Notas dos editores

Os pesquisadores combinaram várias tecnologias de imagem de raios X para criar imagens multicontraste que podem ser usadas para detectar materiais ameaçadores, como explosivos, em milhares de cenários complicados. A nova abordagem, que também aproveita procedimentos de aprendizado de máquina prontamente disponíveis para classificação de materiais, pode ser útil para triagem de segurança, bem como para aplicações nas ciências físicas e da vida.

“Este método é particularmente adequado para discriminar objetos com composição elementar muito semelhante”, disse o líder da equipe de pesquisa, Thomas Partridge, da University College London, no Reino Unido. “Poderia ser usado em segurança do aeroporto ou qualquer operação de varredura em linha para examinar materiais sinalizados como suspeitos por uma varredura inicial rápida, como um sistema tradicional de raios X.”

No diário ÓpticaOs pesquisadores mostrar que a nova abordagem foi altamente eficaz na detecção e identificação precisa de explosivos em quase 4.000 exames de materiais ameaçadores e não ameaçadores escondidos dentro de sacos ou obscurecidos por vários tipos de objetos. Eles alcançaram uma taxa de recall quase perfeita de 99,68%, com apenas um falso negativo, dos casos que apresentavam ameaças.

“Embora seja necessário mais trabalho, esta abordagem também pode ser útil para imagens médicas“, disse Partridge. “Enquanto a imagem tradicional de raios X luta para separar o tecido saudável do doente, outros estudos sugeriram que a imagem com contraste de fase pode ser capaz de capturar texturas que poderiam ser usadas para distinguir tecidos saudáveis ​​​​e benignos.”

Desvendando segredos materiais

As máquinas de raios X encontradas em aeroportos ou instalações médicas baseiam-se na atenuação dos raios X, que capta a redução da intensidade dos raios X depois de passarem por um material. A nova técnica cria imagens multicontraste combinando dados convencionais de atenuação de raios X em várias energias de raios X com informações de fase de raios X, que consistem em canais de refração e campo escuro.

“Muitos explosivos e itens comuns do dia a dia são compostos principalmente de carbono, hidrogênio, nitrogênio e oxigênio, uma semelhança que os torna difíceis de separar apenas com a atenuação de raios X”, disse Partridge.

“Os canais adicionais oferecem um aprimoramento significativamente melhor das bordas, bem como das texturas e grãos dos materiais, permitindo a discriminação de objetos com composições elementares muito semelhantes.”

Este trabalho baseia-se em esforços anteriores dos pesquisadores para usar imagens aprimoradas de fase de raios X multicontraste com abordagens de aprendizado de máquina para detecção de ameaças com um número menor de explosivos e objetos benignos.

No novo experimento, eles aumentaram significativamente o número de materiais investigados e o número de cenários de imagem para melhor imitar as situações do mundo real. Eles também criaram um sistema de digitalização mais eficaz com uma resolução que poderia ser alterada modificando a velocidade de digitalização e aplicando o contraste de fase de iluminação das bordas.

A iluminação de borda envolve a colocação de máscaras antes e depois da amostra para criar os “feixes” de raios X subpixel necessários para tornar o sistema sensível aos sinais de fase. Uma das principais vantagens desta abordagem de iluminação é que ela funciona com fontes incoerentes de raios X, ampliando sua aplicabilidade.

Como o aumento da complexidade dos cenários de imagem exigia protocolos mais sofisticados, os pesquisadores aplicaram o aprendizado de máquina com uma arquitetura hierárquica que separava os objetos confusos antes de distinguir os tipos de materiais. Isso tornou possível discernir rapidamente diferenças sutis em formas e texturas para distinguir materiais com base nas principais características de identificação.

Detectando ameaças

Para testar a nova técnica, utilizaram 19 materiais perigosos e 56 materiais não ameaçadores, todos com três espessuras e obscurecidos por uma série de objetos desordenados, como escovas, lenços faciais, meias e outros itens que os passageiros teriam na bagagem de mão.

Ao utilizar todos os canais de contraste adquiridos, os pesquisadores demonstraram não apenas discriminação material, mas também identificação em alguns casos. O uso do aprendizado profundo para analisar os sinais da combinação de contrastes de raios X forneceu resultados muito promissores, com apenas uma falha em 313 casos de ameaça.

Os pesquisadores dizem que traduzir esta abordagem para um ambiente comercial exigiria melhorar a velocidade de digitalização através de uma maior otimização do sistema. A robustez da discriminação material também precisa de ser testada num conjunto maior de dados.

Uma área de estudo ativo para a equipe é combinar o método com a tomografia computadorizada 3D, que está sendo explorada para fins de segurança devido à sua capacidade de fornecer imagens tridimensionais detalhadas de objetos.