Big data analysis techniques in X-ray fluorescence imaging spectroscopy

Abstract

Big data presents exciting opportunities and huge challenges for data scientists. That is why this field is very promising and considered cutting-edge in many scientific disciplines. The ability to perform complex calculations and extract information from large datasets is a valuable research tool in both basic and applied research. The size and complexity (high dimensionality) of big data present unique challenges, including scalability and storage limitations, noise over clustering, misleading correlations, and randomness errors or problems during measurements. All these challenges require innovative computational and statistical approaches. X-ray fluorescence spectroscopy (XRF) is an analytical method widely used in many fields due to its nondestructive and noninvasive nature. XRF spectroscopy allows multi-elemental determination, requires no processing of the sample, provides fast results, and is environmentally friendly. XRF is based on detecting the specific radiative transitions emitted by the atoms of a material when it is exposed to a primary X-ray beam. The rapid technological development in the last two decades in the field of X-ray tubes, optical devices, as well as energy dispersive detectors has resulted in the rapid development of X-ray fluorescence imaging spectroscopy. In X-ray fluorescence imaging spectroscopy, the ionizing beam scans the target, allowing the elemental composition of the target to be determined based on its position coordinates. The elemental composition is determined from the spectrum recorded in each spatial area during scanning. The number of spectra during a scan depends on the beam spot, the pixel size, and the size of the object, and can exceed a million. Furthermore, each spectrum contains information in thousands of channels. Consequently, the analysis of big data produced by XRF imaging spectroscopy is crucial due to the complexity and volume of data generated during the process. The techniques for analyzing the experimental data can improve the strength of this analytical method. The XRF spectra are high-dimensional, containing vast amounts of data points (spectra) for each sample analyzed. This complexity arises from the need to detect and measure the intensity of emitted X-rays across a broad spectrum of energies. Advanced analytical techniques, such as Principal Component Analysis (PCA), t-Distributed Stochastic Neighbor Embedding (t-SNE), and Non-negative Matrix Factorization (NMF), are essential for dimensionality reduction and data simplification. These techniques enable researchers to manage and interpret the high-dimensional data effectively, extracting meaningful patterns and correlations that would be otherwise hidden/unrevealed. The application of clustering algorithms like k-means and machine learning models, including neural networks, further enhances the capability to process and analyze large XRF datasets. These models facilitate the identification of distinct elements within samples and improve the accuracy of qualitative and quantitative analysis. Moreover, integrating machine deep learning architectures like convolutional neural networks (CNNs) and auto encoders, expands the analytical power of XRF spectroscopy. These algorithms enable the automation of data processing, reducing the need for manual intervention and special knowledge and increasing the efficiency of the analytical workflow. Chapters 1 and 2 introduce the basics of X-rays and X-ray fluorescence (XRF) spectroscopy. They cover the main theory of X-rays, the instrumentation of XRF spectrometers, and the challenges associated with analyzing and interpreting the complex data generated. In Chapters 3 and 4 advanced analytical techniques, such as dimensionality reduction and machine learning algorithms, are discussed that help researchers extract meaningful information from this big data. Subsequent chapters delve deeper into the application of these advanced analytical methods in specific case studies, illustrating the practical benefits of big data analysis in XRF spectroscopy. In Chapter 5, we demonstrate the effectiveness of big data analysis techniques collected during the application of macroscopic scanning X-ray fluorescence spectroscopy to a Byzantine religious icon (Macroscopic XRF, MA-XRF). By comparing methods of X-ray fundamental parameter analysis and statistical data analysis, we demonstrate how these approaches can extract detailed information about pigments used, painting techniques, and the state of preservation of historical artifacts. In Chapter 6, the fusion of datasets acquired from the same object applying asynchronously scanning micro-X-ray fluorescence and multispectral imaging spectroscopy (MSI) is explored. Specifically, the study of stamps was chosen, due to the increased requirements of spatial resolution. This chapter highlights the enhanced analytical capabilities achieved through data fusion, emphasizing the importance of aligning and co-registering datasets from different imaging techniques to obtain more comprehensive insights. Chapter 7 examines the application of Artificial Intelligence (AI) methods to the analysis of datasets acquired by applying MA-XRF on a 19th-century religious image. This chapter illustrates how clustering algorithms, factorization methods, and supervised machine learning techniques can provide detailed and rapid analysis, making advanced data interpretation accessible even to non-experts. Chapter 8 focuses on using convolutional neural networks (CNNs) to analyze MA-XRF datasets from religious panel paintings. It highlights CNNs' effectiveness in accurately identifying and mapping elemental transitions, thus enabling automated spectral analysis and providing support for novice and experienced analysts. Chapter 9 presents two case studies of machine learning applied to art conservation analysis. Firstly, investigates the potential of CNN classifiers to analyze complex multilayer samples in paintings. By training CNNs to predict paint layers from scanning XRF spectra, this chapter demonstrates the capability of these networks to reveal the stratigraphy of artworks, offering valuable tools for art conservation and study. Secondly, investigates the per-pixel correlation between RGB images and XRF spectra using a deep autoencoder, providing a comprehensive understanding of the relationship between visual and spectral data in artworks before restoration and conservation. In conclusion, big data analysis in XRF spectroscopy is a crucial tool for analyzing the large datasets acquired during the measurements. By leveraging advanced data analysis techniques and machine learning algorithms, researchers can more effectively handle the complexity and volume of XRF data, leading to more accurate and reliable results. This synergy between domains like XRF spectroscopy and big data analysis ultimately drives advancements in material science, quality control, cultural heritage studies, and various industrial applications.

Τα μεγάλα δεδομένα παρουσιάζουν συναρπαστικές ευκαιρίες και τεράστιες προκλήσεις για τους επιστήμονες δεδομένων. Γι’ αυτό και ο συγκεκριμένος τομέας, πολλά υποσχόμενος, αποτελεί τομέα αιχμής σε πολλούς επιστημονικούς κλάδους. Η εφαρμογή πολύπλοκων και σύνθετων υπολογισμών και η δυνατότητα εξαγωγής πληροφορίας από μεγάλα σύνολα δεδομένων αποτελεί πολύτιμο ερευνητικό εργαλείο, τόσο στον τομέα της βασικής όσο και της εφαρμοσμένης έρευνας. Το μέγεθος και η πολυπλοκότητα (λόγω υψηλής διαστασιμότητας) ανάλυσης των μεγάλων δεδομένων παρουσιάζουν μοναδικές προκλήσεις που συμπεριλαμβάνουν, τους περιορισμούς λόγω κλιμάκωσης, την υπερ-συσσώρευση θορύβου, τις παραπλανητικές συσχετίσεις και τα σφάλματα τυχαιότητας ή προβλήματα κατά τις μετρήσεις. Όλες αυτές οι προκλήσεις απαιτούν καινοτόμες υπολογιστικές και στατιστικές προσεγγίσεις. Η φασματοσκοπία φθορισμού ακτίνων-Χ (XRF), μια σύγχρονη μέθοδος στοιχειακής ανάλυσης, χρησιμοποιείται ευρέως σε πολλούς τομείς για τον στοιχειακό χαρακτηρισμό υλικών, κύρια λόγω της μη-καταστροφικής και μη-επεμβατικής της φύσης, της δυνατότητας πολυστοιχειακής ανάλυσης, της δυνατότητας ανάλυσης του δείγματος χωρίς την απαίτηση επεξεργασίας, της ταχύτητας εξαγωγής των αποτελεσμάτων και της φιλικότητας προς το περιβάλλον. Η φασματοσκοπία XRF βασίζεται στην καταγραφή των χαρακτηριστικών φωτονικών μεταβάσεων που εκπέμπουν τα άτομα που συνθέτουν ένα υλικό, και οι οποίες ακολουθούν τον εσωτερικό ιονισμό των ατόμων κατά την ακτινοβόλησηση του στόχου με μια πρωτογενή πηγή ακτίνων-Χ. Η αλματώδης τεχνολογική ανάπτυξη τις τελευταίες δύο δεκαετίες στο τομέα των λυχνιών ακτίνων-Χ, των οπτικών διατάξεων, καθώς και των ανιχνευτών ενεργειακού διαχωρισμού έχει ως αποτέλεσμα την αλματώδη ανάπτυξη της απεικονιστικής φασματοσκοπίας φθορισμού ακτίνων-Χ. Στην απεικονιστική φασματοσκοπία φθορισμού ακτίνων-Χ η ιονίζουσα δέσμη σαρώνει τον στόχο επιτρέποντας την εξαγωγή πληροφοριών της στοιχειακής σύστασης του στόχου σαν συνάρτηση των συντεταγμένων θέσης. H στοιχειακή σύσταση εξάγεται από το φάσμα που καταγράφεται σε κάθε χωρική περιοχή κατά τη διάρκεια της σάρωσης. Το πλήθος των φασμάτων κατά τη διάρκεια μιας σάρωσης καθορίζεται από το βήμα σάρωσης και το μέγεθος του αντικειμένου, και μπορεί να υπερβαίνει το εκατομμύριο. Επιπρόσθετα η πληροφορία του κάθε φάσματος περιέχεται σε χιλιάδες κανάλια. Συνεπώς, η ανάλυση των μεγάλων δεδομένων που παράγονται από τη σαρωτική φασματοσκοπία εκπομπής ακτίνων-Χ είναι κρίσιμη λόγω της πολυπλοκότητας και του όγκου των δεδομένων που παράγονται κατά τη διαδικασία. Οι τεχνικές επεξεργασίας των παραγόμενων πειραματικών δεδομένων μπορούν να ενισχύσουν τη δυναμική της αναλυτικής αυτής τεχνικής. Τα φάσματα XRF ισοδυναμούν με διανύσματα που ανήκουν σε χώρους υψηλής διάστασης (χιλιάδες συνιστώσες) και περιέχουν μεγάλο εύρος τιμών για κάθε δείγμα που αναλύεται. Αυτή η πολυπλοκότητα προκύπτει από την ανάγκη για την ανίχνευση και την μέτρηση της έντασης των εκπεμπόμενων ακτίνων Χ σε ένα ευρύ φάσμα ενεργειών. Προηγμένες αναλυτικές τεχνικές, όπως η ανάλυση κύριων συνιστωσών (PCA), η t-κατανεμημένη στοχαστική ενσωμάτωση γειτόνων (t-SNE) και η παραγοντοποίηση μη-αρνητικών πινάκων (NMF), είναι απαραίτητες για τη μείωση των διαστάσεων και την απλοποίηση των δεδομένων. Αυτές οι τεχνικές επιτρέπουν στους ερευνητές να διαχειρίζονται και να ερμηνεύουν αποτελεσματικά τα πολύπλοκα δεδομένα υψηλής διάστασης και να εξάγουν σημαντικές πληροφορίες. Στη συνέχεια, η εφαρμογή αλγορίθμων κατηγοριοποίησης όπως ο αλγόριθμος των k-κέντρων (k-means) και άλλων μοντέλων μηχανικής μάθησης όπως τα νευρωνικά δίκτυα, ενισχύει περαιτέρω τη δυνατότητα επεξεργασίας και ανάλυσης μεγάλων συνόλων δεδομένων XRF. Αυτά τα μοντέλα διευκολύνουν την στοιχειακή χαρτογράφηση περιοχών στα δείγματα, βελτιώνουν την ακρίβεια της ποιοτικής και ποσοτικής ανάλυσης για τα υλικά που μελετώνται. Επιπλέον, η ενσωμάτωση αρχιτεκτονικών βαθιάς μηχανικής μάθησης όπως τα συνελικτικά νευρωνικά δίκτυα (CNN) και οι αυτόματοι κωδικοποιητές, επεκτείνει την αναλυτική δύναμη στην φασματοσκοπία φθορισμού ακτίνων-Χ.Τα πρώτα δύο κεφάλαια αυτής της εργασία εισάγουν τα θεμελιώδη στην φασματοσκοπία φθορισμού ακτίνων-Χ. Καλύπτουν βασικά θέματα θεωρίας των ακτίνων-Χ, οργανολογίας φασματοσκοπίων φθορισμού ακτίνων-Χ και τις προκλήσεις που σχετίζονται με την ερμηνεία και την ανάλυση των πολύπλοκων δεδομένων που παράγονται. Στα κεφάλαια 3 και 4 περιγράφονται προηγμένες αναλυτικές τεχνικές όπως η μείωση διαστάσεων και οι αλγόριθμοι μηχανικής μάθησης που βοηθούν στην εξαγωγή σημαντικών πληροφοριών από αυτά τα μεγάλα δεδομένα. Τα επόμενα κεφάλαια εμβαθύνουν περισσότερο στην εφαρμογή αυτών των προηγμένων αναλυτικών μεθόδων σε συγκεκριμένες μελέτες περίπτωσης, απεικονίζοντας τα πρακτικά οφέλη της ανάλυσης μεγάλων δεδομένων στη φασματοσκοπία XRF. Στο Κεφάλαιο 5 αποδεικνύεται η αποτελεσματικότητα των τεχνικών ανάλυσης μεγάλων δεδομένων που συλλέγονται κατά την εφαρμογή της σαρωτικής φασματοσκοπίας φθορισμού ακτίνων-Χ μεγάλων διαστάσεων (Macroscopic XRF, MA-XRF) σε βυζαντινή θρησκευτική εικόνα. Συγκρίνοντας μεθόδους ανάλυσης θεμελιωδών παραμέτρων της φυσικής ακτίνων-Χ και στατιστικής ανάλυσης δεδομένων, αποδεικνύουμε πώς αυτές οι προσεγγίσεις μπορούν να εξάγουν λεπτομερείς πληροφορίες για τις χρωστικές που χρησιμοποιήθηκαν, τις τεχνικές ζωγραφικής και την κατάσταση διατήρησης ιστορικών αντικειμένων. Το Κεφάλαιο 6 εξετάζει τη σύντηξη δεδομένων που προέρχονται από το ίδιο αντικείμενο εφαρμόζοντας ασύγχρονα σαρωτική φασματοσκοπία φθορισμού ακτίνων-Χ (XRF) και πολυφασματική απεικόνιση (multispectral imaging spectroscopy, MSI). Συγκεκριμένα επιλέχθηκε η μελέτη γραμματοσήμων, λόγω των αυξημένων απαιτήσεων χωρικής διακριτικής ικανότητας. Σε αυτό κεφάλαιο αποδεικνύονται οι επαυξημένες αναλυτικές δυνατότητες που επιτυγχάνονται μέσω της σύντηξης δεδομένων, τονίζοντας τη σημασία της ευθυγράμμισης των παραγόμενων δεδομένων από διαφορετικές τεχνικές απεικόνισης για την απόκτηση βαθύτερης γνώσης. Στο Κεφάλαιο 7 εξετάζεται η εφαρμογή μεθόδων τεχνητής νοημοσύνης (Artificial Intelligence) στην ανάλυση δεδομένων φασματοσκοπίας MA-XRF σε μια εικόνα θρησκευτικού περιεχομένου του 19ου αιώνα. Αυτό το κεφάλαιο δείχνει πως οι αλγόριθμοι ομαδοποίησης, οι μέθοδοι παραγοντοποίησης και οι τεχνικές μηχανικής μάθησης με επίβλεψη μπορούν να παρέχουν λεπτομερή και γρήγορη ανάλυση, καθιστώντας την προχωρημένη ερμηνεία δεδομένων προσιτή ακόμη και σε μη ειδικούς. Το Κεφάλαιο 8 επικεντρώνεται στη χρήση συνελικτικών νευρωνικών δικτύων (Convolutional Neural Networks, CNN) για την ανάλυση συνόλων δεδομένων MA-XRF σε θρησκευτικούς ζωγραφικούς πίνακες. Το κεφάλαιο υπογραμμίζει την αποτελεσματικότητα των CNN στην ακριβή αναγνώριση και χαρτογράφηση στοιχειακών μεταβάσεων, ανοίγοντας το δρόμο για αυτοματοποιημένη φασματική ανάλυση τόσο αρχάριους όσο και έμπειρους αναλυτές. Το Κεφάλαιο 9 διερευνά την δυνατότητα των ταξινομητών CNN να αναλύουν πολύπλοκα δείγματα πολλαπλών στρωμάτων σε ζωγραφικούς πίνακες. Εκπαιδεύοντας τα νευρωνικά δίκτυα με φάσματα XRF μετρηθέντα σε πρότυπα στρώματα χρωστικών, καταδεικνύουμε την ικανότητα αυτών των δικτύων να αποκαλύπτουν τη στρωματογραφία των χρωστικών σε έργα τέχνης, προσφέροντας πολύτιμα εργαλεία για τη συντήρηση και μελέτη της τέχνης. Επίσης η χρήση αποκωδικοποιητών για την συσχέτιση των φασμάτων XRF με την χρωματική απεικόνιση, αποδεικνύεται ένα ακόμη ισχυρό εργαλείο στα χέρια των αναλυτών και των συντηρητών αρχαιοτήτων και έργων τέχνης. Συμπερασματικά, η ανάλυση μεγάλων δεδομένων στη φασματοσκοπία XRF αποτελεί ένα σημαντικό εργαλείο για την εξαγωγή συμπερασμάτων. Χρησιμοποιώντας προηγμένες τεχνικές ανάλυσης δεδομένων και αλγόριθμους μηχανικής μάθησης, οι ερευνητές μπορούν να διαχειριστούν την πολυπλοκότητα και τον όγκο των δεδομένων XRF πιο αποτελεσματικά, και να οδηγηθούν σε πιο ακριβή και αξιόπιστα αποτελέσματα. Αυτή η συνέργεια μεταξύ τομέων όπως η φασματοσκοπία XRF και η ανάλυση μεγάλων δεδομένων ανοίγει τον δρόμο στην πρόοδο της επιστήμη των υλικών και σε διάφορους τομείς που σχετίζονται με αυτήν όπως, ο ποιοτικός έλεγχος, η μελέτη της πολιτιστικής κληρονομιάς και διάφορες βιομηχανικές εφαρμογές.