Loading ...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.
Новости партнеров:
Вам могло бы понравиться:
192
