La ricostruzione tomografica del volume interno di un oggetto da viste angolari limitate è un problema impegnativo con applicazioni pratiche nell'imaging biologico, analisi dei guasti dei circuiti integrati, ecc. Un team del MIT presenta un approccio di apprendimento automatico dinamico per questo importante problema e mostra le prestazioni del metodo in due problemi:la tomografia in condizioni di diffusione debole e forte. L'ampia applicabilità di questa tecnica mantiene la sua promessa per una serie di altri problemi inversi impegnativi.

Una vasta gamma di oggetti, dalle cellule biologiche ai circuiti integrati, sono ripresi tomograficamente per identificare le loro strutture interne. La ricostruzione volumetrica degli interni degli oggetti ha risvolti pratici, ad esempio, imaging di fase quantitativo delle cellule e analisi dei guasti dei circuiti per convalidare i loro progetti. Limitare l'intervallo angolare tomografico è spesso desiderabile per ridurre il tempo di esposizione alle radiazioni ed evitare effetti devastanti sui campioni, o addirittura inevitabile per la struttura degli oggetti come nel caso della tomosintesi per mammografia. Però, la ricostruzione tomografica da viste angolari limitate non è sempre benvenuta in senso algoritmico, in quanto introduce inevitabilmente artefatti e ambiguità nelle ricostruzioni e quindi, diminuisce la fedeltà complessiva della ricostruzione.

In un nuovo articolo pubblicato su Luce:scienza e applicazioni , un team del Massachusetts Institute of Technology, guidato dal Professor George Barbastathis nel Dipartimento di Ingegneria Meccanica, ha sviluppato un approccio dinamico di apprendimento automatico per affrontare questo importante problema, che prende un percorso radicalmente diverso dalla maggior parte degli algoritmi inversi convenzionali. Dimostrano le prestazioni del nuovo metodo in due problemi, tomografia ad angolo limitato in condizioni di diffusione debole e forte.

A seconda del grado di dispersione dovuto agli oggetti, la complessità del problema è determinata. È spesso il caso che i raggi X duri siano impiegati per l'immagine della maggior parte dei materiali, compresi i tessuti biologici che i raggi possono essere ben approssimati come linee rette senza una grande deviazione perché i materiali diffondono debolmente la luce. Il livello successivo di complessità sorge quando la luce è più fortemente diffusa con oggetti con strutture complesse. Il team del MIT afferma che il loro approccio sfrutta "l'apprendimento automatico per una ricostruzione generica dell'indice di rifrazione 3D indipendente dal tipo di dispersione".

"La nostra motivazione è che, al variare dell'angolo di illuminazione, la luce attraversa lo stesso volume di dispersione, ma gli eventi sparsi, debole o forte, seguire una sequenza diversa. Allo stesso tempo, l'immagine grezza ottenuta da un nuovo angolo di illuminazione aggiunge informazioni al problema tomografico, ma quell'informazione è vincolata dai modelli ottenuti in precedenza. Interpretiamo questo come simile a un sistema dinamico, dove l'output è vincolato dalla storia degli input precedenti man mano che il tempo si evolve e arrivano nuovi input, " hanno aggiunto.

L'architettura della rete neurale ricorrente (RNN) è stata la loro scelta per implementare la loro idea, considerando il problema della tomografia ad angolo limitato come un sistema dinamico poiché gli RNN sono spesso utilizzati per elaborare i dati con la dinamica. Qui, il team del MIT considera le proprie immagini grezze anche come una sequenza poiché le immagini vengono ottenute una dopo l'altra. Notano che "la nostra architettura RNN elabora le immagini grezze in modo ricorrente in modo che ogni immagine grezza da una nuova angolazione migliori rispetto alle ricostruzioni ottenute dalle angolazioni precedenti".

"Le prestazioni del nuovo metodo nei due problemi che abbiamo affrontato, tomografia a diffusione debole (Radon) e forte, indica la sua promessa per una serie di altri problemi inversi ugualmente o più impegnativi. Così, prevediamo che questa pubblicazione avrà un impatto significativo al di là del contesto immediato che stiamo affrontando qui, " hanno notato.