Max Home IndustryЧтобы войти в мир фантастически маленьких, главная валюта — либо луч света, либо электроны.
Сильные лучи, дающие более четкое изображение, опасны для образцов. С другой стороны, слабые лучи могут давать зашумленные изображения с низким разрешением.
В новом исследовании, опубликованном в Nature Machine Intelligence , исследователи из Техасского университета A&M описывают алгоритм на основе машинного обучения, который может уменьшить зернистость изображений с низким разрешением и выявить новые детали, которые в противном случае погребен в шуме.
«Изображения, сделанные с помощью луча малой мощности, могут быть шумными, что может скрывать интересные и ценные визуальные детали биологических образцов», — сказал Шуйван Цзи, доцент кафедры компьютерных наук и инженерии. «Чтобы решить эту проблему, мы используем чисто вычислительный подход для создания изображений с более высоким разрешением, и в этом исследовании мы показали, что можем улучшить разрешение до степени, очень похожей на ту, которую вы можете получить при использовании дальнего света». < / p>
Джи добавил, что в отличие от других алгоритмов шумоподавления, которые могут использовать информацию, поступающую только из небольшого участка пикселей в изображении с низким разрешением, их интеллектуальный алгоритм может определять шаблоны пикселей, которые могут быть распределены по всему зашумленному изображению, повышая его эффективность как инструмент шумоподавления.
Вместо того, чтобы полагаться исключительно на оборудование микроскопа для улучшения разрешения изображений, метод, известный как расширенная микроскопия, использует сочетание программного и аппаратного обеспечения для повышения качества изображений. Здесь обычное изображение, полученное на микроскопе, накладывается на компьютерное цифровое изображение. Этот метод обработки изображений обещает не только сократить расходы, но и автоматизировать анализ медицинских изображений и выявить детали, которые иногда может не заметить глаз.
В настоящее время было доказано, что программное обеспечение, основанное на алгоритме машинного обучения, называемое глубоким обучением, эффективно устраняет размытость или шум на изображениях. Эти алгоритмы можно визуализировать как состоящие из множества взаимосвязанных слоев или этапов обработки, которые принимают входное изображение с низким разрешением и генерируют выходное изображение с высоким разрешением.
В традиционных методах обработки изображений, основанных на глубоком обучении, количество и сеть между слоями определяют, сколько пикселей во входном изображении вносят вклад в значение одного пикселя в выходном изображении. Это значение становится неизменным после того, как алгоритм глубокого обучения обучен и готов к шумоподавлению новых изображений. Однако Джи сказал, что фиксирование количества входных пикселей, технически называемого воспринимающим полем, ограничивает производительность алгоритма.
«Представьте себе кусок образца, имеющий повторяющийся мотив, например, соты. Большинство алгоритмов глубокого обучения используют только локальную информацию для заполнения пробелов в изображении, созданных шумом», — сказал Джи. «Но это неэффективно, потому что алгоритм, по сути, не видит повторяющегося паттерна в изображении, поскольку рецептивное поле фиксировано. Вместо этого алгоритмы глубокого обучения должны иметь адаптивные рецептивные поля, которые могут захватывать информацию в общей структуре изображения. . «
Чтобы преодолеть это препятствие, Джи и его ученики разработали другой алгоритм глубокого обучения, который может динамически изменять размер воспринимающего поля. Другими словами, в отличие от более ранних алгоритмов, которые могут агрегировать информацию только из небольшого количества пикселей, их новый алгоритм, называемый глобальными сетями преобразования вокселей (GVTNets), может при необходимости объединять информацию из большей области изображения.
Когда они проанализировали производительность своего алгоритма по сравнению с другим программным обеспечением для глубокого обучения, исследователи обнаружили, что GVTNets требует меньше обучающих данных и может шумоподавить изображения лучше, чем другие алгоритмы глубокого обучения. Кроме того, полученные изображения с высоким разрешением были сопоставимы с изображениями, полученными с использованием высокоэнергетического светового луча.
Исследователи отметили, что их новый алгоритм можно легко адаптировать к другим приложениям в дополнение к шумоподавлению, таким как флуоресцентная визуализация без меток и преобразование 3D в 2D для компьютерной графики.
«Наши исследования вносят свой вклад в развивающуюся область интеллектуальной микроскопии, в которой искусственный интеллект легко интегрируется в микроскоп», — сказал Джи. «Алгоритмы глубокого обучения, подобные нашему, позволят нам потенциально превзойти физический предел, создаваемый светом, что было невозможно раньше. Это может быть чрезвычайно ценно для множества приложений, в том числе клинических, таких как оценка стадии прогрессирования рака и различение между типами клеток для прогноза болезни «
Это исследование финансируется Национальным научным фондом, Национальным институтом здравоохранения и Агентством перспективных исследовательских проектов Министерства обороны США.