Attenzione: questa pagina è una traduzione automatica di questa pagina originariamente in lingua inglese. Si prega di notare in quanto le traduzioni sono generate da macchine, non tutte le traduzioni saranno perfetti. Questo sito web e le sue pagine web sono destinati ad essere letto in inglese. Ogni traduzione del sito e le sue pagine web possono essere imprecise e inesatte, in tutto o in parte. Questa traduzione è fornita per comodità.

Il nuovo approccio facendo uso dell'apprendimento profondo ha potuto accelerare la microscopia di immagine del cervello entro 16 volte

Le descrizioni del manuale delle cellule cerebrali rendono il sembrare dei neuroni semplice: un assone centrale del tipo di spina lungo con i dendrites di ramificazione. Catturati determinato, questi potrebbero essere facili da identificare e mappa, ma in un cervello reale, sono più simile ad un pilastro spinoso dei polipi, con le centinaia di arti intrecciati. Ciò fa la comprensione come si comportano ed interagiscono una sfida importante per i neuroscenziati.

Un modo che i ricercatori districano il nostro miscuglio neurale è con la rappresentazione microscopica. Catturando le fotografie molto degli strati sottili di un cervello e ricostruendoli nel modulo tridimensionale, è possibile determinare dove le strutture sono e come si riferiscono.

Ma questo porta le sue proprie sfide. Ottenere le immagini ad alta definizione e catturarle rapidamente per riguardare una sezione ragionevole del cervello, sono un compito importante.

La parte del problema si trova nelle alternanze e nei compromessi che tutto il fotografo ha una conoscenza di con. Apra l'apertura diaframma abbastanza lungamente per lasciare dentro i lotti di indicatore luminoso e tutto il moto causerà un mosso; catturi un'immagine rapida per evitare il mosso e l'oggetto può risultare il buio.

Ma altri problemi sono specifici ai metodi impiegati nella ricostruzione del cervello. Per uno, la rappresentazione di cervello ad alta definizione richiede tempo immensamente molto. Per un altro, nella tecnica ampiamente usata chiamata microscopia elettronica seriale della fronte di taglio del blocco, un pezzo di tessuto è inciso un blocco, la superficie è imaged, una sezione sottile è tagliata ancora via ed il blocco poi imaged; il trattamento è ripetuto fino a completamento. Tuttavia, il fascio di elettroni che crea le immagini microscopiche può realmente indurre il campione a fondersi, distorcendo l'oggetto che sta provando a catturare.

La proprietà terriera di Uri, Direttore della biofotonica avanzata Waitt svuota la funzione all'istituto di Salk per gli studi biologici a San Diego, è responsabile dell'esecuzione dei microscopi ad alta potenza numerosi usati dai ricercatori attraverso la nazione. Egualmente è incaricato con l'identificazione e lo spiegamento i microscopi e delle soluzioni nuovi di sviluppo che possono problemi di indirizzo cui le odierne tecnologie lottano con.

“Se qualcuno viene con un problema ed i nostri strumenti non possono farlo, o non possiamo trovare uno che può, è il mio processo sviluppare quella capacità,„ Manor ha detto.

Informato della rappresentazione pubblica l'affronto dei neuroscenziati, lui ha deciso che un nuovo approccio era necessario. Se avesse raggiunto i limiti fisici di microscopia, la proprietà terriera ha ragionato, forse migliora il software e gli algoritmi potrebbero fornire una soluzione.

“C'è matematico specializzato e approcci di calcolo che sono stati studiati affinchè le decadi eliminino il disturbo senza eliminare il segnale,„ Manor ha detto. “Che era dove ho cominciato.„

Lavorando con la zanna di Linjing, uno specialista di analisi sulla base di immagini a Salk, hanno inventato una strategia per usare GPUs (unità di elaborazione dei grafici) per accelerare il trattamento microscopico di immagine.

Hanno cominciato con un deconvolution chiamato trucco di trattamento di immagine che era stato sviluppato in parte da John Sedat, uno degli eroi scientifici e di un mentore della proprietà terriera a Salk. L'approccio è stato usato dagli astronomi che hanno voluto risolvere le immagini delle stelle e dei pianeti con maggior risoluzione che essi potrebbe raggiungere direttamente dai telescopi.

“Se conoscete i beni ottici del vostro sistema, quindi potete deblur le vostre immagini ed ottenere due volte la risoluzione dell'originale,„ ha spiegato.

Hanno creduto quello l'apprendimento profondo -- un modulo dell'apprendimento automatico che usa i livelli multipli di analisi per estrarre progressivamente le funzionalità di più alto livello da input crudo -- ha potuto essere molto utile per l'aumento della risoluzione delle immagini del microscopio, un trattamento chiamato la super-risoluzione.

MRIs, le immagini via satellite e le fotografie tutte avevano servito da cause sviluppare basato imparare profondo, la super-risoluzione si avvicina a, ma notevolmente piccolo era stato fatto nella microscopia. Forse, il pensiero della proprietà terriera, lo stessi ha potuto essere fatto con microscopia.

Il primo punto nella formazione del sistema d'insegnamento profondo comprende trovare un grande corpus dei dati. Per questo, la proprietà terriera ha collaborato con Kristen Harris, un professore della neuroscienza all'università del Texas ad Austin ed uno degli esperti principali nella microscopia del cervello.

I suoi protocolli sono usati intorno al mondo. Stava facendo la scienza aperta prima che fosse fresca. Ottiene le immagini incredibilmente dettagliate e sta collaborando con Salk per una serie di anni.„

La proprietà terriera di Uri, Direttore del Waitt ha avanzato la funzione di memoria di biofotonica, istituto di Salk per gli studi biologici a San Diego

Harris ha offerto a proprietà terriera tanti dati quanto ha avuto bisogno di per prepararsi. Poi, facendo uso del supercomputer non conformista al Texas ha avanzato il centro di elaborazione (TACC) e parecchi giorni del calcolo continuo, ha creato gli analoghi di basso risoluzione delle immagini ad alta definizione del microscopio ed ha preparato una rete di apprendimento profonda su quelle paia di immagine.

“TACC è stato incredibilmente utile,„ Manor ha detto. “Ci hanno fornito hardware per fare l'addestramento prima che i nostri capelli cadessero da e se noi con competenza di calcolo e perfino contribuiti ad eseguire gli esperimenti di calcolo per regolare il nostro trattamento.„

Purtroppo, la proprietà terriera in primo luogo tenta di creare le versioni di super-risoluzione delle immagini di basso risoluzione era infruttuosa. “Quando abbiamo provato a verificare il sistema sui dati di risoluzione bassa del mondo reale che erano molto più rumorosi dei nostri dati di addestramento di risoluzione bassa, la rete non ha agito in tal modo bene.„

La proprietà terriera ha avuta altro colpo di fortuna quando Jeremy Howard, fondatore di fast.ai e Fred Monroe, dall'iniziativa di ricerca medica di Wicklow AI (WAMRI.ai), è venuto a Salk che cerca i problemi della ricerca che potrebbero trarre giovamento in profondità dall'apprendimento.

“Sono stati eccitati da cui noi che facciamo. Era una domanda perfetta di loro metodi d'apprendimento profondi e loro desiderio contribuire a portare in profondità l'apprendimento ai domini nuovi,„ proprietà terriera richiamata. “Abbiamo cominciato usando alcuni dei loro trucchi che avevano stabilito, compreso il crappification.„

Ai tempi della loro riunione, la proprietà terriera e la zanna stavano facendo diminuire informaticamente la risoluzione delle loro immagini per le paia di formazione, ma non erano ancora abbastanza disgustose. Egualmente stavano usando un tipo di architettura d'apprendimento profonda chiamata le reti contraddittorie generative (GANs).

“Hanno suggerito di aggiungere più disturbo informaticamente,„ lui hanno richiamato. ““Manovella in un certo mosso e generi differenti di disturbo, rendere le immagini realmente disgustose. “Avevano costruito una libreria dei crappifications e crappified le nostre immagini finché non guardasse molto più simile a, o persino peggio che, che cosa assomiglia a quando acquistate un'immagine di risoluzione bassa nel mondo. Egualmente ci hanno aiutati a passare a partire da GANs alle architetture del U-Netto, che sono molto più facili da prepararsi e migliorare ad eliminare il disturbo.„

La proprietà terriera ha riaddestrato il suo sistema di AI facendo uso di nuove paia di immagine e dell'architettura d'apprendimento profonda ed ha trovato che potrebbe creare le immagini ad alta definizione che erano molto simili a quelle che originalmente fossero state create con maggior ingrandimento. Inoltre, gli esperti formati potevano trovare le funzionalità della cellula cerebrale nelle versioni decrappified dei campioni basso ricerca che non potrebbero essere individuati negli originali.

Per concludere, hanno messo il loro sistema alla prova reale: applicando il metodo alle immagini create in altri laboratori con differenti microscopi e preparati.

“Solitamente in profondità nell'apprendimento, dovete riaddestrare e regolare il modello per gli insiemi di dati differenti,„ Manor ha detto. “Ma eravamo contentissimi che il nostro sistema ha funzionato così bene per una vasta gamma di campione e di insiemi di immagine.„

Il successo ha significato che i campioni potrebbero essere imaged senza causare i danni e che potrebbero essere ottenuti almeno 16 volte più velocemente fatti tradizionalmente.

“All'immagine l'intera risoluzione del cervello in pieno ha potuto assumere la direzione di cento anni,„ proprietà terriera spiegata. “Con 16 volte aumentano di interamente, forse si trasforma in di 10 anni, che è molto più pratico.„

Il gruppo ha pubblicato i loro risultati in Biorxiv, li ha presentati alla conferenza del rivelatore di F8 Facebook ed al secondo laboratorio del NSF NeuroNex 3DEM ed ha reso al codice GitHub diretto disponibile.

“Non solo fa questo lavoro di approccio. Ma il nostro modello formativo può essere usato subito,„ Manor ha detto. “È estremamente veloce e facile. E chiunque che voglia utilizzare questo strumento presto potrà registrare in 3DEM.org [una piattaforma del web di ricerca messa a fuoco sullo sviluppare e sulla diffusione delle nuove tecnologie per microscopia elettronica dimensionale migliorata di risoluzione 3, di supporto dal National Science Foundation] e funzionato i loro dati attraverso.„

“Uri realmente promuove questa idea di miglioramento di immagine con in profondità l'apprendimento,„ Harris ha detto. “Infine, speriamo che non abbiamo alcune immagini disgustose. Ma ora, molte delle immagini hanno questo problema, così là stanno andando essere posti in cui volete riempire i fori basati su cui è presente nelle sezioni adiacenti.„

La proprietà terriera spera di sviluppare il software che può fare in moto la ricostruzione, in modo dai ricercatori possono vedere le immagini eccellenti di risoluzione subito, piuttosto che nella postelaborazione. Inoltre vede il potenziale per il miglioramento della prestazione di milioni di microscopi già ai laboratori intorno al mondo e per la costruzione del microscopio nuovissimo dalla terra in su che approfitta delle capacità di AI.

“Meno costoso, più di alta risoluzione, più velocemente -- ci sono lotti delle aree che possiamo migliorare su.„

Con un proof of concept sul posto, la proprietà terriera ed il suo gruppo hanno sviluppato uno strumento che permetterà agli avanzamenti in tutto la neuroscienza. Ma senza collaborazioni fortuite con Kristen Harris, Howard e Monroe e TACC, può non giungere mai a buon fine.

“È un bello esempio di come realmente fare gli avanzamenti nella scienza. Dovete avere esperti aperti a collaborare con la gente laddove dentro dal mondo che possono dovere per fare qualcosa accadere,„ Manor ha detto. “Ritengo appena così molto fortunato per essere in una posizione dove potrei collegare mediante interfaccia a tutti questi compagni di squadra di livello internazionale.„