深度学习可以帮助x射线数据在3D中可视化

美国能源部(DOE)阿贡国家实验室(Argonne National Laboratory)的科学家表示，人工智能(AI)已经成为医疗领域大数据处理问题的通用解决方案。

科学家使用先进光子源(APS)处理3D图像，可以以更快的速度将x射线数据转换为可见的、可理解的形状。APS是美国能源部阿贡科学用户设施办公室的一个设备。科学家们说，这一领域的突破可能会对天文学、电子显微镜和其他依赖大量3D数据的科学领域产生影响。

“为了充分利用升级后的APS的能力，我们必须重新发明数据分析。我们目前的方法还不够。机器学习可以充分利用并超越目前的可能，”阿贡的马修·切鲁卡拉(Mathew Cherukara)说。

该研究团队包括来自阿贡三个部门的科学家，他们开发了名为3D-CDI-NN的计算框架。CDI代表相干衍射成像，这是一种x射线技术，涉及从样品上反射超亮x射线束。然后，这些光束将被探测器收集为数据，将这些数据转化为图像需要一些计算工作。

根据阿贡x射线科学部(XSD)计算x射线科学小组的负责人Cherukara的说法，部分挑战在于探测器只能从光束中捕获部分信息。

但在缺失的数据中有重要的信息，科学家们依靠计算机来填补这些信息。切鲁卡拉指出，虽然在2D图像中需要一些时间，但在3D图像中需要更长的时间。解决方案是训练人工智能直接从原始数据中识别物体及其微观变化，而无需填充缺失的信息。

为了解决这个问题，该团队从模拟x射线数据开始训练神经网络——一系列算法，可以教计算机根据接收到的数据预测结果。阿贡纳米材料中心(CNM)的博士后研究员亨利·陈(Henry Chan)领导了这部分研究。

Chan解释说:“我们使用计算机模拟创建了不同形状和大小的晶体，并将它们转换为图像和衍射模式，供神经网络学习。”“快速生成许多真实的晶体进行训练是模拟的好处。”

阿贡大学材料科学部的物理学家兼小组负责人斯蒂芬·赫鲁兹科维茨(Stephan Hruszkewycz)表示，一旦该网络得到训练，它就能迅速接近正确答案。然而，他补充说，仍然有改进的空间，因此3D-CDI-NN框架包括一个过程，以使网络达到剩余的目的。

Hruszkewycz说:“材料科学部门关心相干衍射，因为你可以看到几纳米长度的材料——比人类头发的宽度小10万倍——用x射线穿透环境。”

他补充说:“这项研究是这些先进方法的展示，它促进了成像过程。我们想知道一种物质是什么，以及它是如何随着时间变化的，这将帮助我们在测量时更好地描绘它。”

作为最后一步，3D- cdi - nn填补缺失信息并提出3D可视化的能力，在APS的束线34-ID-C处收集的微小黄金颗粒的真实x射线数据上进行了测试。研究人员发现，这种计算方法在模拟数据上的速度要快上数百倍，在真实APS数据上的速度几乎一样快。测试还表明，该网络可以用比通常所需的更少的数据来重建图像，以补偿探测器未捕获的信息。

根据Chan的说法，这项研究的下一步是将网络集成到APS的工作流程中，这样它就可以从数据中学习。他说，如果网络从光束线上的数据中学习，它将不断改进。