Les chercheurs détectent les menaces cachées grâce à l’imagerie à rayons X avancée

Les chercheurs ont combiné diverses technologies d’imagerie à rayons X pour créer des images multicontraste pouvant être utilisées pour détecter des matières menaçantes telles que des explosifs dans des milliers de scénarios complexes. La nouvelle approche, qui exploite également des procédures d'apprentissage automatique facilement disponibles pour la classification des matériaux, pourrait être utile pour le contrôle de sécurité ainsi que pour des applications dans les sciences de la vie et physiques.

« Cette méthode est particulièrement bien adaptée à la discrimination d'objets ayant une composition élémentaire très similaire », a déclaré Thomas Partridge, chef de l'équipe de recherche de l'University College de Londres au Royaume-Uni. « Il pourrait être utilisé dans le cadre de la sécurité des aéroports ou dans toute opération d'analyse en ligne pour examiner les matériaux signalés comme suspects par une analyse rapide initiale telle qu'un système à rayons X traditionnel. »

Dans la revue Optique, les chercheurs montrent que la nouvelle approche s'est avérée très efficace pour détecter et identifier avec précision les explosifs dans près de 4 000 analyses de matériaux menaçants et non menaçants cachés dans des sacs ou masqués par divers types d'objets. Ils ont atteint un taux de rappel presque parfait de 99,68 %, avec un seul faux négatif, pour les cas porteurs de menace.

« Bien que des travaux supplémentaires soient nécessaires, cette approche pourrait également s'avérer utile pour l'imagerie médicale », a déclaré Partridge. « Alors que l'imagerie par rayons X traditionnelle a du mal à séparer les tissus sains des tissus malades, d'autres études ont suggéré que l'imagerie à contraste de phase pourrait capturer des textures qui pourraient être utilisées pour distinguer les tissus sains et bénins. »

Percer des secrets matériels

Les appareils à rayons X que l'on trouve dans les aéroports ou les établissements médicaux sont basés sur l'atténuation des rayons X, qui image la réduction d'intensité des rayons X après leur passage à travers un matériau. La nouvelle technique crée des images multicontraste en combinant les données conventionnelles d'atténuation des rayons X à diverses énergies de rayons X avec les informations de phase des rayons X, constituées de canaux de réfraction et de fond noir.

« De nombreux explosifs et objets courants du quotidien sont principalement composés de carbone, d'hydrogène, d'azote et d'oxygène, une similitude qui les rend difficiles à séparer avec la seule atténuation des rayons X », a déclaré Partridge.

« Les canaux supplémentaires offrent une amélioration nettement meilleure des bords ainsi que des textures et des grains de matériaux, permettant la discrimination d'objets avec des compositions élémentaires très similaires. »

Ce travail s'appuie sur les efforts antérieurs des chercheurs visant à utiliser l'imagerie améliorée par rayons X multi-contraste avec des approches d'apprentissage automatique pour la détection des menaces avec un plus petit nombre d'explosifs et d'objets inoffensifs.

Dans la nouvelle expérience, ils ont considérablement augmenté le nombre de matériaux étudiés et le nombre de scénarios d’imagerie afin de mieux imiter les situations du monde réel. Ils ont également créé un système de numérisation plus efficace avec une résolution qui pourrait être modifiée en modifiant la vitesse de numérisation et le contraste de phase d'éclairage des bords appliqué.

L'éclairage des bords consiste à placer des masques avant et après l'échantillon pour créer les « faisceaux » de rayons X sous-pixels nécessaires pour rendre le système sensible aux signaux de phase. L’un des principaux avantages de cette approche d’éclairage est qu’elle fonctionne avec des sources de rayons X incohérentes, élargissant ainsi son applicabilité.

Étant donné que la complexité accrue des scénarios d’imagerie nécessitait des protocoles plus sophistiqués, les chercheurs ont appliqué l’apprentissage automatique avec une architecture hiérarchique séparant les objets encombrants avant de distinguer les types de matériaux. Cela a permis de discerner rapidement des différences subtiles dans les formes et les textures afin de distinguer les matériaux en fonction de caractéristiques d'identification clés.

Détection des menaces

Pour tester la nouvelle technique, ils ont utilisé 19 matériaux dangereux et 56 matériaux non dangereux, tous de trois épaisseurs et masqués par une gamme d'objets encombrants tels que des brosses, des lingettes pour le visage, des chaussettes et d'autres articles que les passagers auraient dans un bagage à main.

En utilisant tous les canaux de contraste acquis, les chercheurs ont démontré non seulement une discrimination matérielle mais aussi une identification dans certains cas. L’utilisation du deep learning pour analyser les signaux issus de la combinaison des contrastes de rayons X a fourni des résultats très prometteurs, avec un seul échec sur 313 cas de menace.

Les chercheurs affirment que pour traduire cette approche dans un environnement commercial, il faudrait améliorer la vitesse de numérisation grâce à une optimisation plus poussée du système. La robustesse de la discrimination matérielle doit également être testée sur un ensemble de données plus large.

L’un des domaines d’étude actifs de l’équipe consiste à combiner cette méthode avec la tomodensitométrie 3D, qui est explorée à des fins de sécurité en raison de sa capacité à fournir des images détaillées et tridimensionnelles d’objets.