La microscopie par fluorescence X (XRF) permet de cartographier très précisément les éléments chimiques présents dans un échantillon, jusqu'à l'échelle nanométrique. Son principe consiste à exposer l'échantillon à un faisceau de rayons X. Les atomes excités émettent alors des rayons X caractéristiques, dont l'analyse permet de déterminer quels éléments sont présents et où ils se trouvent.
Cette technique présente toutefois une contrainte : obtenir des images de qualité nécessite généralement des temps d'acquisition longs et donc une exposition importante aux rayons X, ce qui peut endommager les échantillons sensibles tels que les cellules biologiques ou les matériaux énergétiques*.
Pour surmonter ces limites, une équipe associant la ligne de lumière ID16A de l'ESRF (European Synchrotron Radition Facility) et le laboratoire Modélisation et Exploration des Matériaux (MEM) du CEA-Irig a développé une méthode de réduction du « bruit » des images par traitement informatique. Le bruit correspond aux fluctuations parasites qui peuvent masquer les informations utiles, en particulier lorsque le temps d'exposition est court.
La méthode, dite « auto-supervisée », s'appuie sur l'approche Noise2Noise* et une architecture de réseau de neurones appelée U-Net*. Elle permet de distinguer le signal utile du bruit sans nécessiter une image de référence parfaite.
Testée dans un premier temps sur un échantillon à géométrie connue (« étoile de Siemens* »), la méthode a ensuite été appliquée à des cellules cancéreuses humaines (un cas représentatif des applications biologiques où il est impératif que les doses de rayonnement restent faibles), Avec une acquisition de seulement 10 millisecondes par pixel, elle permet d'obtenir des images plus lisibles et de révéler des structures masquées dans les données brutes. Les images ainsi traitées sont même plus nettes que celles obtenues avec une exposition cinq fois plus longue, de 50 millisecondes par pixel.
Cette approche permet donc de réduire à la fois le temps d'acquisition et la dose de rayonnement, sans perte d'information. Elle pourrait notamment faciliter la cartographie les oligo-éléments dans des échantillons biologiques sensibles aux rayonnements, la caractérisation des matériaux nécessitant une analyse sur de grandes surfaces, et être utilisée pour des études résolues en temps où la vitesse d'acquisition est cruciale.
Autre atout : cette amélioration repose sur le traitement des données et ne nécessite aucune modification des instruments XRF ou EDX existants.
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.
Étoile de Siemens* : cible de test de résolution constituée de motifs radiaux en or déposés sur un substrat en silicium.