RAPID Imaging bietet zahlreiche Möglichkeiten mit Deep Learning

3. April 2023

Dieser Artikel wurde gemäß dem Redaktionsprozess und den Richtlinien von Science X überprüft. Die Redakteure haben die folgenden Attribute hervorgehoben und gleichzeitig die Glaubwürdigkeit des Inhalts sichergestellt:

faktengeprüft

vertrauenswürdige Quelle

Korrekturlesen

von der Chinesischen Akademie der Wissenschaften

Die dreidimensionale (3D) Bildgebung im Nanometerbereich ermöglicht wichtige Einblicke in die Biologie und das Materialverhalten, einschließlich Virusfunktion, Strukturschäden und Nanoelektronik.

Eine Möglichkeit besteht darin, dies destruktiv zu tun. Forscher würden ihre Probe immobilisieren, die oberste Schicht mit einem Teilchenstrahl fein ätzen, die freigelegten Strukturen mit einem Rasterelektronenmikroskop oder ähnlichen hochauflösenden Methoden abbilden und diesen Vorgang wiederholen, bis das gesamte Probenvolumen verbraucht ist. In vielen Fällen ist jedoch ein zerstörungsfreies Vorgehen vorzuziehen, und dann ist eine Form der Tomographie erforderlich.

In einem neuen, in eLight veröffentlichten Artikel entwickelte ein Wissenschaftlerteam unter der Leitung von Professor Ziling Wu vom Massachusetts Institute of Technology eine neue Rekonstruktionsmethode für die 3D-Bildgebung.

Das Forschungsteam verwendete integrierte Schaltkreise (IC) als Beispiel, da diese einige praktische Vorteile boten. ICs sind starr und erfordern daher keine Befestigung. Sie sind auch sehr nützlich bei der Überprüfung von Herstellungsprozessen, der Fehleranalyse und der Erkennung von Fälschungen. Andererseits wächst die Herausforderung der 3D-IC-Bildgebung aufgrund des Mooreschen Gesetzes mit der Zeit.

Für die zerstörungsfreie 3D-IC-Bildgebung im Nanobereich sind harte Röntgenstrahlen aufgrund ihrer großen Eindringtiefe und kurzen Wellenlänge ideale Sonden. Im Gegensatz zur medizinischen Röntgentomographie, die jedoch fast immer auf der Intensität der Projektionen basiert, ist es im Nanobereich üblich, zuerst das komplexe Feld mittels Ptychographie zu suchen und dann eine Tomographie durchzuführen. Dieses kombinierte Verfahren wird auch als Röntgen-Ptychographie-Tomographie (Ptycho-Tomographie) bezeichnet.

Dafür gibt es mehrere Gründe. Wenn beispielsweise die Projektionsnäherung weiterhin anwendbar ist, können Wissenschaftler zwei tomografische Rekonstruktionen parallel durchführen. Die meisten Materialien weisen Phasenschwankungen auf, die zehnmal größer sind als ihre jeweiligen Absorptionsänderungen.

Röntgen-Ptychotomographie-Rekonstruktionen werden in der gleichen Reihenfolge wie die experimentelle Aufnahme in einem zweistufigen Ansatz durchgeführt. Zunächst werden 2D-Projektionen aus Fernfeldbeugungsmustern mithilfe von Phasenabrufalgorithmen abgerufen, und dann werden tomografische Rekonstruktionen implementiert, um die Real- und/oder Imaginärteile eines 3D-Objekts aus 2D-Projektionen wiederherzustellen.

Viele Anwendungen wurden mit diesem zweistufigen Ansatz erfolgreich demonstriert. Zu diesen Anwendungen gehören die IC-Bildgebung, die Bildgebung mikroskopischer Organismen und Untersuchungen von Materialeigenschaften wie Bruch, Perkolation und Hydratation. Allerdings erfordern sowohl die Ptychographie als auch die Tomographie eine große Redundanz der Daten, was im Allgemeinen zu langen Erfassungs- und Verarbeitungszeiten führt.

Eine Möglichkeit, die Erfassungszeit zu verkürzen, sind hochpräzise Scanner, die zuverlässig mit effizienten Scanschemata und hohen Scangeschwindigkeiten arbeiten können. Die Reduzierung der Datenredundanzanforderungen in der Ptychotomographie ist eine alternative Möglichkeit, die Datenerfassung zu beschleunigen, führt jedoch zu Fehlstellungen. Allerdings kommt es bei den herkömmlichen Rekonstruktionsalgorithmen bei reduzierten Daten wahrscheinlich zu Artefakten und einem allgemeinen Verlust an Wiedergabetreue.

Ansätze des überwachten Lernens geben häufig Anlass zur Sorge hinsichtlich der Generalisierungsfähigkeit auf neue und unbekannte Daten. Die Forscher schlugen eine Strategie zum Trainieren an einer Teilmenge der Stichprobe vor, bei der eine vertrauenswürdige, aber ansonsten sehr langsame alternative Methode verwendet werden kann, um Grundwahrheiten zu erhalten; und nutzen Sie dann das Zugnetz für den Rest der Probe, wodurch der gesamte Vorgang erheblich beschleunigt wird. Dieser Ansatz ist für integrierte Schaltkreise oder andere große 3D-Proben attraktiv.

Es ist möglich, dass Transferlernen den Aufwand für das erneute Training von RAPID für neue Experimente verringern könnte. Für noch allgemeinere Proben wie Viren und Nanopartikel ist eine vergleichbare Leistung zu erwarten, allerdings höchstwahrscheinlich auf Kosten einer Neugestaltung der Lernarchitektur.

Mehr Informationen: Ziling Wu et al., Dreidimensionale nanoskalige ptychotomographische Bildgebung mit reduziertem Winkel und Deep Learning (RAPID), eLight (2023). DOI: 10.1186/s43593-022-00037-9

Zur Verfügung gestellt von der Chinesischen Akademie der Wissenschaften