Dans ce billet de blogue, nous présentons l'utilisation de Dragonfly Les capacités de super-résolution de [nom de l'appareil]. La super-résolution en tomodensitométrie (TDM) consiste à réaliser des acquisitions à basse et haute résolution, puis à créer un modèle d'apprentissage profond à partir de ces deux paires d'images. Ce modèle utilise ensuite des acquisitions à basse résolution pour produire des images d'une qualité supérieure, presque identique à celle des images haute résolution, sans nécessiter d'acquisition à haute résolution !

L'application choisie pour cette démonstration est la caractérisation de structures réticulaires fabriquées par impression 3D. Ces structures poreuses de conception complexe présentent de nombreuses applications potentielles : pour en savoir plus, consultez l'article de synthèse récent [1].

Malgré ses nombreux avantages, la fabrication additive de structures réticulaires présente certaines limites intrinsèques, et des défauts de fabrication peuvent survenir, nécessitant une inspection et une caractérisation minutieuses. La tomographie aux rayons X est bien adaptée à cet usage, mais sa résolution est intrinsèquement limitée à la taille de l'objet, ce qui oblige souvent à accepter une faible résolution. Prenons l'exemple d'un objet de grande taille avec une petite section de matériau réticulaire. L'imagerie à super-résolution par apprentissage profond permet de surmonter cette difficulté. Les images ci-dessous (fig. 1 et 2) présentent un balayage haute résolution (taille de voxel de 4 μm) et un balayage basse résolution (taille de voxel de 16 μm) du même treillis ; à basse résolution, de nombreux détails de surface sont perdus. Les numérisations de cette démonstration ont été effectuées à l'aide d'un… Comet Système Yxlon FF35 CT. L'échantillon lui-même mesure 6 mm de diamètre et a été fabriqué par fusion laser sur lit de poudre (L-PBF) à l'aide d'un système d'impression EOS M290 avec de la poudre de Ti6Al4V.

Fig. 1 + 2 : Exemples de numérisations haute et basse résolution d'une structure de réseau (largeur de l'échantillon : 6 mm pour l'échelle)

Le manque de détails dans l'image à basse résolution est simplement dû à la taille plus importante des voxels, comme le montre la comparaison des images de coupes dans les figures 3 et 4, pour les deux résolutions. Les images sont volontairement présentées avec les voxels individuellement plutôt qu'avec une interpolation afin de souligner la différence de taille des voxels.

Fig. 3 + 4 : Comparaison de la basse et de la haute résolution montrant les voxels/pixels individuels.

La capacité d'entraîner un réseau neuronal à prendre en entrée et en sortie deux images, puis à créer un réseau qui transforme toutes les images similaires de faible résolution en images de haute résolution, est illustrée dans l'exemple ci-dessous (figure 5), où l'image centrale représente le résultat de super-résolution. L'amélioration du rapport signal sur bruit (SNR) est clairement visible sur l'image et quantifiée à l'aide de Dragonfly à ce qui suit : le rapport signal sur bruit (SNR) de la faible résolution d’origine est de 1,19, le balayage haute résolution est de 1,48 et le résultat de la super-résolution est de 1,47.

Fig. 5 : Le modèle de super-résolution (au milieu) est possible grâce à un entraînement utilisant un ensemble de données haute résolution (à droite) et un ensemble de données basse résolution (à gauche), qui peut être appliqué à toutes les futures numérisations de basse résolution.

Bien que la visibilité des détails reste limitée par la taille initiale des pixels, la super-résolution permet une meilleure quantification des petits détails grâce à l'amélioration d'image obtenue. Les figures 6 à 8 présentent des images 3D de la porosité d'une entretoise du réseau, acquises et segmentées à partir des ensembles de données à basse, haute et très basse résolution. La segmentation a été effectuée par seuillage automatique d'Otsu. La super-résolution est nettement supérieure à la basse résolution, malgré une taille de pixel et des données d'entrée identiques, et atteint un niveau de détail presque équivalent à celui de la haute résolution.

Fig. 6 - 8 : Régions individuelles de treillis avec porosité analysée : en haut à gauche les résultats à faible résolution, en haut à droite les résultats à super-résolution et en bas les résultats à haute résolution.

Après l'application du modèle de super-résolution à l'ensemble du réseau, la comparaison de l'analyse de porosité résultante est présentée ci-dessous dans les figures 9 à 11, améliorée dans ce cas grâce à un modèle de segmentation par apprentissage profond (voir notre article de blogue du 5 avril 2023). Comet sa solution d'IA pour la mesure de la porosité).

Figure 9 - 11 : Analyse complète de la porosité du réseau appliquée à des ensembles de données à faible résolution, à super-résolution et à haute résolution.

En conclusion, l'inspection et la quantification optimales des défauts dans les structures réticulaires fabriquées par impression 3D nécessitent l'utilisation de la résolution d'acquisition la plus élevée possible. Si cela s'avère impossible, la super-résolution offre des performances nettement supérieures et permet des analyses bien plus pertinentes que les données à basse résolution. L'amélioration du contraste grâce aux modèles d'apprentissage profond en super-résolution permet notamment de numériser des objets plus volumineux tout en améliorant la qualité de leur image, ou encore d'optimiser l'utilisation de deux systèmes (par exemple, une première numérisation à haute résolution, suivie d'acquisitions ultérieures à plus basse résolution, mais moins coûteuse). Les numérisations à haute résolution nécessitent souvent une préparation plus minutieuse et des temps d'acquisition plus longs, ce qui représente également un gain d'efficacité. La super-résolution n'est qu'une des nombreuses applications de l'IA à la tomographie aux rayons X et offre des avantages considérables !

[1] Du Plessis, A., Razavi, SMJ, Benedetti, M., Murchio, S., Leary, M., Watson, M., Bhate, D. et Berto, F., 2022. Propriétés et applications des matériaux cellulaires métalliques fabriqués par impression 3D : une revue. Progress in Materials Science, 125, p.100918.