Engineering

Newswise — La tomografía de rayos X es una herramienta poderosa que permite a científicos e ingenieros observar el interior de objetos en 3D, incluyendo chips de computadora y materiales avanzados para baterías, sin necesidad de realizar procedimientos invasivos. Es el mismo principio básico que subyace a las tomografías computarizadas (TC) médicas. Los científicos o técnicos capturan imágenes de rayos X a medida que un objeto gira, y luego un software avanzado reconstruye matemáticamente la estructura interna tridimensional del objeto. Sin embargo, la obtención de imágenes de detalles finos a nanoescala, como las características de un microchip, requiere una resolución espacial mucho mayor que la de una TC médica típica: aproximadamente 10.000 veces superior.

La línea de haz Hard X-ray Nanoprobe (HXN) en el National Synchrotron Light Source II (NSLS-II), una instalación para usuarios de la Oficina de Ciencia del Departamento de Energía de EE. UU. en el Laboratorio Nacional Brookhaven del Departamento de Energía, es capaz de alcanzar ese tipo de resolución con rayos X que son más de mil millones de veces más brillantes que los escáneres TC tradicionales.

La tomografía solo funciona bien cuando estas imágenes de proyección se pueden tomar desde todos los ángulos. Sin embargo, en muchos casos del mundo real, esto es imposible. Por ejemplo, los científicos no pueden girar un chip de computadora plano 180 grados sin bloquear algunos de los rayos X. Cuando se encuentra paralelo a la superficie en ángulos altos, menos rayos X pueden penetrar en el chip, lo que limita los ángulos de visión de la medición. La falta de datos en este rango angular produce un “punto ciego”, lo que lleva al software de reconstrucción a producir imágenes borrosas y distorsionadas.

“Llamamos a esto el problema de la ‘cuña faltante’”, dijo Hanfei Yan, científico principal de la línea de haz HXN y autor correspondiente de este trabajo. “Durante décadas, este problema ha limitado las aplicaciones de la tomografía de rayos X y electrones en muchas áreas de la ciencia y la tecnología”.

Para resolver el problema, los investigadores de NSLS-II han desarrollado un nuevo método llamado perception fused iterative tomography reconstruction engine (PFITRE). Este enfoque novedoso combina la física de los rayos X con el poder de la inteligencia artificial (IA). El equipo entrenó una red neuronal convolucional, un tipo de modelo de IA que aprende automáticamente patrones de datos, con datos simulados. Las redes neuronales convolucionales utilizan capas convolucionales para detectar características importantes, como bordes, texturas o formas, y combinan estas características para hacer predicciones, como identificar lo que hay en una imagen. El componente de IA captura el conocimiento perceptivo de la muestra, lo que el equipo espera que parezca la solución, y lo utiliza para mejorar la imagen reconstruida basándose en ese conocimiento. Mientras tanto, el modelo basado en la física verifica que los resultados sigan teniendo sentido científicamente. Este proceso se repite varias veces hasta que los resultados de los componentes de IA y física convergen, produciendo una reconstrucción que es tanto precisa como visualmente clara. Sus resultados se publicaron recientemente en npj Computational Materials.

Mejor visión requiere un entrenamiento exhaustivo

A diferencia de la corrección de imágenes en la tecnología de consumo, como las cámaras de los teléfonos móviles, la imagen científica debe preservar la precisión, no solo la apariencia. Los científicos necesitaban idear un método para garantizar que la imagen corregida siga siendo coherente con el modelo físico y los datos. Para ello, los científicos de NSLS-II integraron la IA en un motor de resolución iterativo, una herramienta matemática que aborda problemas complejos intentando repetidamente soluciones mejoradas, paso a paso, hasta que se acerca lo suficiente a la respuesta correcta. La IA integrada actúa como un “regularizador inteligente”, una función que limita la sobrecorrección, aprovechando el modelado basado en la física para garantizar que las reconstrucciones sigan siendo fieles a las mediciones reales de los rayos X.

“No queríamos una IA que simplemente cree mejores imágenes. Queríamos una IA que trabaje de la mano con la física, para que los resultados sean tanto visualmente claros como científicamente confiables”, dijo Chonghang Zhao, investigador postdoctoral en HXN y autor principal de este trabajo. “Ese es el poder de nuestro método: combinar la sofisticación de la IA con el modelo físico para garantizar la fidelidad”.

La IA en PFITRE se basa en un tipo de red neuronal llamada arquitectura U-net, un diseño codificador-decodificador que es popular para el procesamiento general de imágenes. La etapa de codificación aprende y detecta características esenciales, como los bordes, las texturas y las formas de una imagen de entrada, y la etapa de decodificación reconstruye la imagen utilizando esas características para restaurar los detalles y corregir las distorsiones. Los investigadores mejoraron la capacidad de U-net con modificaciones estructurales llamadas bloques densos residuales y convoluciones dilatadas. Estos ayudan a la red a capturar información a múltiples escalas, desde texturas finas hasta estructuras más grandes, lo que la hace más adecuada para manejar el problema de la cuña faltante en la tomografía. Sin embargo, un modelo como este no puede aprender por sí solo. Necesita una gran cantidad de datos para entrenarse.

Los conjuntos de datos de microscopía científica reales son demasiado limitados para un entrenamiento eficaz en un modelo de IA específico como PFITRE, por lo que el equipo confió en datos sintéticos. Generaron conjuntos de datos de entrenamiento utilizando imágenes naturales, patrones simulados e imágenes de microscopía electrónica de barrido de circuitos como muestras que se estaban examinando. Para que el entrenamiento sea lo más realista posible, introdujeron un “gemelo digital” del experimento y crearon datos virtuales que imitan las condiciones del mundo real. Incluyeron intencionalmente ruido, desalineación y otras imperfecciones para que la IA pueda manejar los datos físicos.

Impactando el futuro de la imagenología

Aunque todavía hay trabajo por hacer para perfeccionar este método, los beneficios son claros. Las muestras que antes eran inaccesibles debido a su tamaño o geometría ahora pueden producir datos informativos. Un campo de visión más amplio permite analizar una mayor parte de la muestra sin ser víctima de la cuña faltante. Este método también podría ser beneficioso en experimentos donde se requieren menos mediciones, lo que permite estudios in situ más rápidos y reduce la dosis de radiación en muestras sensibles.

“Esto abre la puerta a la obtención de imágenes detalladas de muestras que no se podían estudiar antes. Ese es un gran paso adelante”, dijo Yan. “Ya sea para diagnosticar defectos en microchips o para comprender por qué se degrada una batería, PFITRE nos permite ver detalles en condiciones que antes se consideraban inviables”.

Si bien PFITRE es un avance importante, el equipo reconoce que hay margen de mejora. Actualmente, el método procesa objetos 3D por capas. Ampliarlo a un enfoque 3D completo mejoraría aún más la coherencia, pero requeriría más capacidad de cálculo. Otro desafío es incluir más artefactos, como los de píxeles defectuosos o el movimiento de la muestra, para ampliar su rango de aplicación. Como otros modelos de IA, no puede corregir problemas que no ha “visto” antes. Para abordar esto, el trabajo futuro incorporará la creación de un conjunto de datos de entrenamiento más rico que incluya muchos tipos de artefactos y el desarrollo de formas para que el modelo aprenda de manera más eficaz con menos entrenamiento.

Este nuevo y potente método de análisis de imágenes 3D tiene el potencial de acelerar los descubrimientos en muchos campos, desde el desarrollo de microchips más rápidos y eficientes hasta la síntesis de nuevos materiales e incluso aplicaciones biomédicas. A medida que el aprendizaje automático y la ciencia de sincrotrones continúan evolucionando juntos, herramientas como esta perfeccionarán la visión de los científicos del mundo microscópico para abordar algunos de los mayores desafíos científicos de la sociedad.

Brookhaven National Laboratory es apoyado por la Oficina de Ciencia del Departamento de Energía de EE. UU. La Oficina de Ciencia es el mayor patrocinador de investigación básica en las ciencias físicas en los Estados Unidos y está trabajando para abordar algunos de los desafíos más apremiantes de nuestro tiempo. Para obtener más información, visite science.energy.gov. 

Siga a @BrookhavenLab en las redes sociales. Encuéntranos en Instagram, LinkedIn, X, y Facebook.