Tomografisk rekonstruktion av ett objekts inre volym från begränsade vinkelvyer är ett utmanande problem med praktiska tillämpningar inom biologisk avbildning, felanalys av integrerade kretsar, etc. Ett team på MIT presenterar en dynamisk maskininlärningsmetod för detta viktiga problem och visar metodens prestanda i två problem—tomografi under svaga och starka spridningsförhållanden. Den breda tillämpbarheten av denna teknik håller sitt löfte för ett antal andra utmanande omvända problem.

Ett brett utbud av föremål, från biologiska celler till integrerade kretsar, avbildas tomografiskt för att identifiera deras inre strukturer. Volumetrisk rekonstruktion av föremålens inre är av praktiska implikationer, till exempel, kvantitativ fasavbildning av cellerna och felanalys av kretsarna för att validera deras design. Att begränsa det tomografiska vinkelområdet är ofta önskvärt för att minska tiden för strålningsexponering och undvika förödande effekter på proverna, eller till och med oundvikligt på grund av strukturen hos föremål som i fallet med tomosyntes för mammografi. Dock, tomografisk rekonstruktion från begränsade vinkelvyer är inte alltid välkommen i en algoritmisk mening, eftersom det oundvikligen introducerar artefakter och tvetydigheter i rekonstruktionerna och därmed, minskar den totala återuppbyggnadstroheten.

I en ny tidning publicerad i Ljus:Vetenskap och tillämpningar , ett team vid Massachusetts Institute of Technology, ledd av professor George Barbastathis vid institutionen för maskinteknik, har utvecklat en dynamisk maskininlärningsmetod för att ta itu med detta viktiga problem, som tar en radikalt annorlunda väg från de flesta konventionella inversa algoritmer. De demonstrerar den nya metodens prestanda i två problem, begränsad vinkeltomografi under svaga och starka spridningsförhållanden.

Beroende på graden av spridning på grund av föremålen, problemets komplexitet bestäms. Det är ofta så att hårda röntgenstrålar används för att avbilda de flesta material, inklusive biologiska vävnader att strålarna väl kan approximeras som raka linjer utan stor avvikelse eftersom materialen svagt sprider ljuset. Nästa nivå av komplexitet uppstår när ljuset sprids starkare med föremål med komplexa strukturer. MIT-teamet säger att deras tillvägagångssätt utnyttjar "maskininlärning för en generisk 3D-brytningsindexrekonstruktion oberoende av typen av spridning."

"Vår motivation är att när belysningsvinkeln ändras, ljuset går igenom samma spridningsvolym, men de spriddande händelserna, svag eller stark, följa en annan sekvens. På samma gång, den råa bilden som erhålls från en ny belysningsvinkel lägger till information till det tomografiska problemet, men den informationen är begränsad av de tidigare erhållna mönstren. Vi tolkar detta som att likna ett dynamiskt system, där utdata begränsas av historiken för tidigare indata när tiden utvecklas och nya indata anländer, " lade de till.

Återkommande neural nätverksarkitektur (RNN) var deras val för att implementera sin idé och se problemet med begränsad vinkeltomografi som ett dynamiskt system eftersom RNN ofta används för att bearbeta data med dynamik. Här, MIT-teamet betraktar sina råbilder också som en sekvens eftersom bilderna tas efter varandra. De noterar "vår RNN-arkitektur bearbetar de råa bilderna återkommande så att varje råbild från en ny vinkel förbättras jämfört med rekonstruktionerna som erhållits från de tidigare vinklarna."

"Den nya metodens prestanda i de två problem som vi tacklade, tomografi under svag (Radon) och stark spridning, indikerar sitt löfte för ett antal andra lika eller mer utmanande omvända problem. Således, vi förväntar oss att denna publikation kommer att ha betydande inverkan utöver det omedelbara sammanhang som vi tar upp här, " noterade de.