La reconstruction tomographique du volume intérieur d'un objet à partir de vues angulaires limitées est un problème difficile avec des applications pratiques en imagerie biologique, analyse des pannes de circuits intégrés, etc. Une équipe du MIT présente une approche d'apprentissage automatique dynamique pour ce problème important et montre les performances de la méthode dans deux problèmes :la tomographie dans des conditions de diffusion faible et forte. La large applicabilité de cette technique tient ses promesses pour un certain nombre d'autres problèmes inverses difficiles.

Une large gamme d'objets, des cellules biologiques aux circuits intégrés, sont tomographiquement imagés pour identifier leurs structures intérieures. La reconstruction volumétrique de l'intérieur des objets a des implications pratiques, par exemple, imagerie de phase quantitative des cellules et analyse des défaillances des circuits pour valider leurs conceptions. Limiter la plage angulaire tomographique est souvent souhaitable pour réduire le temps d'exposition aux rayonnements et éviter tout effet dévastateur sur les échantillons, voire inévitable en raison de la structure des objets comme dans le cas de la tomosynthèse pour la mammographie. Cependant, la reconstruction tomographique à partir de vues angulaires limitées n'est pas toujours la bienvenue au sens algorithmique, car il introduit inévitablement des artefacts et des ambiguïtés dans les reconstructions et ainsi, diminue la fidélité globale de la reconstruction.

Dans un nouvel article publié dans Lumière :science et applications , une équipe du Massachusetts Institute of Technology, dirigé par le professeur George Barbastathis au Département de génie mécanique, a développé une approche d'apprentissage automatique dynamique pour s'attaquer à ce problème important, qui prend un chemin radicalement différent de la plupart des algorithmes inverses conventionnels. Ils démontrent les performances de la nouvelle méthode dans deux problèmes, tomographie à angle limité dans des conditions de diffusion faible et forte.

Selon le degré de diffusion dû aux objets, la complexité du problème est déterminée. C'est souvent le cas que les rayons X durs sont utilisés pour imager la plupart des matériaux, y compris les tissus biologiques que les rayons peuvent être bien approximés sous forme de lignes droites sans grande déviation car les matériaux diffusent faiblement la lumière. Le prochain niveau de complexité survient lorsque la lumière est plus fortement dispersée avec des objets aux structures complexes. L'équipe du MIT affirme que leur approche exploite "l'apprentissage automatique pour une reconstruction générique de l'indice de réfraction 3D indépendamment du type de diffusion".

« Notre motivation est que, lorsque l'angle d'éclairage est modifié, la lumière traverse le même volume de diffusion, mais les événements de dispersion, faible ou fort, suivre une séquence différente. À la fois, l'image brute obtenue sous un nouvel angle d'éclairement ajoute des informations au problème tomographique, mais cette information est contrainte par les modèles précédemment obtenus. Nous interprétons cela comme similaire à un système dynamique, où la sortie est contrainte par l'historique des entrées précédentes au fur et à mesure que le temps évolue et que de nouvelles entrées arrivent, " ont-ils ajouté.

L'architecture de réseau de neurones récurrents (RNN) a été leur choix pour mettre en œuvre leur idée de considérer le problème de la tomographie à angle limité comme un système dynamique, car les RNN sont souvent utilisés pour traiter des données dynamiques. Ici, l'équipe du MIT considère également leurs images brutes comme une séquence car les images sont obtenues les unes après les autres. Ils notent que "notre architecture RNN traite les images brutes de manière récurrente afin que chaque image brute sous un nouvel angle s'améliore par rapport aux reconstructions obtenues sous les angles précédents".

« La performance de la nouvelle méthode dans les deux problèmes que nous avons abordés, tomographie sous diffusion faible (Radon) et forte, indique sa promesse pour un certain nombre d'autres problèmes inverses tout aussi ou plus difficiles. Ainsi, nous prévoyons que cette publication aura un impact significatif au-delà du contexte immédiat que nous abordons ici, " ont-ils noté.