Ett team av forskare från Argonne använder artificiell intelligens för att avkoda röntgenbilder snabbare, som kan hjälpa innovationer inom medicin, material och energi.

Det låter som ett meddelande från en avlägsen framtid:ett datorsystem som inte bara kan rekonstruera bilder från mängder av röntgendata med hundratals gånger snabbare än nuvarande metoder, men kan lära av erfarenheter och utforma bättre och effektivare sätt att beräkna dessa rekonstruktioner. Men med nästa generation av röntgenljuskällor vid horisonten – och med dem, en massiv ökning av mängden data som de kommer att generera – forskare har en anledning att sträva efter den framtiden, och snabbt.

I en nyligen publicerad tidning i Bokstäver i tillämpad fysik , ett team av datavetare från två US Department of Energy (DOE) Office of Science User Facilities vid DOE:s Argonne National Laboratory – Advanced Photon Source (APS) och Center for Nanoscale Materials (CNM) – har demonstrerat användningen av artificiell intelligens ( AI) för att påskynda processen att rekonstruera bilder från koherent röntgenspridningsdata.

Traditionella röntgentekniker (som medicinska röntgenbilder) är begränsade i mängden detaljer de kan ge. Detta har lett till utvecklingen av koherenta röntgenavbildningsmetoder som kan ge bilder från djupt inuti material med en upplösning på några nanometer eller mindre. Dessa tekniker genererar röntgenbilder utan behov av linser, genom att diffraktera eller sprida strålen bort från prover och direkt på detektorer.

Data som fångas av dessa detektorer har all information som behövs för att rekonstruera högfientliga bilder, och beräkningsforskare kan göra detta med avancerade algoritmer. Dessa bilder kan sedan hjälpa forskare att designa bättre batterier, bygga mer hållbara material och utveckla bättre mediciner och behandlingar för sjukdomar.

Processen att använda datorer för att sammanställa bilder från sammanhängande spridda röntgendata kallas ptykografi, och teamet använde ett neuralt nätverk som lär sig hur man drar dessa data till en sammanhängande form. Därav namnet på deras innovation:PtychoNN.

"Uppkomsten av detta går tillbaka några år, " sa Mathew Cherukara, den första författaren på tidningen och en beräkningsforskare som har arbetat på både APS och CNM.

APS är planerad att genomgå en massiv uppgradering under de kommande åren, vilket kommer att öka ljusstyrkan på dess röntgenstrålar med upp till 500 gånger. En liknande ökning av data förväntas, och de nuvarande beräkningsmetoderna för att rekonstruera bilder kämpar redan för att hålla jämna steg.

"Vi var oroliga att efter uppgraderingen, datahastigheterna kommer att vara för stora för att traditionella metoder för bildanalys ska fungera, ", sa Cherukara. "Artificiell intelligens metoder kan hänga med, och producera bilder hundratals gånger snabbare än den traditionella metoden."

PtychoNN löser också ett av de största problemen för datavetare som arbetar med röntgenspridningsexperiment:problemet med fas.

Utmaning accepterad

Föreställ dig en simbassäng i olympisk storlek, full av simmare. Föreställ dig nu att titta upp på reflektionen av ljuset från vattnet i taket i byggnaden, precis ovanför poolen. Om någon bad dig ta reda på, bara från dessa ljusflimmer i taket, där simmare är i poolen, kunde du göra det?

Den där, enligt Martin Holt, är hur det är att rekonstruera en bild från koherent röntgenspridningsdata. Holt är en tillfällig gruppledare vid CNM och en av författarna till PtychoNN-tidningen. Hans jobb är att använda sofistikerade datorsystem för att bygga bilder av spridda fotondata – eller, väsentligen, att titta på vattnets reflektion i taket och göra en bild av simmarna.

När en röntgenstråle träffar ett prov, ljuset diffrakteras och sprids, och detektorerna runt provet samlar in det ljuset. Det är sedan upp till Holt och forskare som honom att omvandla den data till information som forskare kan använda. Utmaningen, dock, är att medan fotonerna i röntgenstrålen bär två delar av information - amplituden, eller ljusstyrkan på strålen, och fasen, eller hur mycket strålen förändras när den passerar genom provet – detektorerna fångar bara en.

"Eftersom detektorerna bara kan detektera amplitud och de inte kan detektera fasen, all information går förlorad, " Holt sa "Så vi måste rekonstruera det."

De goda nyheterna är, forskare kan göra det. De dåliga nyheterna är, processen är långsammare än vad forskarna skulle önska. En del av utmaningen ligger i datainsamlingen. För att rekonstruera fasdata från koherenta diffraktionsavbildningsexperiment, de nuvarande algoritmerna kräver att forskare samlar in mycket mer amplituddata från sitt prov, vilket tar längre tid. Men själva rekonstruktionen från den datan tar också lite tid.

Det är här PtychoNN kommer in. Genom att använda AI-tekniker, forskarlaget har visat att datorer kan läras att förutsäga och rekonstruera bilder från röntgendata, och kan göra det 300 gånger snabbare än den traditionella metoden. Mer än det, fastän, PtychoNN kan påskynda processen i båda ändar.

"Det vi föreslår kräver inte den överlappande information som traditionella algoritmer behöver, sa Tao Zhou, en postdoc med Argonnes X-ray Science Division (XSD) och en medförfattare på tidningen. "AI:n kan tränas för att förutsäga bilden från punkt till punkt."

Högre lärande

Istället för att använda simulerade bilder för att träna det neurala nätverket, teamet använde riktiga röntgendata tagna vid strållinje 26-ID vid APS, drivs av CNM. Eftersom den strållinjen används för nanovetenskap, dess optik fokuserar röntgenstrålen till en mycket liten storlek. För detta experiment, teamet avbildade ett objekt – i det här fallet, en bit volfram etsad med slumpmässiga egenskaper – och presenterade det systemet med mindre information än vad som normalt skulle behövas för att rekonstruera en fullständig bild.

"Det finns två viktiga takeaways, ", sa Cherukara. "Om datainsamling är samma som dagens metod, PtychoNN är 300 gånger snabbare. Men det kan också minska mängden data som behöver samlas in för att producera bilder."

Cherukara noterade att en rekonstruktion utförd med mindre information naturligt leder till en bild av sämre kvalitet, men du kommer fortfarande att få en bild, där traditionella algoritmiska metoder inte skulle kunna producera en sådan. Han sa att forskare ibland stöter på tidsbegränsningar som inte tillåter en fullständig datamängd att fångas, eller skadade prover där hela datamängden inte är möjlig, och PtychoNN kan generera användbara bilder även under dessa omständigheter.

All denna effektivitet, laget sa, bådar gott för PtychoNN som en ny väg framåt efter APS-uppgraderingen. Detta tillvägagångssätt kommer att tillåta dataanalys och bildåterställning för att hålla jämna steg med ökningen av data. Nästa steg är att gå bortom proof-of-concept, generera fullständiga 3D- och tidsupplösta bilder, och införliva PtychoNN i APS-arbetsflödet.

"Vad som kommer är att visa att det fungerar på fler datamängder och implementerar det för dagligt bruk, sa Ross Harder, fysiker och ledande utvecklare av koherent diffraktionsavbildningsinstrumentering med XSD, och en medförfattare på tidningen.

Gör det, Cherukara sa, kan till och med resultera i ett självförbättrande system som ständigt lär sig av varje diffraktionsexperiment vid APS. Han föreställer sig ett program som körs tyst i bakgrunden, blir mer effektiv med varje datauppsättning den observerar.

För Holt, en innovation som PtychoNN är en naturlig följd av hur Argonne kombinerar resurser för att lösa problem.

"Vi har fantastiska datorresurser på Argonne, och en av de bästa ljuskällorna i världen, och ett centrum som fokuserar på nanoteknik, " sa han. "Det är Argonnes verkliga styrka, att alla dessa är på samma labb."