verstrooiing door de objecten, de complexiteit van het probleem wordt bepaald. Het is vaak zo dat harde röntgenstralen worden gebruikt om de meeste materialen af ​​te beelden, inclusief biologische weefsels dat de stralen goed als rechte lijnen kunnen worden benaderd zonder een grote afwijking omdat de materialen het licht zwak verstrooien. Het volgende niveau van complexiteit ontstaat wanneer het licht sterker wordt verstrooid met objecten met complexe structuren. Het MIT-team zegt dat hun aanpak gebruikmaakt van "machine learning voor een generieke 3D-brekingsindexreconstructie, onafhankelijk van het type verstrooiing."

“Onze motivatie is dat als de belichtingshoek verandert, het licht gaat door hetzelfde verstrooiingsvolume, maar de verstrooiingsgebeurtenissen, zwak of sterk, een andere volgorde volgen. Tegelijkertijd, het onbewerkte beeld verkregen vanuit een nieuwe belichtingshoek voegt informatie toe aan het tomografische probleem, maar die informatie wordt beperkt door de eerder verkregen patronen. We interpreteren dit als vergelijkbaar met een dynamisch systeem, waar de output wordt beperkt door de geschiedenis van eerdere inputs naarmate de tijd vordert en nieuwe inputs binnenkomen, " voegden ze eraan toe.

De architectuur van het terugkerende neurale netwerk (RNN) was hun keuze om hun idee te implementeren en het probleem van tomografie met beperkte hoek als een dynamisch systeem te beschouwen, aangezien de RNN's vaak worden gebruikt om gegevens met dynamiek te verwerken. Hier, het MIT-team beschouwt hun onbewerkte afbeeldingen ook als een reeks, omdat de afbeeldingen na elkaar worden verkregen. Ze merken op dat "onze RNN-architectuur de onbewerkte afbeeldingen herhaaldelijk verwerkt, zodat elke onbewerkte afbeelding vanuit een nieuwe hoek verbetert ten opzichte van de reconstructies die zijn verkregen vanuit de vorige hoeken."

"De prestaties van de nieuwe methode in de twee problemen die we hebben aangepakt, tomografie onder zwakke (Radon) en sterke verstrooiing, geeft zijn belofte aan voor een aantal andere even of meer uitdagende inverse problemen. Dus, we verwachten dat deze publicatie een aanzienlijke impact zal hebben buiten de directe context die we hier behandelen, " merkten ze op.