La reconstrucción tomográfica del volumen interior de un objeto a partir de vistas angulares limitadas es un problema desafiante con aplicaciones prácticas en imágenes biológicas. análisis de fallas de circuitos integrados, etc. Un equipo del MIT presenta un enfoque de aprendizaje automático dinámico para este importante problema y muestra el rendimiento del método en dos problemas:tomografía en condiciones de dispersión débil y fuerte. La amplia aplicabilidad de esta técnica es prometedora para una serie de otros problemas inversos desafiantes.

Una amplia gama de objetos, desde células biológicas hasta circuitos integrados, se toman imágenes tomográficas para identificar sus estructuras interiores. La reconstrucción volumétrica de los interiores de los objetos tiene implicaciones prácticas, por ejemplo, Imágenes de fase cuantitativa de las células y análisis de fallos de los circuitos para validar sus diseños. A menudo es deseable limitar el rango angular tomográfico para reducir el tiempo de exposición a la radiación y evitar efectos devastadores sobre las muestras. o incluso inevitable por la estructura de los objetos como en el caso de la tomosíntesis para mamografía. Sin embargo, La reconstrucción tomográfica a partir de vistas angulares limitadas no siempre es bienvenida en un sentido algorítmico, ya que inevitablemente introduce artefactos y ambigüedades en las reconstrucciones y, por lo tanto, Disminuye la fidelidad general de la reconstrucción.

En un nuevo artículo publicado en Luz:ciencia y aplicaciones , un equipo del Instituto de Tecnología de Massachusetts, dirigido por el profesor George Barbastathis en el Departamento de Ingeniería Mecánica, ha desarrollado un enfoque de aprendizaje automático dinámico para abordar este importante problema, que toma un camino radicalmente diferente de la mayoría de los algoritmos inversos convencionales. Demuestran el rendimiento del nuevo método en dos problemas, Tomografía de ángulo limitado en condiciones de dispersión débil y fuerte.

Dependiendo del grado de dispersión debido a los objetos, se determina la complejidad del problema. A menudo ocurre que se emplean rayos X duros para obtener imágenes de la mayoría de los materiales, incluidos los tejidos biológicos, los rayos pueden aproximarse bien como líneas rectas sin una gran desviación porque los materiales dispersan débilmente la luz. El siguiente nivel de complejidad surge cuando la luz se dispersa más fuertemente con objetos con estructuras complejas. El equipo del MIT dice que su enfoque explota "el aprendizaje automático para una reconstrucción genérica del índice de refracción 3D independiente del tipo de dispersión".

"Nuestra motivación es que, a medida que se cambia el ángulo de iluminación, la luz pasa por el mismo volumen de dispersión, pero los eventos de dispersión, débil o fuerte, seguir una secuencia diferente. Al mismo tiempo, la imagen en bruto obtenida desde un nuevo ángulo de iluminación agrega información al problema tomográfico, pero esa información está limitada por los patrones obtenidos previamente. Interpretamos esto como similar a un sistema dinámico, donde la salida está limitada por el historial de entradas anteriores a medida que pasa el tiempo y llegan nuevas entradas, ", agregaron.

La arquitectura de red neuronal recurrente (RNN) fue su elección para implementar su idea de ver el problema de la tomografía de ángulo limitado como un sistema dinámico, ya que los RNN se utilizan a menudo para procesar datos con dinámica. Aquí, El equipo del MIT considera sus imágenes en bruto también como una secuencia, ya que las imágenes se obtienen una tras otra. Señalan que "nuestra arquitectura RNN procesa las imágenes en bruto de forma recurrente de modo que cada imagen en bruto desde un nuevo ángulo mejora las reconstrucciones obtenidas de los ángulos anteriores".

"El rendimiento del nuevo método en los dos problemas que abordamos, tomografía con dispersión débil (radón) y fuerte, indica su promesa para una serie de otros problemas inversos igualmente o más desafiantes. Por lo tanto, anticipamos que esta publicación tendrá un impacto significativo más allá del contexto inmediato que estamos abordando aquí, ", anotaron.