Aviso: Esta página é uma tradução automática da página original em inglês. Por favor note uma vez que as traduções são geradas por máquinas, não tradução tudo será perfeita. Este site e suas páginas da Web destinam-se a ler em inglês. Qualquer tradução deste site e suas páginas da Web pode ser imprecisas e imprecisos no todo ou em parte. Esta tradução é fornecida como uma conveniência.

A aproximação nova que usa profundamente a aprendizagem podia acelerar a microscopia da imagem do cérebro em 16 vezes

As descrições do livro de texto dos neurónios fazem o olhar dos neurônios simples: um longo espinha-como o axónio central com dendrites de ramificação. Tomados individualmente, estes puderam ser fáceis de identificar e mapa, mas em um cérebro real, são mais como uma pilha nodoso dos polvo, com centenas de membros entrelaçados. Isto faz a compreensão de como se comportam e se interagem um desafio principal para neurocientistas.

Uma maneira que os pesquisadores desembaraçam nosso desordem neural é com a imagem lactente microscópica. Tomando fotografias de camadas muito finas de um cérebro e reconstruindo as no formulário tridimensional, é possível determinar onde as estruturas estão e como se relacionam.

Mas isto traz seus próprios desafios. Obter imagens de alta resolução, e capturá-las rapidamente a fim cobrir uma secção razoável do cérebro, são uma tarefa principal.

A parte do problema encontra-se no comércio-offs e nos acordos que todo o fotógrafo é familiar com. Abra a abertura por muito tempo bastante para deixar dentro lotes da luz e todo o movimento causará um borrão; tome uma imagem rápida para evitar o borrão e o assunto pode despejar a obscuridade.

Mas outros problemas são específicos aos métodos usados na reconstrução do cérebro. Para um, a imagem lactente de cérebro de alta resolução toma tremenda uns muitos tempos. Para outros, na técnica amplamente utilizada chamada microscopia de elétron de série da face do bloco, uma parte de tecido é cortada em um bloco, a superfície é imaged, uma secção fina é cortada afastado e o bloco então imaged outra vez; o processo é repetido até a conclusão. Contudo, o feixe de elétron que cria as imagens microscópicas pode realmente fazer com que a amostra derreta, distorcendo o assunto que está tentando capturar.

O solar de Uri, director da facilidade avançada Waitt do núcleo de Biophotonics no instituto de Salk para estudos biológicos em San Diego, é responsável para executar elevação numerosa os microscópios postos usados por pesquisadores em toda a nação. É encarregado igualmente com identificação e distribuição de microscópios novos e das soluções tornando-se que podem os problemas de endereço que as tecnologias de hoje se esforçam com.

“Se alguém vem com um problema e nossos instrumentos não podem o fazer, ou nós não podemos encontrar um que pode, é meu trabalho desenvolver essa capacidade,” Solar disse.

Ciente da imagem lactente emite enfrentar neurocientistas, ele decidiu que uma aproximação nova era necessária. Se tinha alcançado os limites físicos de microscopia, o solar raciocinou, melhora talvez o software e os algoritmos poderiam fornecer uma solução.

“Há matemático sofisticado e as aproximações computacionais que foram estudadas por décadas para remover o ruído sem remover o sinal,” Solar disse. “Que era onde eu comecei.”

Trabalhando com colmilho de Linjing, um especialista da análise de imagem em Salk, cozinharam acima uma estratégia para usar GPUs (unidades de processamento dos gráficos) para acelerar o processamento de imagem microscópico.

Começaram com uma desconvolução chamada truque do processamento de imagem que fosse desenvolvida na parte por John Sedat, um dos heróis científicos e de um mentor do solar em Salk. A aproximação foi usada pelos astrónomos que quiseram resolver imagens das estrelas e dos planetas com maior definição do que eles poderia conseguir directamente dos telescópios.

“Se você conhece as propriedades ópticas de seu sistema, a seguir você pode deblur suas imagens e para obter duas vezes a definição do original,” explicou.

Acreditaram aquele aprendizagem profunda -- um formulário de máquina-aprender que camadas múltiplas dos usos de análise extrair progressivamente características de mais alto nível da entrada crua -- podia ser muito útil para aumentar a definição de imagens do microscópio, um processo chamado a super-definição.

MRIs, as imagens via satélite, e as fotografias todos tinham servido como situações de teste para tornar-se aprender-baseado profundamente, a super-definição aproxima-se, mas notàvel pouco tinha sido feito na microscopia. Talvez, o pensamento do solar, o mesmos podia ser feito com microscopia.

A primeira etapa em treinar um sistema de aprendizagem profundo envolve encontrar um grande corpus dos dados. Para isto, o solar teamed acima com Kristen Harris, um professor da neurociência na Universidade do Texas em Austin e um dos peritos principais na microscopia do cérebro.

Seus protocolos são usados em todo o mundo. Fez a ciência aberta antes que estêve fresca. Obtem imagens incredibly detalhadas e tem colaborado com o Salk por um número de anos.”

O solar de Uri, director do Waitt avançou a facilidade do núcleo de Biophotonics, instituto de Salk para estudos biológicos em San Diego

Harris ofereceu a solar tantos dados quanto ele necessário para treinar. Então, usar o super-computador independente no Texas avançou o centro de elaboração (TACC) e os diversos dias da computação contínua, criou analogs da baixo-definição das imagens de alta resolução do microscópio e treinou uma rede de aprendizagem profunda naqueles pares da imagem.

“TACC foi incredibly útil,” Solar disse. “Forneceram-nos o hardware para fazer o treinamento antes que nosso cabelo caiu para fora e desde que nós com experiência computacional e ajudados mesmo a executar experiências computacionais para ajustar nosso processo.”

Infelizmente, o solar tenta primeiramente criar versões da super-definição de imagens da baixo-definição era mal sucedido. “Quando nós tentamos testar o sistema nos dados da baixa definição de mundo real que eram muito mais ruidosos do que nossos dados do treinamento da baixa definição, a rede não fez tão bem.”

O solar teve um outro curso da sorte quando Jeremy Howard, fundador de fast.ai, e Fred Monroe, da iniciativa da investigação médica de Wicklow AI (WAMRI.ai), veio a Salk que procura os problemas da pesquisa que poderiam tirar proveito profundamente da aprendizagem.

“Eram entusiasmado por que nós que fazemos. Era um pedido perfeito para que seus métodos de aprendizagem profundos e seu desejo ajude a trazer profundamente a aprendizagem aos domínios novos,” solar recordado. “Nós começamos usar alguns de seus truques que tinham estabelecido, incluindo o crappification.”

Na altura de sua reunião, o solar e o colmilho têm diminuído computacionalmente a definição de suas imagens para pares de formação, mas não era ainda de ínfima qualidade bastante. Igualmente usavam um tipo de arquitetura de aprendizagem profunda chamada redes adversarial generative (GANs).

“Sugeriram adicionar mais ruído computacionalmente,” ele recordaram. ““Lance em algum borrão, e tipos diferentes do ruído, para fazer imagens realmente de ínfima qualidade. “Tinham construído uma biblioteca dos crappifications e nós crappified nossas imagens até que olhou muito mais como, ou mesmo mais ruim do que, o que olha como quando você adquire uma imagem da baixa definição no mundo. Igualmente ajudaram-nos a comutar longe de GANs às arquiteturas da U-Rede, que são muito mais fáceis de treinar e melhorar em remover o ruído.”

O solar treinou novamente seu sistema do AI usando os pares novos da imagem e a arquitetura de aprendizagem profunda e encontrou que poderia criar as imagens de alta resolução que eram muito similares a essas que tinham sido criadas originalmente com a maior ampliação. Além disso, os peritos treinados podiam encontrar características do neurónio em versões decrappified das amostras baixo-res que não poderiam ser detectadas nos originais.

Finalmente, puseram seu sistema ao teste real: aplicando o método às imagens criadas em outros laboratórios com os microscópios e as preparações diferentes.

“Geralmente na aprendizagem profundamente, você tem que treinar novamente e para ajustar o modelo para séries de dados diferentes,” Solar disse. “Mas nós fomos deleitados que nosso sistema trabalhou tão bem para uma vasta gama de grupos da amostra e de imagem.”

O sucesso significou que as amostras poderiam ser imaged sem arriscar dano, e que poderiam ser obtidas pelo menos 16 vezes mais rapidamente que feitas tradicional.

“À imagem o cérebro inteiro na definição completa poderia tomar sobre cem anos,” solar explicado. “Com 16 vezes aumentam em por toda parte, ele talvez transformam-se 10 anos, que é muito mais prático.”

A equipe publicou seus resultados em Biorxiv, apresentou-os na conferência do revelador de F8 Facebook e na ?a oficina do NSF NeuroNex 3DEM, e fê-la ao código GitHub directo disponível.

“Faz não somente este trabalho da aproximação. Mas nosso modelo de treinamento pode ser usado imediatamente,” Solar disse. “É extremamente rápido e fácil. E qualquer um que quer usar esta ferramenta poderá logo registrar em 3DEM.org [uma plataforma com suporte na internet da pesquisa focalizada em desenvolver e em disseminar as novas tecnologias para a microscopia de elétron dimensional aumentada da definição 3, apoiadas pelo National Science Foundation] e sido executado seus dados através dele.”

“Uri promove realmente esta ideia da melhoria da imagem com profundamente da aprendizagem,” Harris disse. “Finalmente, nós esperamos que nós não teremos nenhuma imagens de ínfima qualidade. Mas agora, muitas das imagens têm este problema, tão lá estão indo ser os lugares onde você quer preencher os furos baseados no que esta presente nas secções adjacentes.”

O solar espera desenvolver o software que pode fazer a reconstrução sobre - - voa, assim que os pesquisadores podem ver imagens super da definição imediatamente, um pouco do que no cargo-processamento. Igualmente vê o potencial melhorando o desempenho de milhões de microscópios já em laboratórios em todo o mundo e construindo um microscópio brandnew de baixo para cima que se aproveite de capacidades do AI.

“Menos caro, mais de alta resolução, mais rapidamente -- há uns lotes das áreas de que nós podemos melhorar em cima.”

Com uma prova de conceito no lugar, o solar e sua equipe desenvolveram uma ferramenta que permitisse avanços durante todo a neurociência. Mas sem colaborações fortuitas com Kristen Harris, Howard e Monroe e TACC, pode nunca ter vindo à fruição.

“É um exemplo bonito de como fazer realmente avanços na ciência. Você precisa de ter os peritos abertos ao trabalho junto com povos onde dentro do mundo que podem dever fazer algo acontecer,” Solar disse. “Eu apenas sinto tão muito afortunado para ter sido em uma posição onde eu poderia conectar com as todas estas colegas de equipa da mundo-classe.”