Исследователи из Университета Хьюстона разработали новый метод рентгеновской визуализации, способный выявлять скрытые особенности за один снимок. Этот прорыв может способствовать раннему обнаружению рака, мониторингу заболеваний, проверке безопасности и анализу материалов.
Исследование, которое скоро будет опубликовано в Optica
В исследовании, которое скоро будет опубликовано в журнале Optica, представлена система, предоставляющая более детальную диагностическую информацию без необходимости многократного экспонирования или сложных механических перемещений. Руководили исследованием физик Цзинчэн Юань и Мини Дас, профессор инженерного колледжа Каллена и колледжа естественных наук и математики в Университете Хьюстона.
Преодоление ограничений традиционных методов
Традиционные рентгеновские и КТ-изображения основаны исключительно на контрасте затухания, который показывает, как ткани и материалы поглощают рентгеновские лучи. Хотя этот метод эффективен для костей и больших различий в плотности, он с трудом выявляет рак на ранних стадиях или тонкие изменения в микроструктурах, таких как крошечные воздушные мешочки в лёгких.
Новые методы, направленные на преодоление этих ограничений, требуют сложных систем и длительных экспозиций для получения значимых изображений, что приводит к более высоким дозам облучения и трудностям в клиническом применении.
«Многие из исследуемых методов требуют длительного времени визуализации, потому что для получения нескольких контрастных изображений необходимо переместить компонент системы множество раз — часто более 10 или 20 раз», — сказала Дас.
Новая система для трёх типов контрастности
Чтобы преодолеть эти ограничения, команда из Университета Хьюстона предложила и продемонстрировала новые запатентованные конструкции систем и соответствующие физические модели.
Новая конфигурация позволяет достичь трёх типов контрастности — затухания, дифференциальной фазы и тёмного поля — с одного рентгеновского снимка. Дизайн определяет оптимальное размещение единственной решётчатой пластины или маски между источником рентгеновского излучения и детектором.
Дополнительные типы контрастности предлагают новые возможности:
— Дас сказала, что визуализация в тёмном поле может быть особенно перспективной для диагностики заболеваний лёгких, таких как хроническая обструктивная болезнь лёгких, где текущее изображение не может обнаружить микроструктурные изменения.
— Можно также исследовать изменения в раке лёгких и их реакцию на терапию.
«Мы знаем, что это принесёт пользу, но насколько это поможет врачам в диагностике, выявлении и последующем наблюдении за терапией, пока остаётся открытым вопросом», — сказала она.
Новый метод однократного снимка и без движения создаёт более информативные, низкодозовые и быстрые изображения, помогая снизить дозу облучения пациентов, что может быть особенно полезно для детей и мелких животных.
Адаптация для клинических целей
Экономически эффективный дизайн может быть интегрирован в существующие рентгеновские и КТ-системы с минимальными модификациями, что делает клиническое применение осуществимым. Следующие шаги команды включают адаптацию системы для исследований на мелких животных и изучение клинических применений, таких как визуализация лёгких и низкодозовый скрининг рака молочной железы.
«Мы ожидаем, что это станет практичным и осуществимым», — сказала Дас.
Помимо медицины, этот метод может преобразовать визуализацию в отраслях, которые полагаются на обнаружение внутренних дефектов или микроструктур. Потенциальные приложения варьируются от нефтяной промышленности и анализа горных пород до исследований материалов и мониторинга химических или структурных изменений в инженерных компонентах.
Адаптивный метод помогает квантовым процессорам на основе света действовать как нейронные сети
Модели машинного обучения, называемые свёрточными нейронными сетями (CNN), лежат в основе таких технологий, как распознавание изображений и языковой перевод. Квантовый аналог, известный как квантовая свёрточная нейронная сеть (QCNN), может обрабатывать информацию более эффективно, используя квантовые состояния вместо классических битов.
Преодоление ограничений фотонных систем
Фотоны быстрые, стабильные, и ими легко манипулировать на чипах, что делает фотонные системы многообещающей платформой для QCNNs. Однако фотонные схемы обычно ведут себя линейно, ограничивая гибкие операции, необходимые нейронным сетям.
В исследовании, опубликованном в Advanced Photonics, учёные представили метод, позволяющий сделать фотонные схемы более адаптируемыми без ущерба для совместимости с существующими технологиями. Их подход добавляет контролируемый шаг — адаптивную инжекцию состояния, — который позволяет схеме корректировать своё поведение на основе измерения, проведённого во время обработки.
Модульная QCNN
Команда создала модульную QCNN, используя одиночные фотоны из источника квантовых точек и два интегрированных квантовых фотонных процессора. Как и классическая CNN, сеть обрабатывает информацию поэтапно. После первого этапа часть светового сигнала измеряется.
В зависимости от результата система либо вводит новый фотон, либо отправляет существующий свет вперёд, мягко управляя вычислениями. Поскольку современное фотонное оборудование не может переключать свет в реальном времени без потери информации, исследователи имитировали этот шаг в лаборатории, используя контролируемую технику, которая воспроизводит тот же эффект.
Для проверки конструкции они закодировали простые изображения размером 4 × 4 — шаблоны горизонтальных или вертикальных полос. Измерения на каждом этапе соответствовали теоретическим прогнозам. В полной экспериментальной установке QCNN достигла точности классификации выше 92%, что согласуется с численным моделированием. Это демонстрирует потенциал адаптивного подхода.
Исследователи также изучили масштабируемость, отметив, что будущие фотонные устройства с быстрым переключением могут позволить создавать более крупные и мощные QCNN, которые превзойдут некоторые классические методы.
«Эта работа предоставляет как теоретическую основу, так и практическую реализацию фотонной QCNN», — говорит старший автор Фабио Счаррино. «Мы ожидаем, что эти результаты послужат отправной точкой для разработки новых методов квантового машинного обучения».
Добавив простой адаптивный шаг, работающий с существующими технологиями, исследование намечает реалистичный путь к созданию более совершенных фотонных квантовых процессоров.