Redes neuronales aceleran la reconstrucción de imágenes de rayos X

Los científicos han demostrado el uso de inteligencia artificial (IA) para acelerar el proceso de reconstrucción de imágenes a partir de datos de dispersión coherente de rayos X. Las técnicas tradicionales de imágenes de rayos X (como imágenes médicas de rayos X) son limitadas en la cantidad de detalle que pueden proporcionar. Esto ha llevado al desarrollo de métodos de imágenes coherentes de rayos X que son capaces de proporcionar imágenes desde el interior de materiales a una resolución de pocos nanómetros o menos. Estas técnicas generan imágenes de rayos X sin necesidad de lentes al difractar o dispersar el haz fuera de las muestras y directamente sobre los detectores.

Los datos capturados por esos detectores tienen toda la información necesaria para reconstruir imágenes de alta fidelidad y los científicos computacionales pueden hacer esto con algoritmos avanzados. Estas imágenes pueden ayudar a los científicos a diseñar mejores baterías, construir materiales más duraderos y desarrollar mejores medicamentos y tratamientos para enfermedades.

El proceso de usar computadoras para ensamblar imágenes a partir de datos de rayos X dispersos coherentes se llama ptychography y el equipo usó una red neuronal que aprende cómo extraer esos datos en una forma coherente — de ahí el nombre de la innovación: PtychoNN.

Cuando un haz de rayos X golpea una muestra, la luz se difracta y se dispersa y los detectores alrededor de la muestra recogen esa luz. Luego depende de los científicos convertir esos datos en información que pueda usarse. El desafío, sin embargo, es que mientras los fotones en el haz de rayos X llevan dos piezas de información — la amplitud o el brillo del haz, y la fase o cuánto cambia el haz cuando pasa a través de la muestra — los detectores solo capturan uno. Como los detectores solo pueden detectar amplitud y no pueden detectar la fase, toda esa información se pierde y debe reconstruirse.

Se puede hacer pero el proceso es más lento de lo que los científicos querrían. Parte del desafío está en el extremo de adquisición de datos. Para reconstruir los datos de fase de experimentos de imágenes de difracción coherente, los algoritmos actuales requieren que los científicos recopilen muchos más datos de amplitud de su muestra, lo que toma más tiempo. Pero la reconstrucción real a partir de esos datos también toma tiempo. Aquí es donde entra PtychoNN. Usando técnicas de IA, los investigadores demostraron que las computadoras pueden enseñarse a predecir y reconstruir imágenes a partir de datos de rayos X y pueden hacerlo 300 veces más rápido que el método tradicional. Más que eso, PtychoNN es capaz de acelerar el proceso en ambos extremos.