Advertencia: Esta página es una traducción de esta página originalmente en inglés. Tenga en cuenta ya que las traducciones son generadas por máquinas, no que todos traducción será perfecto. Este sitio Web y sus páginas están destinadas a leerse en inglés. Cualquier traducción de este sitio Web y su páginas Web puede ser imprecisa e inexacta en su totalidad o en parte. Esta traducción se proporciona como una conveniencia.

La nueva aproximación usando el aprendizaje profundo podía acelerar microscopia de la imagen del cerebro por 16 veces

Las descripciones del libro de texto de neuronas hacen mirada de las neuronas simple: un largo espina-como el axón central con las dendritas que se ramifican. Tomada individualmente, éstos pudieron ser fáciles de determinar y mapa, pero en un cerebro real, están más bién un montón nudoso de pulpos, con centenares de limbos entrelazados. Esto hace la comprensión de cómo se comportan y obran recíprocamente un reto importante para los neurólogos.

Una manera que los investigadores desenredan nuestro revoltijo de los nervios está con proyección de imagen microscópica. Tomando las fotografías mismo de capas delgadas de un cerebro y reconstruyéndolas en forma tridimensional, es posible determinar donde están las estructuras y cómo se relacionan.

Pero esto trae sus propios retos. Conseguir imágenes de alta resolución, y la captura de ellas rápidamente para revestir una sección razonable del cerebro, es una tarea importante.

La parte del problema miente en los equilibrios y los compromisos que cualquier fotógrafo es familiar con. Abra la apertura de largo bastante para permitir hacia adentro lotes de luz y cualquier movimiento causará una niebla; tome una imagen rápida para evitar la niebla y el tema puede resultar oscuridad.

Pero otros problemas son específicos a los métodos usados en la reconstrucción del cerebro. Para uno, las imágenes cerebrales de alta resolución tardan un tiempo enormemente largo. Para otros, en la técnica ampliamente utilizada llamada microscopia electrónica serial de la cara de la cuadra, un pedazo de tejido se corta en una cuadra, la superficie es reflejada, se corta una sección fina y la cuadra entonces reflejada otra vez; el proceso se relanza hasta la realización. Sin embargo, el haz electrónico que crea las imágenes microscópicas puede hacer real la muestra fundir, torciendo el tema que está intentando capturar.

El señorío de Uri, director de la instalación avance Waitt de la base de Biophotonics en el instituto de Salk para los estudios biológicos en San Diego, es responsable de funcionar con los microscopios de alta potencia numerosos usados por los investigadores por todo el país. También lo encargan con determinar y desplegar los nuevos microscopios y los líquidos de revelado que pueden los problemas de direccionamiento con los cuales las tecnologías de hoy luchan.

“Si alguien viene con un problema y nuestros instrumentos no pueden hacerlo, o no podemos encontrar uno que pueda, es mi trabajo desarrollar esa capacidad,” Manor dijo.

Enterado de la proyección de imagen publica hacer frente a neurólogos, él decidía que una nueva aproximación era necesaria. Si él había alcanzado los límites físicos de microscopia, el señorío razonó, mejora quizá software y los algoritmos podrían ofrecer una solución.

“Hay matemático sofisticado y las aproximaciones de cómputo que se han estudiado por décadas para quitar ruido sin la eliminación de la señal,” Manor dijo. “Que era donde comencé.”

Trabajando con el colmillo de Linjing, un especialista del análisis de imagen en Salk, cocinaron hacia arriba una estrategia para utilizar GPUs (unidades centrales de los gráficos) para acelerar el tratamiento de la imagen microscópico.

Comenzaron con una deconvolución llamada truco del tratamiento de la imagen que había sido desarrollada en parte por Juan Sedat, uno de los héroes científicos y de un mentor del señorío en Salk. La aproximación fue utilizada por los astrónomos que quisieron resolver imágenes de estrellas y de planetas con la mayor resolución que ellos podría lograr directamente de los telescopios.

“Si usted conoce las propiedades ópticas de su sistema, después usted puede deblur sus imágenes y conseguir dos veces la resolución de la original,” él explicó.

Creyeron eso aprendizaje profundo -- una forma de máquina-aprender que capas múltiples de las aplicaciones de análisis para extraer progresivamente características de alto nivel de entrada sin procesar -- podía ser muy útil para aumentar la resolución de las imágenes del microscopio, un proceso llamado la estupendo-resolución.

MRIs, las imágenes de satélite, y las fotografías todas habían servido como casos de prueba convertirse profundamente aprender-basado, la estupendo-resolución se acerca, pero notable poco había sido hecha en microscopia. Quizás, el pensamiento del señorío, lo mismo se podía hacer con microscopia.

El primer paso en el entrenamiento de un sistema de aprendizaje profundo implica el encontrar de una recopilación grande de datos. Para esto, el señorío combinó hacia arriba con Kristen Harris, profesor de la neurología en la Universidad de Texas en Austin y uno de los expertos de cabeza en microscopia del cerebro.

Sus protocolos se utilizan en todo el mundo. Ella hacía ciencia abierta antes de que fuera fresca. Ella consigue imágenes increíblemente detalladas y ha estado colaborando con Salk para un cierto número de años.”

El señorío de Uri, director del Waitt avance la instalación de la base de Biophotonics, instituto de Salk para los estudios biológicos en San Diego

Harris ofreció a señorío tantos datos como él necesitó para entrenar. Entonces, usando el superordenador inconformista en el Tejas avance el centro de cómputo (TACC) y varios días de cómputo contínuo, él creó análogos de la inferior-resolución de las imágenes de alta resolución del microscopio y entrenó a una red de aprendizaje profunda en esos pares de la imagen.

“TACC ha sido increíblemente útil,” Manor dijo. “Proveyeron de nosotros hardware para hacer el entrenamiento antes de que cayera nuestro pelo y con tal que nosotros con experiencia de cómputo e incluso ayudados a ejecutar experimentos de cómputo para ajustar nuestro proceso.”

Lamentablemente, el señorío primero tentativa crear versiones de la estupendo-resolución de las imágenes de la inferior-resolución era fracasado. “Cuando intentamos probar el sistema en los datos de la resolución inferior del mundo real que eran mucho más ruidosos que nuestros datos del entrenamiento de la resolución inferior, la red no hizo tan bien.”

El señorío tenía otro recorrido de la suerte cuando Jeremy Howard, fundador de fast.ai, y Fred Monroe, de la iniciativa de la investigación médica de Wicklow AI (WAMRI.ai), vino a Salk que buscaba los problemas de la investigación que podrían beneficiarse profundamente del aprendizaje.

“Fueron excitados por lo que nosotros que hacen. Era un uso perfecto para que sus métodos de aprendizaje profundos y su deseo ayuden a traer profundamente el aprendizaje a los nuevos dominios,” señorío revocado. “Comenzamos a usar algunos de sus trucos que habían establecido, incluyendo el crappification.”

A la hora de su reunión, el señorío y el colmillo habían estado disminuyendo de cómputo la resolución de sus imágenes para los pares de entrenamiento, pero todavía no eran bastante malos. También utilizaban un tipo de configuración de aprendizaje profunda llamada las redes adversarial generativas (GANs).

“Sugirieron el agregar de más ruido de cómputo,” él revocaron. ““Tiro en una cierta niebla, y diversas clases de ruido, hacer imágenes realmente malas. “Habían construido una biblioteca de crappifications y crappified nuestras imágenes hasta que observara mucho más bién, o aún peor que, qué parece cuando usted detecta una imagen de la resolución inferior en el mundo. También nos ayudaron a cambiar lejos de GANs a las configuraciones de la U-Red, que son mucho más fáciles de entrenar y de mejorar en la eliminación de ruido.”

El señorío recicló su sistema del AI usando los nuevos pares de la imagen y la configuración de aprendizaje profunda y encontró que podría crear las imágenes de alta resolución que eran muy similares a las que habían sido creadas originalmente con el mayor aumento. Por otra parte, los expertos entrenados podían encontrar características de la neurona en las versiones decrappified de las muestras inferior-res que no se podrían descubrir en las originales.

Finalmente, pusieron su sistema a la prueba real: aplicando el método a las imágenes creadas en otros laboratorios con los diversos microscopios y preparaciones.

“Generalmente en profundamente el aprendizaje, usted tiene que reciclarse y ajustar el modelo para diversos conjuntos de datos,” Manor dijo. “Solamente nos encantaron que nuestro sistema trabajó tan bien para una amplia gama de la muestra y de equipos de imagen.”

El éxito significó que las muestras podrían ser reflejadas sin arriesgar daño, y que podrían ser obtenidas por lo menos 16 veces más rápidamente que hechas tradicionalmente.

“A la imagen el cerebro entero en la resolución completa podía asumir el control cientos años,” señorío explicado. “Con 16 veces aumentan de en todas partes, él quizás se convierten en 10 años, que es mucho más práctico.”

Las personas publicaron sus resultados en Biorxiv, los presentaron en la conferencia del revelador de F8 Facebook y el 2do taller del NSF NeuroNex 3DEM, e hicieron la clave GitHub directo disponible.

“No sólo hace este trabajo de la aproximación. Pero nuestro modelo de entrenamiento se puede utilizar inmediatamente,” Manor dijo. “Es extremadamente rápido y fácil. Y cualquier persona que quiere utilizar esta herramienta pronto podrá registrar en 3DEM.org [una plataforma en Internet de la investigación centrada en desarrollar y diseminar las nuevas tecnologías para la microscopia electrónica de 3 dimensiones aumentada de la resolución, soportadas por el National Science Foundation] y ejecutado sus datos a través de él.”

“Uri fomenta realmente esta idea de la mejoría de la imagen con profundamente el aprendizaje,” Harris dijo. “Final, esperamos que no tengamos ninguna imágenes mala. Pero ahora, muchas de las imágenes tienen este problema, tan allí van a ser los lugares en donde usted quiere completar los orificios basados en cuál está presente en las secciones adyacentes.”

El señorío espera desarrollar el software que puede hacer la reconstrucción simultáneamente, así que los investigadores pueden ver imágenes estupendas de la resolución inmediatamente, bastante que en el post-processing. Él también ve el potencial para perfeccionar el funcionamiento de millones de microscopios ya en los laboratorios en todo el mundo y para construir un microscopio a estrenar de principio a fin que se aproveche de capacidades del AI.

“Menos costoso, más de alta resolución, más rápidamente -- hay lotes de las áreas que podemos perfeccionar sobre.”

Con una prueba del concepto en el lugar, el señorío y sus personas han desarrollado una herramienta que habilitará avances en la neurología. Pero sin colaboraciones fortuitas con Kristen Harris, Howard y Monroe y TACC, pudo nunca haber venido a la fruición.

“Es un ejemplo hermoso de cómo hacer realmente avances en ciencia. Usted necesita tener expertos abiertos al trabajo así como gente dondequiera que hacia adentro del mundo que pueden deber para hacer que suceso algo,” Manor dijo. “Apenas asierro al hilo tan muy afortunado para haber sido en una posición donde podría interconectar con todos estos compañeros de equipo de calidad mundial.”