Методы машинного обучения позволяют ученым быстрее получать высококачественные изображения органов

Новости сегодня - Методы машинного обучения позволяют ученым быстрее получать высококачественные изображения органов

Что делать, если алгоритмическая методика микроскопии, разработанная в 2021 году (и способная работать с частью изображений, требуемых более ранними методами), оказывается недостаточно быстрой?

Нырните ГЛУБЖЕ и исправьте ситуацию. По крайней мере, такое решение использовал Душан Ваддувадж, заслуженный научный сотрудник Джона Гарварда в Центре перспективной визуализации ФАС.

Ученые десятилетиями работали над изображением глубин живого мозга. Они впервые попробовали флуоресцентную микроскопию — метод, основанный на вековой истории и основанный на флуоресцентных молекулах и свете. Однако длины волн были недостаточно длинными, и они рассеялись, прежде чем достигли заметного расстояния.

Изобретение двухфотонной микроскопии в 1990 году привело к тому, что более длинные волны света проникли в ткань, заставив флуоресцентные молекулы поглощать не один, а два фотона. Более длинные волны, используемые для возбуждения молекул, меньше рассеиваются и могут проникать дальше.

Но двухфотонная микроскопия обычно может возбуждать только одну точку ткани за раз, что делает процесс длительным и требует множества измерений. Более быстрым способом получения изображения было бы освещение нескольких точек одновременно с использованием более широкого поля зрения, но это тоже имело свои недостатки.

«Если вы возбуждаете несколько точек одновременно, вы не сможете их решить», — сказал Ваддувадж. «Когда он выходит наружу, весь свет рассеивается, и ты не знаешь, откуда он исходит».

Чтобы преодолеть эту трудность, группа Ваддуваджа начала использовать особый тип микроскопии, описанный в журнале Science Advances в 2021 году. Команда возбуждала несколько точек на ткани в режиме широкого поля, используя различные заранее закодированные шаблоны возбуждения. Этот метод, называемый «Дерассеяние с формированием структуры возбуждения» или DEEP, работает с помощью вычислительного алгоритма.

«Идея состоит в том, что мы используем несколько кодов возбуждения или несколько шаблонов для возбуждения и обнаруживаем несколько изображений», — сказал Ваддувадж. «Затем мы можем использовать информацию о шаблонах возбуждения и обнаруженных изображениях и вычислительно восстановить чистое изображение».

Результаты по качеству сравнимы с изображениями, полученными с помощью точечной сканирующей двухфотонной микроскопии. Тем не менее, они могут быть созданы всего лишь с сотнями изображений, а не с сотнями тысяч, которые обычно необходимы для точечного сканирования. С помощью новой техники группа Ваддуваджа смогла заглянуть в мозг живой мыши на глубину до 300 микрон.

Все еще недостаточно хорошо. Ваддувадж задался вопросом: сможет ли DEEP создать четкое изображение, используя всего лишь десятки изображений?

В недавней статье , опубликованной в журнале Light: Science and Applications , он обратился к машинному обучению, чтобы сделать технику визуализации еще быстрее. Он и его соавторы использовали ИИ для обучения алгоритма, управляемого нейронной сетью, на нескольких наборах изображений, в конечном итоге научив его восстанавливать идеально разрешенное изображение всего с 32 разбросанными изображениями (а не с 256, о которых сообщалось в их первой статье). Они назвали новый метод DEEP-squared: дезрассеяние, основанное на глубоком обучении, с формированием паттернов возбуждения.

Команда получила изображения, полученные с помощью типичной двухфотонной точечной сканирующей микроскопии , предоставив то, что Ваддувадж назвал «основной истиной». Затем микроскоп DEEP использовал физику для создания вычислительной модели процесса формирования изображения и запустил ее в работу, моделируя разбросанные входные изображения. Они обучили свою модель искусственного интеллекта с глубоким квадратом. Как только искусственный интеллект создал реконструированные изображения, которые напоминали достоверную информацию Ваддуваджа, исследователи использовали его для получения новых изображений кровеносных сосудов в мозгу мыши.

«Это похоже на поэтапный процесс», — сказал Ваддувадж. «В первой статье мы работали над оптикой и достигли хорошего рабочего состояния, а во второй статье мы работали над алгоритмом и пытались полностью раздвинуть границы и понять пределы. Теперь мы лучше понимаем, что вероятно, это лучшее, что мы можем сделать с имеющимися на данный момент данными».

Тем не менее, у Ваддуваджа есть еще идеи по расширению возможностей DEEP-squared, включая улучшение конструкции приборов для более быстрого сбора данных. Он сказал, что DEEP-squared является примером междисциплинарного сотрудничества, как и любые будущие инновации в этой технологии.

«Биологи, проводившие эксперименты на животных , физики, создавшие оптику, и учёные-компьютерщики, разработавшие алгоритмы, — все собрались вместе, чтобы найти одно решение», — сказал он.

Методы машинного обучения позволяют ученым быстрее получать высококачественные изображения органов

Понравилась новость - поделитесь с Друзьями!

Новости партнеров:

Рубрика: IT, Наука, Новости

Вам могло бы понравиться:

Ледяной покров Йеллоустонского озера не изменился Ледяной покров Йеллоустонского озера не изменился
Ученые превращают металлические отходы в катализатор получения водорода Ученые превращают металлические отходы в катализатор получения водорода
Как искусственный интеллект улучшает сотрудничество врачей и медсестер для улучшения ухода за пациентами Как искусственный интеллект улучшает сотрудничество врачей и медсестер для улучшения ухода за пациентами
Мировые поставки смартфонов выросли почти на 8% в первом квартале Мировые поставки смартфонов выросли почти на 8% в первом квартале

Оставить комментарий

Вы должны Войти, чтобы оставить комментарий.

©2015 - 2024 Актуальные Новости Сегодня. Все права защищены.
При копировании материалов активная гиперссылка на этот сайт ОБЯЗАТЕЛЬНА!