Onderzoekers van University College London (UCL) in het VK hebben een nieuwe röntgentechniek ontwikkeld voor het detecteren van explosieven die ook kunnen worden gebruikt om tumoren te identificeren.De potentieel dodelijke tumoren in een vroeg stadium bij mensen kunnen worden opgemerkt door de nieuwe röntgenmethode die samenwerkt met een diepgaand algoritme voor kunstmatige intelligentie (AI) om explosieven in bagage te detecteren, volgens een rapport dat vrijdag door MIT Technology Review is gepubliceerd."De AI is uitzonderlijk goed in het oppikken van deze materialen, zelfs als ze verborgen zijn in andere objecten", zegt Sandro Olivo, hoofdauteur van de studie van de afdeling Medische Fysica en Biomedische Technologie van de UCL."Zelfs als we ergens een kleine hoeveelheid explosief verbergen omdat er een klein beetje textuur in het midden van vele andere dingen zit, zal het algoritme het vinden."De techniek zou volgens het onderzoeksteam kunnen worden gebruikt in medische toepassingen, met name kankerscreening.Hoewel de onderzoekers nog niet hebben getest of de techniek met succes de textuur van een tumor kan onderscheiden van het omliggende gezonde borstweefsel, zijn ze enthousiast over de mogelijkheid om zeer kleine tumoren te detecteren die voorheen onopgemerkt zouden blijven achter de ribbenkast van een patiënt."Ik zou het graag een keer doen", zei Olivo."Als we een vergelijkbaar slagingspercentage krijgen bij het detecteren van textuur in tumoren, is het potentieel voor vroege diagnose enorm."Het kan een uitdaging zijn om explosieven te vinden met behulp van traditionele röntgentechnieken wanneer ze verborgen zijn in elektronica en andere dingen.Onderzoekers ontdekten echter dat de nieuwe aanpak onder testinstellingen een nauwkeurigheid van 100 procent had voor het detecteren van explosieven.Kleine hoeveelheden explosieven, zoals Semtex en C4, werden door het UCL-team verborgen in elektrische apparaten zoals computers, haardrogers en mobiele telefoons om sterk op een reistas te lijken.De producten werden samen met tandenborstels, opladers en andere alledaagse voorwerpen in tassen gestopt.De onderzoekers gebruikten een speciaal geconstrueerde machine met maskers - metalen platen met gaten erin geboord, die de bundels in een reeks kleinere bundeltjes splitsten - om de zakken te scannen in plaats van gewone röntgenapparaten te gebruiken, die objecten raken met een uniform veld van röntgenstralen.De bundeltjes werden verstrooid onder hoeken zo klein als een microradiaal (ongeveer een 20.000ste van een graad) terwijl ze door de zak en de inhoud ervan bewogen.De verstrooiing werd onderzocht door AI, die was getraind om de textuur van specifieke materialen te identificeren aan de hand van een bepaald patroon van hoekveranderingen.Hoewel de wetenschappers toegaven dat het onrealistisch zou zijn om zo'n hoge mate van nauwkeurigheid te verwachten in grotere onderzoeken die de praktijksituaties beter weerspiegelen, was het algoritme in staat om explosieven correct te identificeren in elk experiment dat onder testomstandigheden werd uitgevoerd."Dit nieuwste werk van de UCL-teams die hier worden gepresenteerd, ziet er veelbelovend uit. Het combineert nieuwe röntgenbeeldvorming met AI en heeft een groot potentieel voor de extreem uitdagende taken van dreigingsdetectie in handbagage en NDT-toepassingen zoals scheurdetectie", aldus Kevin Wells. , universitair hoofddocent aan de Universiteit van Surrey, VK.Sprekend over het gebruik van deze techniek voor het opsporen van tumoren in een vroeg stadium, voegde Kevin eraan toe: "Kankerdetectie brengt zijn eigen uitdagingen met zich mee en we kijken ernaar uit om de voortgang van het werk op dit gebied te zijner tijd te zien."Het onderzoek is vrijdag voor het eerst gepubliceerd in het wetenschappelijke tijdschrift Nature Communications.Röntgenbeeldvorming is gestimuleerd door de introductie van op fasen gebaseerde methoden.De zichtbaarheid van details wordt verbeterd in beelden met fasecontrast, en donkerveldbeelden zijn gevoelig voor inhomogeniteiten op een lengteschaal onder de ruimtelijke resolutie van het systeem.Hier laten we zien dat donkerveld een textuur creëert die kenmerkend is voor het afgebeelde materiaal, en dat de combinatie met conventionele demping leidt tot een betere discriminatie van bedreigingsmateriaal.We laten zien dat resterende ambiguïteiten kunnen worden opgelost door gebruik te maken van de verschillende energie-afhankelijkheid van de donkerveld- en verzwakkingssignalen.Verder laten we zien dat de donkerveldtextuur zeer geschikt is voor identificatie door middel van machine learning-benaderingen door middel van twee proof-of-concept-onderzoeken.In beide gevallen leidde de toepassing van dezelfde benaderingen op datasets waaruit de donkerveldbeelden waren verwijderd, tot een duidelijke verslechtering van de prestaties.Hoewel de kleinschaligheid van deze onderzoeken betekent dat verder onderzoek nodig is, wijzen de resultaten op potentieel voor een gecombineerd gebruik van donkere en diepe neurale netwerken in beveiligingstoepassingen en daarbuiten.