Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

L'approche neuve utilisant apprendre profond a pu accélérer la microscopie d'image de cerveau par 16 fois

Les descriptions de manuel des cellules du cerveau rendent le sembler de neurones simple : un long axone central comme une colonne vertébrale avec les dendrites étant branchées. Pris individuellement, il pourrait être faciles recenser et tracer ceux-ci, mais dans un cerveau réel, elles sont plutôt une pile noueuse des poulpes, avec des centaines de membres entrelacés. Ceci effectue comprendre comment ils se comportent et agissent l'un sur l'autre un défi majeur pour des neurologistes.

Une voie que les chercheurs démêlent notre pêle-mêle neural est par la représentation microscopique. En prenant des photos très des couches minces d'un cerveau et en les reconstruisant en forme en trois dimensions, il est possible de déterminer où les structures sont et comment elles associent.

Mais ceci porte ses propres défis. L'obtention des images haute résolution, et la retenue de elles rapidement afin de couvrir une partie raisonnable du cerveau, est une tâche principale.

Une partie du problème se situe dans les compromis et les compromissions que n'importe quel photographe est familiarisé avec. Ouvrez l'ouverture assez longtemps pour laisser dedans un bon nombre de lumière et n'importe quel mouvement entraînera un flou ; prenez une image rapide pour éviter le flou et le sujet peut s'avérer l'obscurité.

Mais d'autres problèmes sont spécifiques aux méthodes employées dans la reconstruction de cerveau. Pour un, l'imagerie cérébrale à haute résolution prend un moment énormément bon. Pour des des autres, dans la microscopie électronique séquentielle appelée de face de case de technique très utilisée, une pièce de tissu est coupée en case, la surface est imagée, une partie mince est coupée loin et la case puis imagée de nouveau ; le procédé est répété jusqu'à l'achèvement. Cependant, le faisceau d'électrons qui produit les images microscopiques peut réellement faire fondre l'échantillon, déformant le sujet qu'il essaye de capter.

Le manoir d'Uri, directeur de l'installation de faisceau de Biophotonics avancée par Waitt à l'institut de Salk pour des études biologiques à San Diego, est responsable de faire fonctionner de nombreux microscopes à puissance élevée employés par des chercheurs en travers du pays. Il est également chargé avec recenser et déployer les microscopes et les solutions neufs de se développer qui peuvent les problèmes d'adresse avec lesquels les technologies d'aujourd'hui luttent.

« Si quelqu'un vient avec un problème et nos instruments ne peuvent pas le faire, ou nous ne pouvons pas trouver un qui peut, il est ma fonction de développer cette capacité, » Manor a dit.

Averti de la représentation publie faire face à des neurologistes, il a décidé qu'une approche neuve était nécessaire. S'il avait atteint les limites matérielles de la microscopie, le manoir a raisonné, améliore peut-être le logiciel et les algorithmes pourraient fournir une solution.

« Il y a de mathématique sophistiqué et les approches de calcul qui ont été étudiées pendant des décennies pour enlever le bruit sans retirer le signe, » Manor a dit. « Qui était où j'ai commencé. »

Fonctionnant avec le crochet de Linjing, un spécialiste en analyse d'image chez Salk, ils ont fait cuire une stratégie pour employer GPUs (unités de traitement de dessins) pour accélérer à traitement d'images microscopique.

Ils ont commencé par une déconvolution appelée de tour à traitement d'images qui avait été développée en partie par John Sedat, un des héros scientifiques et d'un mentor du manoir chez Salk. L'approche a été employée par les astronomes qui ont voulu résoudre des images des étoiles et des planètes avec une définition plus grande qu'ils pourrait réaliser directement des télescopes.

« Si vous connaissez les propriétés optiques de votre système, puis vous pouvez deblur vos images et obtenir deux fois la définition de l'original, » il a expliqué.

Ils ont cru cela apprendre profond -- une forme de l'apprentissage automatique qui emploie des couches multiples d'analyse pour extraire graduel les caractéristiques de plus haut niveau de l'entrée crue -- a pu être très utile pour augmenter la définition des images de microscope, une superbe-définition appelée de processus.

Les IRM, l'imagerie satellitaire, et les photos tous avaient servi de jeux d'essai pour développer apprendre profond, la superbe-définition s'approche, mais remarquablement peu avait été fait dans la microscopie. Peut-être, la pensée de manoir, les mêmes a pu être faite avec la microscopie.

La première étape en formant un système apprenant profond concerne trouver un corpus volumineux des caractéristiques. Pour ceci, le manoir s'est associé à Kristen Harris, un professeur de neurologie à l'Université du Texas chez Austin et un des principaux experts en matière de microscopie de cerveau.

Ses protocoles sont employés autour du monde. Il faisait la science ouverte avant qu'il ait fait frais. Il obtient des images incroyablement détaillées et avait collaboré avec Salk pendant un certain nombre d'années. »

Le manoir d'Uri, directeur du Waitt a avancé l'installation de faisceau de Biophotonics, institut de Salk pour des études biologiques à San Diego

Harris a offert à manoir autant caractéristique qu'il a eu besoin pour la formation. Puis, utilisant le superordinateur non-conformiste chez le Texas a avancé calculer le centre (TACC) et plusieurs jours du calcul continu, il a produit des analogues à basse résolution des images à haute résolution de microscope et a formé un réseau apprenant profond sur ces paires d'image.

« TACC a été incroyablement utile, » Manor a dit. « Ils nous ont fournis la visserie pour faire la formation avant que notre cheveu ait tombé et si nous avec des compétences de calcul et même aidés à faire fonctionner des expériences de calcul pour régler avec précision notre procédé. »

Malheureusement, les premiers essais du manoir de produire des versions de superbe-définition des images à basse résolution étaient infructueux. « Quand nous avons essayé de vérifier le système sur la caractéristique à basse résolution de monde réel qui était beaucoup plus bruyante que nos caractéristiques à basse résolution de formation, le réseau n'a pas tellement bien fait. »

Le manoir a eu une autre rappe de la chance quand Jeremy Howard, fondateur de fast.ai, et Fred Monroe, de l'initiative de recherches médicales de Wicklow AI (WAMRI.ai), est venu à Salk recherchant les problèmes de recherches qui pourraient tirer bénéfice d'apprendre profondément.

« Ils ont été excités par ce qui nous faisant. C'était une demande parfaite de leurs méthodes apprenantes profondes et de leur désir d'aider à porter apprendre profondément aux domaines neufs, » manoir indiqué. « Nous avons commencé à employer certains de leurs tours qu'ils avaient déterminés, y compris le crappification. »

Au moment de leur contact, le manoir et le crochet avaient de calcul diminué la définition de leurs images pour des paires s'exerçantes, mais ils n'étaient toujours pas assez misérables. Ils employaient également un type de réseaux antagonistes génératifs appelés apprenants profonds d'architecture (GANs).

« Ils ont proposé d'ajouter plus de bruit de calcul, » il ont indiqué. « « Maneton dans un certain flou, et différents genres de bruit, pour rendre des images réellement misérables. « Elles avaient établi une bibliothèque des crappifications et nous crappified nos images jusqu'à ce qu'elle ait examiné beaucoup plutôt, ou même plus mauvais que, ce qui ressemble il à le moment où vous acquérez une image à basse résolution dans le monde. Elles nous ont également aidés à commuter à partir de GANs aux architectures d'U-Réseau, il est beaucoup plus facile s'exercer et améliorer qu'à enlever le bruit. »

Le manoir a recyclé son système d'AI utilisant les paires neuves d'image et l'architecture apprenante profonde et a constaté qu'il pourrait produire les images haute résolution qui étaient très assimilées à celles qui avaient été initialement produites avec un agrandissement plus grand. D'ailleurs, les experts qualifiés pouvaient trouver des caractéristiques de cellule du cerveau dans des versions decrappified des échantillons inférieur-recherche qui ne pourraient pas être trouvés dans les originaux.

En conclusion, ils ont mis leur système au test réel : s'appliquant la méthode aux images produites dans d'autres laboratoires avec différents microscopes et préparations.

« Habituellement en apprenant profondément, vous devez recycler et régler avec précision le modèle pour différents ensembles de données, » Manor a dit. « Mais nous étions avec plaisir que notre système ait tellement bien fonctionné pour un large éventail d'échantillon et de jeux d'image. »

La réussite a signifié que les échantillons pourraient être imagés sans risquer les dégâts, et qu'ils pourraient être obtenus au moins 16 fois plus rapidement que traditionnellement faits.

« À l'image le cerveau entier à la pleine définition a pu assurer cents ans, » manoir expliqué. « Avec 16 fois augmentent dans partout, il peut-être devient de 10 ans, qui est beaucoup plus pratique. »

L'équipe publiée leurs résultats dans Biorxiv, présentés les à la conférence de révélateur de F8 Facebook et au 2ème atelier de NSF NeuroNex 3DEM, et effectués l'indicatif GitHub traversant procurable.

« Non seulement ce travail d'approche. Mais notre modèle de formation peut être employé immédiatement, » Manor a dit. « C'est extrêmement rapide et facile. Et n'importe qui qui veut utiliser cet outil pourra bientôt enregistrer dans 3DEM.org [une plate-forme basée sur le WEB de recherches concentrée sur développer et diffuser des technologies neuves pour la microscopie électronique à trois dimensions de définition améliorée, supportées par le National Science Foundation] et fait fonctionner leurs caractéristiques par lui. »

« Uri stimule réellement cette idée d'amélioration d'image en apprenant profondément, » Harris a dit. « Éventuel, nous espérons que nous n'aurons aucune image misérable. Mais en ce moment, plusieurs des images ont ce problème, tellement là va être des places où vous voulez compléter les trous basés sur ce qu'est présent dans les parties adjacentes. »

Le manoir espère développer le logiciel qui peut faire la reconstruction en marche, ainsi les chercheurs peuvent voir des images superbes de définition immédiatement, plutôt que dans le post traitement. Il voit également le potentiel pour améliorer le rendement des millions de microscopes déjà aux laboratoires autour du monde et pour établir un microscope tout neuf à partir de la base qui tire profit des capacités d'AI.

« Moins cher, plus de haute résolution, plus rapidement -- il y a un bon nombre d'endroits que nous pouvons améliorer au moment. »

Avec une validation de principe en place, le manoir et son équipe ont développé un outil qui activera des avances dans toute la neurologie. Mais sans collaborations fortuites avec Kristen Harris, Howard et Monroe et TACC, il a pu ne jamais s'être réalisé.

« C'est un bel exemple de la façon effectuer réellement des avances en science. Vous devez avoir des experts ouverts de collaborer avec des gens là où dedans du monde qu'ils peuvent devoir pour effectuer quelque chose se produire, » Manor a dit. « Je me sens juste tellement très chanceux pour avoir été en position où je pourrais me connecter par interface à tous ces équipiers parmi les meilleurs du monde. »