?2021年3月10日，加利福尼亞州拉霍拉，Salk研究所開發(fā)了一種名為“碎裂機”的工具，增加了深度學習增強型顯微鏡的自由性，該技術提升了訓練算法，可以增強低分辨率圖像的解讀能力。







深度學習為科學家提供了從低分辨率圖像中收集信息的潛力，否則這些信息實際上是無法獲得的。在細胞成像的情況下，獲取詳細的圖像可能會很復雜，因為它需要弱光條件，這會導致分辨率較低的圖像。激光照射會損壞或改變細胞，進而擴展或破壞可從圖像中收集的信息的質量。



“我們在這些顯微鏡上投資了數(shù)百萬美元，但我們仍在努力限制它們的極限，” Salk的Waitt先進生物光子學核心設施負責人Uri Manor說：“這就是我們正在嘗試通過深度學習解決的問題?！?/span>



為了應用深度學習來改善顯微鏡圖像，無論是通過提高清晰度還是解決背景噪聲，都必須在高分辨率和低分辨率圖像的示例上對系統(tǒng)進行培訓。在單獨的曝光中捕獲完全相同的顯微鏡圖像是困難且昂貴的。在此過程中經常移動的活細胞是一個很大的挑戰(zhàn)。







由Manor領導的團隊沒有嘗試拍攝兩個相同的圖像，而是拍攝了一個圖像，然后對其進行復制，并通過一種稱為“敲碎器”的機制運行該圖像，從而對圖像進行了降級處理。該方法使圖像看起來像團隊將要獲得的最低的低分辨率圖像。



然后顯示了稱為點掃描超分辨率（PSSR）的軟件以及降級版本的高分辨率圖像。在研究了圖像之后，該系統(tǒng)能夠學習如何改善低質量的圖像，而不會遇到高分辨率的圖像。



以前的系統(tǒng)從人為降級的數(shù)據(jù)中學到的東西，在呈現(xiàn)有機缺陷的數(shù)據(jù)時仍然會遇到困難。



“我們嘗試了多種不同的降解方法，但發(fā)現(xiàn)了一種切實可行的方法，” Manor說：“您可以在人工生成的數(shù)據(jù)上訓練模型，而該模型實際上可以在現(xiàn)實世界的數(shù)據(jù)上工作?！?/span>



該技術還具有增強老式或功能較弱的顯微鏡的潛力。



“使用我們的方法，人們可以從這種強大的深度學習技術中受益，而無需花費大量時間或資源，”懷特先進生物光子學核心設施的圖像分析專家林靖芳說。“您可以使用現(xiàn)有的高質量數(shù)據(jù)，對其進行降級并訓練模型以提高低分辨率圖像的質量?！?/span>



該團隊證明了PSSR可同時用于電子顯微鏡和熒光活細胞圖像-這兩種情況很難或不可能獲得訓練AI系統(tǒng)所需的重復的高分辨率和低分辨率圖像。盡管該研究在腦組織圖像上展示了該方法，但Manor希望將來可以將其應用于身體的其他系統(tǒng)。他還希望有朝一日可以使用它來使高分辨率的顯微成像變得更加廣泛，因為強大的顯微鏡可能要花費數(shù)十萬美元，甚至超過一百萬美元。



“我們對未來的愿景之一是能夠開始用深度學習替代一些昂貴的組件，這樣我們就可以開始使顯微鏡變得更便宜，更容易使用了，” Manor說。



這項研究發(fā)表在《自然方法》上。

原文鏈接：https://www.xianjichina.com/special/detail_476209.html
來源：賢集網
著作權歸作者所有。商業(yè)轉載請聯(lián)系作者獲得授權，非商業(yè)轉載請注明出處。