Исследователи объединили различные технологии рентгеновской визуализации для создания многоконтрастных изображений, которые можно использовать для обнаружения опасных материалов, таких как взрывчатые вещества, в тысячах сложных сценариев. Новый подход, который также использует доступные процедуры машинного обучения для классификации материалов, может быть полезен для проверки безопасности, а также для применения в науках о жизни и физике.

«Этот метод особенно хорошо подходит для распознавания объектов с очень похожим элементным составом», — сказал руководитель исследовательской группы Томас Партридж из Университетского колледжа Лондона в Великобритании. «Его можно использовать в службах безопасности аэропортов или в любой операции поточного сканирования для проверки материалов, помеченных как подозрительные при первоначальном быстром сканировании, таком как традиционная рентгеновская система».

В журнале Optica исследователи показывают , что новый подход оказался очень эффективным в точном обнаружении и идентификации взрывчатых веществ при почти 4000 сканированиях угрожающих и неопасных материалов, спрятанных внутри сумок или скрытых различными типами объектов. Они достигли почти идеального уровня отзыва — 99,68%, при этом лишь с одним ложноотрицательным результатом в случаях, содержащих угрозы.

«Хотя требуется дополнительная работа, этот подход также может оказаться полезным для медицинской визуализации », — сказал Партридж. «В то время как традиционная рентгеновская визуализация с трудом отделяет здоровые ткани от больных, другие исследования показали, что фазово-контрастная визуализация может фиксировать текстуры, которые можно использовать для различения здоровых и доброкачественных тканей».

Раскрытие материальных секретов

Рентгеновские аппараты, установленные в аэропортах или медицинских учреждениях, основаны на ослаблении рентгеновских лучей, которое отражает снижение интенсивности рентгеновских лучей после их прохождения через материал. Новый метод создает мультиконтрастные изображения путем объединения обычных данных об ослаблении рентгеновских лучей при различных энергиях рентгеновских лучей с информацией о фазе рентгеновских лучей, которая состоит из каналов рефракции и темного поля.

«Многие взрывчатые вещества и предметы повседневного обихода состоят в основном из углерода, водорода, азота и кислорода, и это сходство затрудняет их разделение с помощью одного лишь ослабления рентгеновских лучей», — сказал Партридж.

«Дополнительные каналы обеспечивают значительно лучшее улучшение краев, а также текстур и зерен материалов, позволяя различать объекты с очень похожим элементным составом».

Эта работа основана на предыдущих усилиях исследователей по использованию многоконтрастной рентгеновской фазовой визуализации с подходами машинного обучения для обнаружения угроз с меньшим количеством взрывчатых веществ и неопасных объектов.

В новом эксперименте они значительно увеличили количество исследуемых материалов и количество сценариев визуализации, чтобы лучше имитировать ситуации реального мира. Они также создали более эффективную систему сканирования с разрешением, которое можно было изменить, изменив скорость сканирования и применив фазовый контраст краевой подсветки.

Краевое освещение предполагает размещение масок до и после образца для создания субпиксельных рентгеновских «лучей», необходимых для того, чтобы сделать систему чувствительной к фазовым сигналам. Одним из ключевых преимуществ этого подхода к освещению является то, что он работает с источниками некогерентного рентгеновского излучения, что расширяет возможности его применения.

Поскольку возросшая сложность сценариев визуализации потребовала более сложных протоколов, исследователи применили машинное обучение с иерархической архитектурой, которая отделяла мешающие объекты, прежде чем различать типы материалов. Это позволило быстро распознавать тонкие различия в формах и текстурах и различать материалы по ключевым отличительным признакам.

Обнаружение угроз

Чтобы протестировать новую технику, они использовали 19 опасных материалов и 56 неопасных материалов, все они имели три толщины и были скрыты рядом мешающих предметов, таких как щетки, салфетки для лица, носки и другие предметы, которые пассажиры могут иметь в ручной клади.

Используя все полученные контрастные каналы, исследователи в некоторых случаях продемонстрировали не просто материальную дискриминацию, но и идентификацию. Использование глубокого обучения для анализа сигналов от комбинации рентгеновских контрастов дало очень многообещающие результаты: всего один промах из 313 случаев угрозы.

Исследователи говорят, что внедрение этого подхода в коммерческую среду потребует повышения скорости сканирования за счет дальнейшей оптимизации системы. Надежность дискриминации по материалам также необходимо проверить на более широком наборе данных.

Одной из областей активных исследований команды является объединение этого метода с трехмерным компьютерным томографическим сканированием, которое изучается в целях безопасности из-за его способности предоставлять подробные трехмерные изображения объектов.