Une équipe de scientifiques d'Argonne utilise l'intelligence artificielle pour décoder plus rapidement les images radiographiques, qui pourraient aider les innovations en médecine, matériaux et énergie.

Cela ressemble à une dépêche venue d'un avenir lointain :un système informatique qui peut non seulement reconstruire des images à partir de rames de données radiographiques à des centaines de fois la vitesse des méthodes actuelles, mais peut apprendre de l'expérience et concevoir des moyens meilleurs et plus efficaces de calculer ces reconstructions. Mais avec la prochaine génération de sources lumineuses à rayons X à l'horizon, et avec elles, une augmentation massive de la quantité de données qu'ils généreront - les scientifiques ont une raison de poursuivre cet avenir, et rapidement.

Dans un article récent publié dans Lettres de physique appliquée , une équipe d'informaticiens de deux installations d'utilisateurs du bureau des sciences du département américain de l'énergie (DOE) du laboratoire national d'Argonne du DOE - la source de photons avancée (APS) et le centre pour les matériaux à l'échelle nanométrique (CNM) - ont démontré l'utilisation de l'intelligence artificielle ( AI) pour accélérer le processus de reconstruction d'images à partir de données cohérentes de diffusion des rayons X.

Les techniques d'imagerie radiographiques traditionnelles (comme les images radiographiques médicales) sont limitées dans la quantité de détails qu'elles peuvent fournir. Cela a conduit au développement de méthodes d'imagerie par rayons X cohérentes capables de fournir des images des profondeurs des matériaux à une résolution de quelques nanomètres ou moins. Ces techniques génèrent des images radiographiques sans avoir besoin de lentilles, en diffractant ou en diffusant le faisceau hors des échantillons et directement sur les détecteurs.

Les données capturées par ces détecteurs ont toutes les informations nécessaires pour reconstruire des images haute fidélité, et les informaticiens peuvent le faire avec des algorithmes avancés. Ces images peuvent ensuite aider les scientifiques à concevoir de meilleures batteries, construire des matériaux plus durables et développer de meilleurs médicaments et traitements pour les maladies.

Le processus d'utilisation d'ordinateurs pour assembler des images à partir de données de rayons X dispersées cohérentes est appelé ptychographie, et l'équipe a utilisé un réseau de neurones qui apprend à extraire ces données sous une forme cohérente. D'où le nom de leur innovation :PtychoNN.

« La genèse de cela remonte à quelques années, " dit Mathew Cherukara, le premier auteur de l'article et un informaticien qui a travaillé à la fois à l'APS et au CNM.

L'APS devrait subir une mise à niveau massive dans les années à venir, qui augmentera la luminosité de ses faisceaux de rayons X jusqu'à 500 fois. Une augmentation similaire des données est attendue, et les méthodes informatiques actuelles de reconstruction d'images peinent déjà à suivre le rythme.

« Nous craignions qu'après la mise à niveau, les débits de données seront trop élevés pour que les méthodes traditionnelles d'analyse d'imagerie fonctionnent, " Cherukara a déclaré. "Les méthodes d'intelligence artificielle peuvent suivre, et produire des images des centaines de fois plus rapidement que la méthode traditionnelle."

PtychoNN résout également l'un des plus gros problèmes auxquels sont confrontés les informaticiens travaillant sur des expériences de diffusion des rayons X :le problème de la phase.

Défi accepté

Imaginez une piscine olympique, plein de nageurs. Imaginez maintenant que vous regardez le reflet de la lumière de l'eau sur le plafond du bâtiment, juste au dessus de la piscine. Si quelqu'un vous a demandé de comprendre, juste de ces scintillements de lumière au plafond, où sont les nageurs dans la piscine, pourriez-vous le faire?

Cette, selon Martin Holt, C'est à quoi ressemble la reconstruction d'une image à partir de données cohérentes de diffusion des rayons X. Holt est un chef de groupe par intérim au CNM et l'un des auteurs de l'article PtychoNN. Son travail consiste à utiliser des systèmes informatiques sophistiqués pour créer des images à partir de données photoniques dispersées - ou, essentiellement, regarder le reflet de l'eau au plafond et faire une image des nageurs.

Lorsqu'un faisceau de rayons X frappe un échantillon, la lumière est diffractée et se disperse, et les détecteurs autour de l'échantillon recueillent cette lumière. Il appartient ensuite à Holt et aux scientifiques comme lui de transformer ces données en informations que les scientifiques peuvent utiliser. Le défi, cependant, est que tandis que les photons dans le faisceau de rayons X portent deux éléments d'information - l'amplitude, ou la luminosité du faisceau, et la phase, ou à quel point le faisceau change lorsqu'il traverse l'échantillon - les détecteurs n'en capturent qu'un.

"Parce que les détecteurs ne peuvent détecter que l'amplitude et qu'ils ne peuvent pas détecter la phase, toutes ces informations sont perdues, " Holt a dit "Nous devons donc le reconstruire."

La bonne nouvelle, c'est les scientifiques peuvent le faire. La mauvaise nouvelle, c'est le processus est plus lent que ne le souhaiteraient ces scientifiques. Une partie du défi se situe du côté de l'acquisition de données. Afin de reconstruire les données de phase à partir d'expériences d'imagerie par diffraction cohérente, les algorithmes actuels obligent les scientifiques à collecter beaucoup plus de données d'amplitude à partir de leur échantillon, ce qui prend plus de temps. Mais la reconstruction réelle à partir de ces données prend également un certain temps.

C'est là qu'intervient PtychoNN. En utilisant des techniques d'IA, l'équipe de chercheurs a démontré que l'on peut apprendre aux ordinateurs à prédire et à reconstruire des images à partir de données radiographiques, et peut le faire 300 fois plus vite que la méthode traditionnelle. Plus que ça, bien que, PtychoNN est capable d'accélérer le processus des deux côtés.

"Ce que nous proposons ne nécessite pas le chevauchement des informations dont les algorithmes traditionnels ont besoin, " dit Tao Zhou, un post-doctorat avec la Division des sciences des rayons X (XSD) d'Argonne et un co-auteur de l'article. "L'IA peut être entraînée à prédire l'image point par point."

Enseignement supérieur

Plutôt que d'utiliser des images simulées pour entraîner le réseau de neurones, l'équipe a utilisé de vraies données radiographiques prises sur la ligne de lumière 26-ID de l'APS, exploité par CNM. Étant donné que cette ligne de lumière est utilisée pour les nanosciences, son optique focalise le faisceau de rayons X jusqu'à une très petite taille. Pour cette expérience, l'équipe a imagé un objet - dans ce cas, un morceau de tungstène gravé avec des caractéristiques aléatoires et a présenté ce système avec moins d'informations qu'il n'en faudrait normalement pour reconstruire une image complète.

"Il y a deux points clés à retenir, " Cherukara a dit. " Si l'acquisition de données est la même que la méthode d'aujourd'hui, PtychoNN est 300 fois plus rapide. Mais cela peut également réduire la quantité de données à acquérir pour produire des images. »

Cherukara a noté qu'une reconstruction effectuée avec moins d'informations conduit naturellement à une image de moins bonne qualité, mais vous obtiendrez toujours une image, où les méthodes algorithmiques traditionnelles ne seraient pas en mesure d'en produire un. Il a déclaré que les scientifiques se heurtent parfois à des contraintes de temps qui ne permettent pas de capturer un ensemble complet de données, ou des échantillons endommagés dans lesquels l'ensemble de données complet n'est pas possible, et PtychoNN peut générer des images utilisables même dans ces circonstances.

Toute cette efficacité, l'équipe a dit, de bon augure pour PtychoNN en tant que nouvelle voie à suivre après la mise à niveau APS. Cette approche permettra à l'analyse des données et à la récupération d'images de suivre l'augmentation des données. La prochaine étape consiste à aller au-delà de la preuve de concept, générer des images 3D complètes et résolues en temps, et incorporer PtychoNN dans le flux de travail APS.

"La prochaine étape est de montrer qu'il fonctionne sur plus d'ensembles de données et de le mettre en œuvre pour un usage quotidien, " a déclaré Ross Harder, physicien et développeur principal d'instruments d'imagerie par diffraction cohérente avec XSD, et un co-auteur sur le papier.

Faisant cela, Cherukara a dit, pourrait même aboutir à un système d'auto-amélioration qui apprend constamment de chaque expérience de diffraction à l'APS. Il imagine un programme exécuté silencieusement en arrière-plan, devenir plus efficace avec chaque ensemble de données qu'il observe.

Pour Holt, une innovation comme PtychoNN est une excroissance naturelle de la façon dont Argonne combine les ressources pour résoudre les problèmes.

"Nous avons de grandes ressources de calcul à Argonne, et l'une des meilleures sources lumineuses au monde, et un centre axé sur les nanotechnologies, " dit-il. " C'est la vraie force de l'Argonne, que tout cela se trouve dans le même laboratoire. »