КАРТОЧКА ПРОЕКТА,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ

Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.

 

ОБЩИЕ СВЕДЕНИЯ


Номер 18-79-00164

НазваниеРазработка технологии сбора и обработки экспериментальных данных для рентгеновской томографии с применением методов машинного обучения

РуководительЛазарев Сергей Владимирович, Кандидат физико-математических наук

Организация финансирования, регионфедеральное государственное автономное образовательное учреждение высшего образования "Национальный исследовательский Томский политехнический университет", Томская обл

Срок выполнения при поддержке РНФ 07.2018 - 06.2020 

КонкурсКонкурс 2018 года по мероприятию «Проведение инициативных исследований молодыми учеными» Президентской программы исследовательских проектов, реализуемых ведущими учеными, в том числе молодыми учеными

Область знания, основной код классификатора 09 - Инженерные науки, 09-603 - Надежность и отказоустойчивость технических систем. Диагностика технического состояния и испытания

Ключевые словаРентгеновская томография, алгоритмы реконструкции, машинное обучение, неразрушающий контроль

Код ГРНТИ59.01.77


СтатусУспешно завершен


 

ИНФОРМАЦИЯ ИЗ ЗАЯВКИ


Аннотация
Простейшим методом рентгеноструктурного анализа является двумерное рентгенографическое исследование (РИ). Являясь в технике и технологии одним из важнейших методов неразрушающего контроля, РИ применяется в процессе производства и эксплуатации для контроля: отливок, сварных соединений, железобетона, различных неразборных и трудноразборных машин и других металлических деталей для поиска дефектов. Недостатками данного метода являются – низкая информативность, сложность сегментации данных, а также невозможность визуализировать элементы внутренней структуры исследуемого образца сонаправленные с рентгеновским пучком. Более информативным является метод рентгеновской компьютерной томографии (КТ), схема которого представлена на рисунке 1 (доп. файл). КТ позволяет получить трехмерную реконструкцию объекта исследования с возможностью визуализации его внутренней структуры. В некоторых случаях применимость КТ затруднена рядом ограничивающих факторов, к которым относятся размеры исследуемого объекта, площадь детектирующей поверхности, механические ограничения работы томографической установки или, например, размеры рабочей области установки. Ещё одним важным моментом является вес исследуемого объекта, так как механические системы, способные осуществлять вращение тяжелых объектов с достаточной точностью, значительно увеличивают стоимость установки. Также существующие подходы проведения томографического сканирования невозможно применять для зафиксированных объектов, расположенных таким образом, что физический доступ к ним ограничен с одной или нескольких сторон, как это показано на рисунке 2 (доп. файл). На настоящий момент рентгеновская томография является широко распространенным методом структурного анализа, находящим своё применение во всевозможных областях. В связи с чем, разработка новых подходов к проведению рентгеновского томографического сканирования, а также модификация и оптимизация алгоритмов томографической реконструкции являются актуальными направлениями исследовательской деятельности. Перспективным подходом к решению проблем КТ, является применением протокола сканирования без вращения объекта. Данный подход лежит в основе геометрии, которая позволяет сканировать протяженные объекты, а также объекты, чьё вращение по тем или иным причинам невозможно осуществить. Создание рентгеновской установки, способной реализовать протоколы сканирования с пошаговым сдвигом, позволит отработать технологию применения такого рода томографического сканирования для её переноса на крупногабаритные объекты. Таким образом, в рамках проекта планируется разработка рентгеновского томографа, реализующего схему сбора проекционных данных без вращения объекта исследования. Это позволит разработать и применять инновационные алгоритмы томографической реконструкции с применением машинного обучения. Такой подход способен обеспечить приемлемое качество реконструкции и визуализации исследуемого объекта при неполном наборе проекционных данных, что является одним из недостатков подобных протоколов сканирования. Предлагаемая технология будет способна обеспечить решение ряду очень важных проблем сфере неразрушающего рентгеновского контроля. Методы неразрушающего рентгеновского контроля нуждаются в инновационных решения, которые позволят ускорить переход к высокотехнологичному производству во многих отраслях российской промышленности. Кроме того, полученные результаты могут лечь в основу методов снижение дозы облучения при томографического исследовании в медицине.

Ожидаемые результаты
В результате выполнения проекта, планируется получение следующих трех главных результатов: - прототип рентгеновского томографа, реализующий схему сбора данных без вращения объекта исследования засчет изменения расстояния от источника излучения до детектора; - инновационный алгоритм томографической реконструкции с применением методов машинного обучения; - технология проведения рентгеновского томографического исследования с применением первых двух результатов. На настоящий момент рентгеновская томография является широко распространенным методом структурного анализа, находящим своё применение во всевозможных областях науки и техники. В связи с чем, разработка новых подходов к проведению рентгеновского томографического сканирования, а также модификация и оптимизация алгоритмов томографической реконструкции являются актуальными направлениями исследовательской работы. Современные разработки в данной области направлены на то, чтобы выжать максимум из существующих подходов. Например, чтобы сделать рентгеновскую томографическую установку универсальной для объектов разного размера, применяют комбинацию из нескольких источников излучения и детекторов. Также существуют решения, суть которых заключается только в изменение схемы сбора экспериментальных данных с последующим применением стандартных алгоритмов реконструкции, что не в полной мере раскрывает потенциал систем трехмерного рентгеновского анализа. Разработка новых протоколов томографического сканирования, а также использование методов машинного обучения в алгоритмах томографической реконструкции позволят значительно расширить область применения рентгеновской томографии. Откроются новые возможности для неразрушающего рентгеновского контроля крупногабаритных объектов, позволяющие экономить ресурсы засчет упрощения механических систем манипуляции объектов исследования. Также новые подходы проведения рентгеновского томографического сканирования могут лечь в основу мобильных установок нового типа.


 

ОТЧЁТНЫЕ МАТЕРИАЛЫ


Аннотация результатов, полученных в 2018 году
В рамках работы над проектом за отчетный период была создана компьютерная модель, имитирующая работу рентгеновского томографа. Данная модель способна генерировать проекционные данные для стандартной геометрии томографического сканирования с вращением образца, а также проекционные данные для предлагаемой геометрии сканирования. Это позволило верифицировать работоспособность предлагаемой технологии, а также получить данные, подходящие для проверки алгоритмов реконструкции на этапе закупки оборудования. Так как геометрия томографического сканирования без вращения образца с изменением расстояния между источником излучения и детектором не позволяет собрать данные достаточно полные для детальной реконструкции высокого качества, непосредственно перед реконструкцией набор данных должен будет проходить предварительную обработку. Для того чтобы применить методы машинного обучения необходимо было выработать стратегию их использования. Было установлено, что проекционные данные полученные при изменении расстония источник-детектор можно конвертировать в псевдо-стандартные проекционные данные. Это означает, что применив правильный алгоритм сортировки можно добиться такого формата данных, которые получается при сборе проекций в соотвествии со стандартной геометрией сканирования. Однако, применение такой конвертации не позволяет получить лишь неполные данные, компенсацию которых планируется осуществить благодаря применению машинного обучения. Таким образом, на основе полученных иснтрументов моделирования на данный момент ведется многократное моделирование для определения наиболее эффективного способа сортировки данных. На разных этапах выполнения работы за отчетный период применялись: моделирование физических процессов на языке программирования Python, реализация стандартного протокола сканирования, протокола томографического сканирования с пошаговым сдвигом, а также протокола сканирования без вращения образца и комбинации двух последних. Использовать алгоритм обратного проецирования и, а также его оптимизация для упомянутой геометрии сканирования без вращения. На основе данных, полученных в результате моделирования, были сформированы принципы конфигурирования прототипа рентгеновской установки. Эти принципы позволили разработать концепт рентгеновской томографической установки и спроектировать её первый прототип. Что в свою очередь позволило осуществить закупку необходимого оборудования. Также стоит упомянуть, что идеи, заложенные в основу применения методов машинного обучения для достижения наилучшего качества томографической реконструкции, дали толчок для развития аналогичных принципов применения машинного обучения в медицине для диагностики рака, о чем сказано в соответствующем пункте отчета об упоминаниях о проекте в сми.

 

Публикации

1. - Разглядеть болезнь ЗА КАДРЫ - Газета Национального исследовательского Томского политехнического университета, 6 февраля 2019 №1 (3477) (год публикации - ).

2. Оздиев А.Х., Лазарев С.В. Трансляционный рентгеновский томографический подход для сканирования объекта в ограниченных условиях Контроль. Диагностика, - (год публикации - 2019).

3. Оздиев А.Х., Лазарев С.В. A theoretical approach for the reduction of x-ray radiation dose within the optimization of the tomographic scanning process Journal of Physics: Conference Series, - (год публикации - 2019).


Аннотация результатов, полученных в 2019 году
В рамках проекта планировалось разработать технологию сбора и обработки данных для рентгеновского томографического сканирования с применением методов машинного обучения. Проблема сканирования некоторых объектов заключается в том, что существуют факторы ограничивающие возможность изменения его положения. Тогда как изменение положения объекта, а именно его вращения, является основным и необходимым условиями для осуществления сбора проекционных данных при стандартном рентгеновском томографическом сканировании. К этим факторам относятся, например, масса объекта или его фиксированное положение, ограничивающее физический доступ к нему. В связи с этим был разработан подход рентгеновского томографического сканирования, который не требует вращения образца, в рамках него для осуществления сбора данных необходимо использовать конусный источник рентгеновского излучения и организовать возможность изменения расстояния между источником излучения и детектором. Проекционные данные, генерируемые на основе такого подхода к их сбору, не способны предоставить возможность качественного восстановления исходного изображения или изображения внутренней структуры сканируемого объекта, при использовании стандартного алгоритма томографической реконструкции. По этой причине был разработан алгоритм сортировки данных, который позволяет конвертировать проекционные данные для обеспечения возможности применения стандартных алгоритмов реконструкции. Однако, в связи с неполнотой данных, возникающей вследствие ограниченного углового диапазона при сборе данных без вращения объекта, реконструкция из таких данных также не удовлетворяет требованиям. Для достижения приемлемого качества реконструкции на основе архитектуры нейронной сети Generative Adversarial Network было проведено обучение экспериментальной сети на подготовленном датасете. Датасет был смоделирован для 4 геометрических примитивов: круг, квадрат, треугольник и звезда,. Объем сгенерированного датасета составлял 14880 изображений. В результате обучения был получен инструмент, который способен генерировать проекционный данные, структура которых соответствует стандартному протоколу сканирования, из проекционных данных, полученных при сканировании без вращения с изменением расстояния источник-детектор. Это позволило уменьшить отклонение восстановленного изображения от исходного изображения до 12%. Очевидно, что дальнейшая оптимизация параметров нейронной сети может привезти к дополнительному снижению погрешности, однако полученный результат уже демонстрирует работоспособность предлагаемого метода.

 

Публикации

1. - Разглядеть болезнь Газета Национального исследовательского Томского политехнического университета "За кадры", 26 ноября 2019 №9 (3485) (год публикации - ).

2. Оздиев А.Х., Лазарев С.В. Трансляционный рентгеновский томографический подход для малоракурсного сканирования объектов Изв. вузов. Физика., Изв. вузов. Физика. – 2020. – Т. 63. – № 3. (год публикации - 2020).

3. Седнев Дмитрий Андреевич, Ларионов Виталий Васильевич, Гаранин Георгий Викторович, Лидер Андрей Маркович, Оздиев Али Хосенович Способ рентгеновского контроля внутренней структуры изделия -, - (год публикации - ).

4. Теоретическая оценка снижения дозы облучения на основе оптимизации процесса рентгеновского томографического сканирования A theoretical approach for the reduction of X-ray radiation dose within the optimization of the tomographic scanning process Journal of Physics: Conference Series, Volume 1327, Issue 1, 9 October 2019, Article number 12002 (год публикации - 2019).


Возможность практического использования результатов
Разработанная технология способна лечь в основу промышленный рентгеновских томографов для инспектирования крупногабаритных объектов, а также для инспектирования объектов "в поле", учитывая возможность создания мобильной версии томографа. Разработанное программное обеспечение также может использоваться в этих целях, однако его использование, как самостоятельный инструмент моделирования и реконструкции также возможно. Применение методов машинного обучения способна решить многие проблемы в области неразрушающего рентгеновского контроля, особенно в ситуациях с возникновением неполноты экспериментальных данных.