A reconstrução tomográfica do volume interior de um objeto a partir de vistas angulares limitadas é um problema desafiador com aplicações práticas em imagens biológicas, análise de falha de circuitos integrados, etc. Uma equipe do MIT apresenta uma abordagem de aprendizado de máquina dinâmica para este problema importante e mostra o desempenho do método em dois problemas - tomografia sob condições de espalhamento fracas e fortes. A ampla aplicabilidade desta técnica mantém sua promessa para uma série de outros problemas inversos desafiadores.

Uma ampla gama de objetos, de células biológicas a circuitos integrados, são imagens tomograficamente para identificar suas estruturas internas. A reconstrução volumétrica do interior dos objetos tem implicações práticas, por exemplo, imagem de fase quantitativa das células e análise de falha dos circuitos para validar seus projetos. Limitar a faixa angular tomográfica é muitas vezes desejável para reduzir o tempo de exposição à radiação e evitar quaisquer efeitos devastadores sobre as amostras, ou mesmo inevitável devido à estrutura dos objetos como no caso da tomossíntese para mamografia. Contudo, reconstrução tomográfica a partir de vistas angulares limitadas nem sempre é bem-vinda em um sentido algorítmico, pois inevitavelmente introduz artefatos e ambigüidades nas reconstruções e, portanto, diminui a fidelidade geral da reconstrução.

Em um novo artigo publicado em Light:Ciência e Aplicações , uma equipe do Massachusetts Institute of Technology, liderado pelo Professor George Barbastathis no Departamento de Engenharia Mecânica, desenvolveu uma abordagem dinâmica de aprendizado de máquina para resolver esse problema importante, que segue um caminho radicalmente diferente da maioria dos algoritmos inversos convencionais. Eles demonstram o desempenho do novo método em dois problemas, tomografia de ângulo limitado em condições de espalhamento forte e fraco.

Dependendo do grau de espalhamento devido aos objetos, a complexidade do problema é determinada. É frequente o caso de raios-X duros serem empregados para a imagem da maioria dos materiais, incluindo tecidos biológicos, que os raios podem ser bem aproximados como linhas retas sem um grande desvio porque os materiais dispersam fracamente a luz. O próximo nível de complexidade surge quando a luz é mais fortemente espalhada com objetos com estruturas complexas. A equipe do MIT diz que sua abordagem explora o "aprendizado de máquina para uma reconstrução genérica do índice de refração 3D, independente do tipo de espalhamento".

"Nossa motivação é essa, conforme o ângulo de iluminação é alterado, a luz passa pelo mesmo volume de dispersão, mas os eventos de dispersão, fraco ou forte, siga uma sequência diferente. Ao mesmo tempo, a imagem bruta obtida de um novo ângulo de iluminação adiciona informações ao problema tomográfico, mas essa informação é limitada pelos padrões obtidos anteriormente. Nós interpretamos isso como semelhante a um sistema dinâmico, onde a saída é restringida pelo histórico de entradas anteriores conforme o tempo evolui e novas entradas chegam, "acrescentaram.

A arquitetura de rede neural recorrente (RNN) foi a escolha deles para implementar sua ideia, visualizando o problema da tomografia de ângulo limitado como um sistema dinâmico, já que os RNNs são frequentemente usados ​​para processar dados com dinâmica. Aqui, a equipe do MIT considera suas imagens brutas também como uma sequência, pois as imagens são obtidas uma após a outra. Eles observam que "nossa arquitetura RNN processa as imagens brutas de maneira recorrente, de modo que cada imagem bruta de um novo ângulo melhora as reconstruções obtidas a partir dos ângulos anteriores."

“O desempenho do novo método nos dois problemas que abordamos, tomografia sob dispersão fraca (Radon) e forte, indica sua promessa para uma série de outros problemas inversos igualmente ou mais desafiadores. Assim, prevemos que esta publicação terá um impacto significativo além do contexto imediato que estamos tratando aqui, "eles notaram.