La microscopie XRF est une technique d'analyse qui utilise un faisceau de rayons X focalisé, associé à la détection des rayons X fluorescents émis par des atomes excités. En balayant l'échantillon point par point, elle fournit des cartes quantitatives des éléments chimiques avec une résolution pouvant atteindre l'échelle nanométrique ; toutefois, cela nécessite des temps d'acquisition longs et des doses de rayonnement élevées, ce qui peut s'avérer critique pour des échantillons sensibles aux rayonnements tels que les cellules biologiques ou les
matériaux énergétiques*. Les détecteurs multicanaux offrent un compromis entre la qualité des données et la préservation de l'échantillon en collectant davantage de photons et en augmentant le rapport signal/bruit (SNR). Cependant, le nombre de détecteurs pouvant être intégrés est limité par leur coût et l'espace disponible. Une alternative consiste à tenter d'améliorer le SNR à l'aide de méthodes de réduction du bruit par calcul.
Dans cette étude, les chercheurs ont mis au point un procédé de débruitage auto-supervisé basé sur la
méthode Noise2Noise* et
l'architecture U-Net*. Cette méthode a d'abord été testée sur un échantillon à géométrie connue («
étoile de Siemens* ») et a permis de réduire considérablement le bruit de l'image sans altérer la géométrie des motifs ni la quantification, même pour un détecteur à éléments multiples ne comportant que quelques canaux (2 à 4). Les chercheurs ont ensuite validé cette méthode sur des cellules cancéreuses humaines (un cas représentatif des applications biologiques où il est impératif que les doses de rayonnement restent faibles), en montrant que, grâce à des acquisitions rapides (10 ms par pixel), les images obtenues, initialement très bruitées, sont plus lisibles et révèlent des structures masquées dans les images brutes tout en étant plus nettes que les images de référence acquises avec une exposition cinq fois plus longue (50 ms par pixel).
© CEA-Irig/MEM
Figure: Schéma de la configuration du détecteur XRF à éléments multiples, accompagné des résultats du débruitage. Les résultats présentés en bas de figure permettent de comparer les données brutes acquises à 10 ms par pixel, la reconstruction débruitée et une carte de référence enregistrée à 50 ms par pixel pour les raies élémentaires du zinc (à gauche) et de l'iridium (à droite).
La méthode mise au point permet d'obtenir des images d'une qualité comparable, voire supérieure, à celles obtenues avec des temps d'exposition bien plus longs, ce qui permet de maintenir la dose de rayonnement à un faible niveau et d'assurer une acquisition rapide. Cette approche sera donc particulièrement utile pour cartographier les oligo-éléments dans des échantillons biologiques sensibles aux rayonnements, pour caractériser des matériaux nécessitant une analyse sur de grandes surfaces, ainsi que pour des études résolues en temps où la vitesse d'acquisition est cruciale. De plus, pour obtenir ce type de résultats, il n'est pas nécessaire d'utiliser des détecteurs composés d'un grand nombre d'éléments détecteurs, ce qui signifie que cette méthode peut être mise en œuvre sur des instruments XRF et EDX existants sans aucune modification matérielle.
Matériaux énergétiques* : matériaux utilisés pour produire, convertir, stocker ou économiser de l'énergie, par exemple pour la fabrication d'électrodes et d'électrolytes de batteries, ou pour produire, stocker ou utiliser de l'hydrogène. Ils englobent également les matériaux photovoltaïques à couche mince ou les matériaux capables de convertir le CO₂ en molécules utiles, …
Méthode Noise2Noise* : méthode d'apprentissage profond qui entraîne un réseau de débruitage à l'aide d'images bruitées. Le bruit étant aléatoire et variant d'une image à l'autre, le réseau n'apprend pas à reproduire le bruit, mais apprend progressivement à identifier l'élément commun : le signal réel.
Architecture U-Net* : architecture de
réseau neuronal convolutif* initialement développée pour la segmentation d'images et désormais largement utilisée pour les tâches de restauration d'images. Sa structure permet au réseau d'analyser une image à plusieurs échelles et de la reconstruire tout en préservant les détails fins.
Réseau neuronal convolutif* : architecture d'apprentissage profond qui, grâce à des opérations de convolution, apprend à reconnaître les structures pertinentes d'une image, permettant ainsi le débruitage, la segmentation ou la restauration.
Méthode Noise2Noise / architecture de type U-Net* : en traitant les cartes issues des canaux individuels du détecteur comme des observations indépendantes d'une même structure sous-jacente, des paires d'images sont générées et utilisées pour entraîner un modèle de débruitage. Une image débruitée est ensuite reconstruite en combinant les sorties du réseau U-Net entraîné.
Étoile de Siemens* : cible de test de résolution constituée de motifs radiaux en or déposés sur un substrat en silicium.
UMR : MEM/LEMMA & MEM/NRX : CEA, Univ. Grenoble Alpes (UGA).
Financements: ESRF beamtime at ID16A (experiment IHLS-3625); EU Horizon 2020 MSCA COFUND ENGAGE (No. 101034267) & SCANnTREAT (No. 899549).
Collaborations: ESRF.