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:

ИИ применяют для автоматической проверки грузоперевозчиков ИИ применяют для автоматической проверки грузоперевозчиков
Стартует новая масштабная программа популяризации науки Стартует новая масштабная программа популяризации науки
Разработана новая отечественная зарядная станция для отелей Разработана новая отечественная зарядная станция для отелей
Caviar открыл предзаказ на iPhone 17 в России Caviar открыл предзаказ на iPhone 17 в России

Оставить комментарий

Вы должны Войти, чтобы оставить комментарий.

©2015 - 2025 Актуальные Новости Сегодня. Все права защищены.
При копировании материалов активная гиперссылка на этот сайт ОБЯЗАТЕЛЬНА!