Las imágenes RAPID brindan numerosas oportunidades con el aprendizaje profundo

3 de abril de 2023

Este artículo ha sido revisado de acuerdo con el proceso editorial y las políticas de Science X. Los editores han destacado los siguientes atributos al tiempo que garantizan la credibilidad del contenido:

comprobado

fuente confiable

corregir

por la Academia China de Ciencias

Las imágenes tridimensionales (3D) a escala nanométrica permiten obtener información importante sobre la biología y el comportamiento de los materiales, incluida la función del virus, el daño estructural y la nanoelectrónica.

Una forma es hacer esto destructivamente. Los investigadores inmovilizarían su espécimen, grabarían finamente la capa superior con un haz de partículas, tomarían imágenes de las características reveladas con un microscopio electrónico de barrido o métodos similares de alta resolución, y repetirían este proceso hasta que se haya consumido todo el volumen del espécimen. Sin embargo, en muchos casos, es preferible operar de forma no destructiva, y luego es necesaria una forma de tomografía.

En un nuevo artículo publicado en eLight, un equipo de científicos dirigido por el profesor Ziling Wu del Instituto de Tecnología de Massachusetts, desarrolló un nuevo método de reconstrucción para imágenes en 3D.

El equipo de investigación utilizó circuitos integrados (IC) como ejemplo porque presentaban algunas ventajas prácticas. Los circuitos integrados son rígidos y, por lo tanto, no requieren fijación. También son muy útiles en la verificación de procesos de fabricación, análisis de fallas y detección de falsificaciones. Por otro lado, el desafío de las imágenes 3D IC crece con el tiempo debido a la ley de Moore.

Para la obtención de imágenes IC 3D no destructivas a nanoescala, los rayos X duros son sondas ideales debido a su gran profundidad de penetración y su corta longitud de onda. Sin embargo, a diferencia de la tomografía de rayos X médica, que opera casi siempre sobre la intensidad de las proyecciones, en el caso de la nanoescala es común buscar primero el campo complejo a través de la pticografía y luego hacer la tomografía. Este esquema combinado también se conoce como tomografía ptychographic de rayos X (ptycho-tomography).

Hay varias razones para hacer esto. Por ejemplo, si la aproximación de proyección sigue siendo aplicable, los científicos pueden realizar dos reconstrucciones tomográficas en paralelo. La mayoría de los materiales exhiben variaciones de fase 10 veces mayores que sus respectivos cambios de absorción.

Las reconstrucciones de ptotomografía de rayos X se realizan en la misma secuencia que la adquisición experimental, en un enfoque de dos pasos. Primero, las proyecciones 2D se recuperan de patrones de difracción de campo lejano mediante algoritmos de recuperación de fase y, luego, se implementan reconstrucciones tomográficas para recuperar las partes reales y/o imaginarias de un objeto 3D a partir de proyecciones 2D.

Muchas aplicaciones se han demostrado con éxito con este enfoque de dos pasos. Estas aplicaciones incluyen imágenes IC, imágenes de organismos microscópicos y estudios de propiedades de materiales como fractura, percolación e hidratación. Sin embargo, tanto la pticografía como la tomografía exigen una gran redundancia en los datos, lo que generalmente conduce a largos tiempos de adquisición y procesamiento.

Una forma de reducir el tiempo de adquisición es a través de escáneres de alta precisión que puedan funcionar de manera confiable con esquemas de escaneo eficientes y a altas velocidades de escaneo. La reducción de los requisitos de redundancia de datos en la ptotomografía es una forma alternativa de acelerar la adquisición de datos, pero introduce mala postura. Sin embargo, con datos reducidos, es probable que los algoritmos de reconstrucción convencionales produzcan artefactos y una pérdida general de fidelidad.

Los enfoques de aprendizaje supervisado a menudo son motivo de preocupación con respecto a la capacidad de generalización de datos nuevos e invisibles. Los investigadores propusieron una estrategia para entrenar en un subconjunto de la muestra, donde se puede usar un método alternativo confiable pero por lo demás muy lento para obtener verdades básicas; y luego usar la red de trenes en el resto de la muestra, acelerando significativamente toda la operación. Este enfoque es atractivo para circuitos integrados u otros especímenes 3D grandes.

Es posible que el aprendizaje por transferencia pueda aliviar los esfuerzos para entrenar RAPID nuevamente para nuevos experimentos. Para especímenes aún más generales, como virus y nanopartículas, se puede esperar un rendimiento comparable, pero muy probablemente a costa de algún rediseño en la arquitectura de aprendizaje.

Más información: Ziling Wu et al, Imágenes ptotomográficas tridimensionales de ángulo reducido a nanoescala con aprendizaje profundo (RAPID), eLight (2023). DOI: 10.1186/s43593-022-00037-9

Proporcionado por la Academia de Ciencias de China