La Red Neuronal Mejora la Precisión de la Ptychografía

La Ptychografía es un método de imagen avanzada que ayuda a crear imágenes detalladas de varios materiales y muestras biológicas. Funciona iluminando una muestra con un haz de luz o electrones y capturando la luz que se dispersa. Esta luz dispersada forma patrones que se pueden usar para reconstruir la imagen de la muestra. Sin embargo, para que la ptychografía dé buenos resultados, se deben registrar con precisión las posiciones donde la luz impacta la muestra.

En la práctica, puede haber errores en estas posiciones registradas. Si estos errores son grandes o siguen acumulándose a medida que avanza el escaneo, puede ser difícil corregirlos mediante métodos de optimización tradicionales. En este artículo, presentamos una nueva forma de predecir estas posiciones de sonda usando una red neuronal, que puede procesar patrones de difracción individuales sin necesidad de depender de regiones superpuestas que suelen ser cruciales en la ptychografía.

#El Problema con los Errores en las Posiciones de Sonda

Cuando se utiliza la ptychografía, los científicos suelen planear la ruta de escaneo antes de comenzar el experimento. Esta ruta puede ser una cuadrícula o una espiral, donde la sonda se mueve para recoger datos de varios puntos de la muestra. Sin embargo, problemas mecánicos o factores externos como cambios de temperatura pueden hacer que las posiciones reales de la sonda difieran de las planeadas. Estas diferencias pueden llevar a una disminución en la calidad de las imágenes reconstruidas.

Los errores en las posiciones de la sonda pueden caer en dos categorías:

1. Errores Acumulativos: Estos errores se acumulan a medida que la sonda se mueve a lo largo de la ruta de escaneo. Por ejemplo, si la sonda tiene un error inicial, este error puede afectar todas las mediciones posteriores.

2. Errores Independientes: Estos errores ocurren al azar y no dependen de otros puntos. A menudo provienen de fallas mecánicas o inexactitudes en el equipo.

Para los métodos tradicionales que intentan corregir estos errores, a menudo se complica mucho, especialmente cuando las posiciones de la sonda están muy alejadas. En tales casos, los patrones capturados pueden no superponerse lo suficiente, lo que dificulta recuperar la información necesaria para mejorar la calidad de la imagen.

#Un Nuevo Enfoque Usando Redes Neuronales

Para abordar estos problemas, desarrollamos un método que utiliza una red neuronal para predecir posiciones de sonda. Este es un cambio significativo respecto a los enfoques tradicionales, ya que permite hacer correcciones incluso cuando los datos de posición originales son defectuosos. La red neuronal está entrenada para realizar un tipo de recuperación de fase, un proceso en el que genera imágenes a partir de los patrones de difracción recolectados en cada punto del escaneo.

#Paso 1: Recuperación de Fase de Un Solo Tiro

La primera parte de nuestro nuevo método implica usar la red neuronal para analizar cada patrón de difracción de forma independiente. La red neuronal entrenada puede reconstruir imágenes a partir de patrones individuales sin necesidad de superposición con patrones cercanos. Esta capacidad se conoce como recuperación de fase de un solo tiro y nos permite trabajar con muestras incluso cuando hay errores significativos en las posiciones de la sonda.

#Paso 2: Registro de imágenes

Después de recuperar las imágenes de los patrones de difracción individuales, empleamos un proceso de registro de imágenes. Este paso nos ayuda a determinar cómo se relacionan las imágenes reconstruidas de diferentes puntos de escaneo en términos de posición. Al calcular las desviaciones entre pares de imágenes, podemos entender mejor las posiciones reales donde debería haber estado la sonda.

#Paso 3: Refinamiento de Posiciones

Con las desviaciones estimadas, podemos crear un conjunto completo de posiciones de sonda predichas para todo el escaneo. Este conjunto se puede refinar aún más utilizando métodos de optimización tradicionales durante el proceso de reconstrucción, lo cual ayuda a mejorar la precisión de los resultados que obtenemos de la ptychografía.

#Aplicaciones Prácticas

Este método no es solo una mejora teórica; tiene implicaciones prácticas. Para instalaciones que no cuentan con equipos avanzados para rastrear posiciones de sonda con precisión, nuestro nuevo enfoque puede proporcionar beneficios significativos.

#Prueba del Método

Para probar nuestro método propuesto, recopilamos datos de diferentes muestras en una instalación de investigación. Algunas de las muestras tenían errores introducidos deliberadamente para analizar qué tan bien podía enfrentar nuestro método estos desafíos.

Los resultados mostraron que nuestro método podía predecir con precisión las posiciones de la sonda, incluso en casos donde los errores eran considerables. La precisión promedio de la predicción estaba dentro de unos pocos píxeles, mucho mejor que depender únicamente de técnicas de optimización tradicionales que a menudo luchaban con errores más grandes.

#Comparando Resultados

En nuestras pruebas, realizamos reconstrucciones ptychográficas usando tres puntos de partida diferentes para las posiciones de la sonda:

1. Posiciones Verdaderas: Las ubicaciones reales donde debería haber estado la sonda.
2. Posiciones Nominales: Las posiciones planeadas utilizadas para los escaneos.
3. Posiciones Predichas: Las posiciones predichas por nuestro método de red neuronal.

Al comparar la calidad de las imágenes reconstruidas a partir de estos diferentes conjuntos de posiciones, descubrimos que usar nuestras posiciones predichas a menudo conducía a imágenes más nítidas y claras. En particular, cuando comenzamos desde posiciones con grandes errores acumulativos, nuestro enfoque demostró ser superior en la producción de reconstrucciones de alta calidad.

#Resultados de Varias Muestras

Para el primer conjunto de muestras, que consistía en un gráfico de calibración con varios patrones grabados, notamos que usar las posiciones predichas mejoró significativamente los resultados en comparación con las posiciones nominales. Las imágenes reconstruidas usando nuestras posiciones predichas mostraron alta claridad y detalle.

Para otro conjunto de pruebas usando un patrón de estrella de Siemens, que contenía naturalmente tanto errores acumulativos como independientes, las posiciones predichas redujeron efectivamente las distorsiones en las imágenes finales. Los desplazamientos en las imágenes reconstruidas usando posiciones nominales fueron corregidos cuando usamos las posiciones predichas.

#Evaluando la Precisión de la Predicción

Para evaluar qué tan precisas eran nuestras posiciones predichas, introdujimos una métrica que llamamos la raíz cuadrada media del error de posición por pares (RMS-PPE). Esta métrica se centra en medir los errores en relación con las posiciones reales conocidas en lugar de valores absolutos, minimizando el sesgo que podría surgir de diferencias generales entre todos los conjuntos de posiciones.

El RMS-PPE mostró que incluso sin refinamiento adicional, las posiciones predichas ya estaban bastante cerca de las posiciones verdaderas. Además, cuando se utilizaron las posiciones predichas como conjeturas iniciales para el refinamiento basado en optimización, los resultados mejoraron aún más, a menudo alcanzando una precisión de un solo dígito en píxeles.

#Desafíos y Mejoras Futuras

Si bien nuestro método ha demostrado ventajas considerables, aún hay desafíos que necesitamos abordar. Por ejemplo, el rendimiento de nuestra red neuronal podría disminuir con muestras de escasa dispersión donde los patrones de difracción son menos distintos.

Para abordar esto, planeamos mejorar nuestros procesos de entrenamiento y combinar nuestro enfoque con técnicas de auto-supervisión que no dependan en gran medida de grandes conjuntos de datos. Esto podría permitir que la red aprenda de manera más efectiva a partir de menos ejemplos, haciéndola más adaptable a varios tipos de muestras.

También queremos mejorar nuestro proceso de registro de imágenes. Si los puntos de escaneo vecinos no tienen características confiables para asociar, puede llevar a inexactitudes. Estamos explorando formas de manejar mejor tales situaciones, particularmente para casos donde la muestra tiene características escasas o está dominada por regiones de bajo contraste.

#Conclusión

En resumen, el nuevo método para predecir las posiciones de sonda ptychográficas utilizando una red neuronal representa un avance significativo en el campo. Permite una reconstrucción precisa de imágenes incluso en presencia de grandes errores de posición y ofrece una solución práctica para experimentos sin sistemas de rastreo sofisticados.

A través de mejoras continuas y más pruebas en una gama más amplia de muestras, nuestro objetivo es refinar esta técnica y abordar los desafíos que quedan, asegurando capacidades de imagen de alta calidad en varios campos de investigación científica.