Los investigadores detectan amenazas ocultas con imágenes de rayos X avanzadas

Los investigadores han combinado varias tecnologías de imágenes de rayos X para crear imágenes de contraste múltiple que pueden usarse para detectar materiales amenazantes, como explosivos, en miles de escenarios complicados. El nuevo enfoque, que también aprovecha los procedimientos de aprendizaje automático disponibles para la clasificación de materiales, podría ser útil para controles de seguridad, así como para aplicaciones en las ciencias físicas y biológicas.

«Este método es particularmente adecuado para discriminar objetos con una composición elemental muy similar», dijo el líder del equipo de investigación Thomas Partridge del University College London en el Reino Unido. «Podría usarse en seguridad aeroportuaria o en cualquier operación de escaneo en línea para examinar materiales marcados como sospechosos mediante un escaneo rápido inicial, como un sistema de rayos X tradicional».

en el diario ópticalos investigadores espectáculo que el nuevo enfoque fue muy eficaz para detectar e identificar explosivos con precisión en casi 4.000 escaneos de materiales amenazantes y no amenazantes escondidos dentro de bolsas u oscurecidos por varios tipos de objetos. Lograron una tasa de recuperación casi perfecta del 99,68%, con solo un falso negativo, de los casos que contenían amenazas.

«Aunque se necesita más trabajo, este enfoque también podría resultar útil para la obtención de imágenes médicas», afirmó Partridge. «Mientras que las imágenes de rayos X tradicionales luchan por separar el tejido sano del enfermo, otros estudios han sugerido que las imágenes de contraste de fase podrían capturar texturas que podrían usarse para distinguir tejidos sanos y benignos».

Desvelando secretos materiales

Las máquinas de rayos X que se encuentran en aeropuertos o instalaciones médicas se basan en la atenuación de rayos X, que visualiza la reducción de la intensidad de los rayos X después de que pasan a través de un material. La nueva técnica crea imágenes de contraste múltiple combinando datos de atenuación de rayos X convencionales en varias energías de rayos X con información de fase de rayos X, que consta de canales de refracción y de campo oscuro.

«Muchos explosivos y elementos cotidianos comunes están compuestos principalmente de carbono, hidrógeno, nitrógeno y oxígeno, una similitud que los hace difíciles de separar sólo con atenuación de rayos X», dijo Partridge.

«Los canales adicionales ofrecen una mejora significativa de los bordes, así como de las texturas y vetas de los materiales, lo que permite discriminar objetos con composiciones elementales muy similares».

Este trabajo se basa en esfuerzos anteriores de los investigadores para utilizar imágenes mejoradas en fase de rayos X de contraste múltiple con enfoques de aprendizaje automático para la detección de amenazas con una cantidad menor de explosivos y objetos benignos.

En el nuevo experimento, aumentaron significativamente la cantidad de materiales investigados y la cantidad de escenarios de imágenes para imitar mejor situaciones del mundo real. También crearon un sistema de escaneo más efectivo con una resolución que se podía cambiar modificando la velocidad de escaneo y aplicando el contraste de fase de iluminación del borde.

La iluminación de bordes implica colocar máscaras antes y después de la muestra para crear los «haces» de rayos X de subpíxeles necesarios para que el sistema sea sensible a las señales de fase. Una ventaja clave de este enfoque de iluminación es que funciona con fuentes de rayos X incoherentes, lo que amplía su aplicabilidad.

Dado que la mayor complejidad de los escenarios de imágenes requería protocolos más sofisticados, los investigadores aplicaron el aprendizaje automático con una arquitectura jerárquica que separaba los objetos desordenados antes de distinguir los tipos de materiales. Esto hizo posible discernir rápidamente diferencias sutiles en formas y texturas para distinguir materiales en función de características de identificación clave.

Detectando amenazas

Para probar la nueva técnica, utilizaron 19 materiales peligrosos y 56 materiales no peligrosos, todos de tres espesores y oscurecidos por una variedad de objetos desordenados como cepillos, toallitas faciales, calcetines y otros artículos que los pasajeros llevarían en un bolso de mano.

Al utilizar todos los canales de contraste adquiridos, los investigadores demostraron no sólo discriminación material sino también identificación en algunos casos. El uso del aprendizaje profundo para analizar las señales de la combinación de contrastes de rayos X proporcionó resultados muy prometedores, con solo un error en 313 casos de amenaza.

Los investigadores dicen que trasladar este enfoque a un entorno comercial requeriría mejorar la velocidad de escaneo mediante una mayor optimización del sistema. La solidez de la discriminación material también debe comprobarse con un conjunto más amplio de datos.

Un área de estudio activo para el equipo es combinar el método con la tomografía computarizada 3D, que se está explorando con fines de seguridad debido a su capacidad para proporcionar imágenes tridimensionales detalladas de objetos.