L'imaging RAPID offre numerose opportunità con il deep learning

3 aprile 2023

Questo articolo è stato rivisto in base al processo editoriale e alle politiche di Science X. Gli editori hanno evidenziato i seguenti attributi garantendo al tempo stesso la credibilità del contenuto:

verificato

fonte attendibile

correggere le bozze

dall'Accademia Cinese delle Scienze

L'imaging tridimensionale (3D) su scala nanometrica consente importanti informazioni sulla biologia e sui comportamenti dei materiali, tra cui la funzione dei virus, i danni strutturali e la nanoelettronica.

Un modo è farlo in modo distruttivo. I ricercatori immobilizzerebbero il loro campione, inciderebbero finemente lo strato superiore con un fascio di particelle, immaginerebbero le caratteristiche rivelate con un microscopio elettronico a scansione o metodi simili ad alta risoluzione e ripeterebbero questo processo fino a quando l'intero volume del campione non sarà stato consumato. Tuttavia, in molti casi, è preferibile operare in modo non distruttivo e quindi è necessaria una forma di tomografia.

In un nuovo articolo pubblicato su eLight, un team di scienziati guidati dal professor Ziling Wu del Massachusetts Institute of Technology, ha sviluppato un nuovo metodo di ricostruzione per l’imaging 3D.

Il gruppo di ricerca ha utilizzato i circuiti integrati (IC) come esempio perché presentavano alcune comodità pratiche. I circuiti integrati sono rigidi e, quindi, non richiedono fissaggio. Sono inoltre molto utili nella verifica dei processi di produzione, nell'analisi dei guasti e nel rilevamento delle contraffazioni. D'altra parte, la sfida dell'imaging IC 3D cresce con il tempo a causa della legge di Moore.

Per l’imaging IC 3D non distruttivo su scala nanometrica, i raggi X duri sono sonde ideali a causa della loro lunga profondità di penetrazione e della corta lunghezza d’onda. A differenza della tomografia medica a raggi X, però, che opera quasi sempre sull'intensità delle proiezioni, nel caso della nanoscala è comune ricercare prima il campo complesso tramite la pticografia, e poi fare la tomografia. Questo schema combinato è noto anche come tomografia pticografica a raggi X (psicotomografia).

Ci sono diversi motivi per farlo. Ad esempio, se l’approssimazione della proiezione è ancora applicabile, gli scienziati possono eseguire due ricostruzioni tomografiche in parallelo. La maggior parte dei materiali presenta variazioni di fase 10 volte maggiori rispetto alle rispettive variazioni di assorbimento.

Le ricostruzioni della psicotomografia a raggi X vengono eseguite nella stessa sequenza dell'acquisizione sperimentale, con un approccio in due fasi. Innanzitutto, le proiezioni 2D vengono recuperate dai modelli di diffrazione di campo lontano utilizzando algoritmi di recupero di fase, quindi vengono implementate ricostruzioni tomografiche per recuperare le parti reali e/o immaginarie di un oggetto 3D dalle proiezioni 2D.

Molte applicazioni sono state dimostrate con successo con questo approccio in due fasi. Queste applicazioni includono l'imaging IC, l'imaging di organismi microscopici e studi sulle proprietà dei materiali come frattura, percolazione e idratazione. Tuttavia, sia la pitcografia che la tomografia richiedono una grande ridondanza nei dati, portando in genere a lunghi tempi di acquisizione ed elaborazione.

Un modo per ridurre il tempo di acquisizione è attraverso scanner ad alta precisione che possano funzionare in modo affidabile con schemi di scansione efficienti e ad alte velocità di scansione. Ridurre i requisiti di ridondanza dei dati nella ptico-tomografia è un modo alternativo per accelerare l'acquisizione dei dati, ma introduce una cattiva posizione. Tuttavia, con dati ridotti, è probabile che gli algoritmi di ricostruzione convenzionali producano artefatti e una generale perdita di fedeltà.

Gli approcci di apprendimento supervisionato sono spesso motivo di preoccupazione per quanto riguarda la capacità di generalizzazione di dati nuovi e invisibili. I ricercatori hanno proposto una strategia per addestrarsi su un sottoinsieme del campione, dove è possibile utilizzare un metodo alternativo affidabile ma altrimenti molto lento per ottenere verità fondamentali; per poi utilizzare la rete ferroviaria sul resto del campione, velocizzando notevolmente l'intera operazione. Questo approccio è interessante per i circuiti integrati o altri campioni 3D di grandi dimensioni.