Geavanceerde synchrotrontomografie is een cruciaal onderzoeksinstrument waarmee wetenschappers de ingewikkelde structuren van objecten in extreem hoge resolutie kunnen onderzoeken. Omdat deze techniek onderzoekers in staat stelt om de dynamiek in realtime vast te leggen, kan het voortdurende veranderingen in levende organismen (cellulaire bewegingen en vloeistofdynamica) vastleggen voor medisch onderzoek, en in materialen, zoals het observeren van dendrietvorming in batterijen om de oorzaken van capaciteitsvermindering te begrijpen en uiteindelijk falen.

De sleutel tot dit gedetailleerde beeld is dat tomografie niet alleen afhankelijk is van een enkel röntgenbeeld; in plaats daarvan worden meerdere afbeeldingen vanuit verschillende hoeken gemaakt. Deze beelden worden vervolgens in een computer ingevoerd, waar wiskundige algoritmen ze combineren om een ​​driedimensionale (3D) digitale weergave te produceren die een ongelooflijk gedetailleerd beeld geeft van de interne structuur van het object.

In veel gevallen is het aantal beelden dat kan worden verzameld echter zeer beperkt. Het kan bijvoorbeeld een uitdaging zijn om voldoende afbeeldingen te verzamelen van een snel evoluerend monster voordat het van vorm verandert.

Het reconstrueren van de structuur op basis van dergelijke beperkte gegevens is alleen mogelijk als aanvullende bekende eigenschappen van het monster worden meegenomen in de gegevensanalyse. Helaas is het modelleren van deze voorbeeldeigenschappen vaak erg rekenintensief en kan er uitgebreide rekenkracht voor nodig zijn die mogelijk niet direct beschikbaar is voor onderzoekers.

Om deze uitdaging aan te pakken heeft een team van het Lawrence Berkeley National Laboratory (Berkeley Lab's) Center for Advanced Mathematics for Energy Research Applications (CAMERA), bestaande uit projectwetenschapper Dinesh Kumar en stafwetenschapper Jeffrey Donatelli van de Applied Math and Computational Research Division (AMCR) ) en stafwetenschapper Dula Parkinson van de Advanced Light Source-faciliteit hebben onlangs een nieuw reconstructie-algoritme ontwikkeld, TomoCAM, dat gebruik maakt van geavanceerde wiskundige technieken en GPU-gebaseerd computergebruik.

Een artikel over TomoCAM werd gepubliceerd in het Journal of Synchrotron Radiation , waar werd aangetoond dat het een nieuw wereldrecord vestigde door de snelheid van bestaande, ultramoderne iteratieve tomografische reconstructie-algoritmen te overtreffen.

Volgens Kumar, de hoofdauteur van het artikel, gebruiken experimentatoren doorgaans directe benaderingsmethoden, zoals gefilterde projecties (FPB), om hun tomografische reconstructies uit te voeren. Deze directe benaderingsmethoden leiden echter vaak tot reconstructies van lage kwaliteit in veel experimenten waarbij monsters evolueren, gevoelig zijn voor stralingsschade of de experimentele geometrie het verkrijgen van voldoende beelden beperkt.

Als alternatief kunnen Model-Based Iterative Reconstruction (MBIR) -methoden reconstructies van veel hogere kwaliteit verkrijgen uit beperkte en luidruchtige gegevens. MBIR combineert een wiskundig model van het tomografische proces met onderbouwde aannames over het monster om een ​​iteratief proces op te zetten.

Beginnend met een eerste schatting, wordt een gesimuleerd model van het monster geleidelijk verbeterd om ervoor te zorgen dat het tegelijkertijd overeenkomt met de röntgenmetingen die tijdens het experiment zijn verzameld en aan de aannames van het monster voldoet. De acceptatie van MBIR is echter beperkt vanwege de aanzienlijke rekenkracht die vereist is voor conventionele implementaties.

TomoCAM overwint deze beperkingen op de rekenkosten door de fundamentele operatoren in MBIR te herformuleren in termen van de Fourier-coëfficiënten van de sample, die de fundamentele frequenties van de dichtheid van de sample beschrijven, vergelijkbaar met de individuele noten waaruit een muziekstuk bestaat.

Deze Fourier-coëfficiënten kunnen zeer efficiënt worden berekend met behulp van het niet-uniforme Fast Fourier Transform (NUFFT)-algoritme, waardoor de MBIR-operatoren in TomoCAM aanzienlijk sneller kunnen worden berekend dan traditionele methoden. Bovendien maakt TomoCAM gebruik van geavanceerde GPU-versnellingsstrategieën die de datastreaming naar GPU-geheugen optimaliseren.

Dankzij deze innovaties kan TomoCAM MBIR uitvoeren in een fractie van de tijd vergeleken met traditionele MBIR-codes, terwijl er slechts bescheiden en algemeen beschikbare computerbronnen voor nodig zijn. Bovendien heeft TomoCAM een Python front-end, die toegang biedt vanuit op Jupyter gebaseerde frameworks, waardoor eenvoudige integratie in bestaande workflows bij synchrotronfaciliteiten mogelijk is.

"Het kan echt een verschil maken voor wetenschappers om deze hoogwaardige resultaten van MBIR zo snel te zien", zegt Dula Parkinson, hoofdwetenschapper voor microtomografie bij ALS.

"TomoCAM stelt mensen in staat resultaten van MBIR te zien, omdat ze veel gemakkelijker gegevens verzamelen. Hierdoor kunnen ze ervoor zorgen dat de combinatie van experimentele en analyseparameters correct is, in plaats van op het beste te hopen en later problemen te ontdekken. En het stelt hen in staat om te zien de fijne details die hun beslissingen over hun experimentele plan duidelijker kunnen sturen."

"Het mooie van toegepaste wiskunde is dat het vaak kan leiden tot aanzienlijke prestatieverbeteringen die niet mogelijk zijn met alleen high-performance computing", zegt Jeffrey Donatelli, hoofd van de Mathematics for Experimental Data Analysis Group en adjunct-directeur van CAMERA. "Door gebruik te maken van de wiskundige structuur van het probleem kan TomoCAM het tomografische inversieproces aanzienlijk versnellen."

TomoCAM is beschikbaar voor alle onderzoekers onder een open-sourcelicentie. Kumar zei dat het steeds vaker wordt gebruikt bij de ALS, en dat de National Synchrotron Light Source II van het Brookhaven National Laboratory eraan werkt om TomoCAM in hun workflowsysteem op te nemen.

Dit biedt de materiaalwetenschappelijke gemeenschap de middelen om de reikwijdte van tomografische metingen uit te breiden naar steeds meer in situ en in operandometingen, waarbij monsters vaak snel evolueren en complexe geometrieën hebben - een voorbeeld is het onderzoek naar de breuken en achteruitgang van keramische matrixcomposieten , dit zijn nieuwe lichtgewicht materialen die worden gebruikt in straalmotoren die onder hoge temperaturen en druk werken.

TomoCAM is een voortdurend evoluerend product. "We onderzoeken nieuwe manieren om de tomografische reconstructiepijplijn verder te versnellen en te automatiseren door aanvullende wiskundige structuren van het probleem te benutten en nieuwe hybride methoden te onderzoeken die gebruik maken van machine learning-modellen", aldus Kumar.

"Het uiteindelijke doel is om de toegangsbarrière te verlagen, de convergentie te versnellen en het gebruik van MBIR te vereenvoudigen, waardoor materiaalwetenschappers zich kunnen concentreren op het uitvoeren van complexe experimenten zonder zich zorgen te hoeven maken over het reconstructieproces."

Meer informatie: Dinesh Kumar et al, tomoCAM:snelle modelgebaseerde iteratieve reconstructie via GPU-versnelling en niet-uniforme snelle Fourier-transformaties, Journal of Synchrotron Radiation (2023). DOI:10.1107/S1600577523008962

Geleverd door Lawrence Berkeley National Laboratory