Ricercatori hanno combinato varie tecnologie di imaging a raggi X per creare immagini a multi-contrasto, che possono essere utilizzate per rilevare materiali minacciosi come esplosivi in migliaia di scenari complessi. Questo nuovo approccio, che utilizza anche procedure di machine learning disponibili, potrebbe essere utile nella security screening e nelle applicazioni nelle scienze della vita e fisiche.
"Questo metodo è particolarmente adatto a discriminare oggetti con composizione elementale molto simile", ha affermato il leader del team di ricerca, Thomas Partridge, dell'University College London nel Regno Unito. "Potrebbe essere impiegato nella sicurezza degli aeroporti o in qualsiasi operazione di scansione in linea per esaminare i materiali segnalati come sospetti da una scansione rapida iniziale, come un sistema a raggi X tradizionale."
Nel giornale Optica, i ricercatori dimostrano che il nuovo approccio è stato altamente efficace nell'accuratamente rilevare e identificare esplosivi in quasi 4.000 scansioni di materiali minacciosi e non, nascosti all'interno di borse o oscurati da vari tipi di oggetti. Hanno raggiunto un tasso di riconoscimento quasi perfetto del 99,68%, con solo un falso negativo nei casi con minaccia.
"Sebbene sia necessario ulteriore lavoro, questo approccio potrebbe anche rivelarsi utile per l'imaging medico", ha aggiunto Partridge. "Mentre l'imaging a raggi X tradizionale fatica a separare i tessuti sani da quelli malati, altri studi hanno suggerito che l'imaging a contrasto di fase potrebbe essere in grado di catturare texture che potrebbero essere utilizzate per distinguere tessuti sani e benigni."
Le macchine a raggi X presenti negli aeroporti o nelle strutture mediche si basano sull'attenuazione dei raggi X, che immagina la riduzione dell'intensità dei raggi X dopo che questi attraversano un materiale. La nuova tecnica crea immagini a multi-contrasto combinando i dati convenzionali di attenuazione dei raggi X a varie energie con informazioni sulla fase dei raggi X, che consistono in canali di rifrazione e di campo scuro.
"Molti esplosivi e comuni oggetti di uso quotidiano sono composti principalmente da carbonio, idrogeno, azoto e ossigeno, una somiglianza che li rende difficili da separare solo con l'attenuazione dei raggi X", ha spiegato Partridge. "I canali aggiuntivi offrono un miglioramento significativamente migliore delle texture e dei granuli dei materiali, consentendo la discriminazione di oggetti con composizioni elementali molto simili."
I ricercatori hanno testato la nuova tecnica con 19 materiali di minaccia e 56 materiali non minacciosi, tutti a tre spessori e oscurati da una gamma di oggetti ingombranti come spazzole, salviette, calzini e altri oggetti che i passeggeri potrebbero avere in una borsa da viaggio.
Utilizzando tutti i canali di contrasto acquisiti, i ricercatori hanno dimostrato non solo la discriminazione dei materiali ma anche, in alcuni casi, l'identificazione. L'uso di deep learning per analizzare i segnali derivanti dalla combinazione di contrasti a raggi X ha fornito risultati molto promettenti, con un solo mancato riconoscimento su 313 casi di minaccia.
I ricercatori affermano che la traduzione di questo approccio in un contesto commerciale richiederà il miglioramento della velocità di scansione attraverso ulteriori ottimizzazioni del sistema. La robustezza della discriminazione dei materiali deve anche essere testata su un set di dati più ampio.
Un'area di studio attivo per il team è la combinazione del metodo con la scansione tomografica computazionale 3D, che viene esplorata per scopi di sicurezza a causa della sua capacità di fornire immagini dettagliate e tridimensionali degli oggetti.
