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.

Les chercheurs développent les approches de calcul qui réduisent spectaculaire la durée de l'analyse

Une illustration vaut mille mots - mais seulement quand il est clair ce qu'elle dépeint. Et se trouve à cet égard le frottement en effectuant des images ou des vidéos de la durée microscopique.

Tandis que les microscopes modernes peuvent produire des montants considérables de caractéristiques d'image des tissus vivants ou des cellules dans quelques secondes, extrayant l'information biologique signicative de cela les caractéristiques peuvent prendre des heures ou même des semaines d'analyse laborieuse.

Pour débloquer ce goulot d'étranglement principal, une équipe aboutie par le camarade Hari Shroff de MBL a conçu profond-apprendre et d'autres approches de calcul qui réduisent spectaculaire la durée de l'analyse par des ordres de grandeur -- dans certains cas, appariant la vitesse de l'acquisition de données elle-même. Ils enregistrent leurs résultats cette semaine en biotechnologie de nature.

« Elle est comme le boire d'un firehose sans pouvoir assimiler ce que vous buvez, » dit Shroff du problème courant de avoir excessive caractéristique de représentation et pas assez de pouvoir de post traitement.

Les améliorations de l'équipe, qui proviennent d'une collaboration actuelle au laboratoire biologique marin (MBL), accélèrent l'analyse d'image de trois voies importantes.

D'abord, la caractéristique de représentation hors du microscope est type altérée en tremblant. Pour diminuer le flou, un procédé itératif de « déconvolution » est employé.

L'ordinateur va dans les deux sens entre l'image tremblée et une estimation de l'objectif réel, jusqu'à ce qu'il atteigne la convergence sur une meilleure estimation de la chose vraie.

Par le bricolage avec l'algorithme classique pour la déconvolution, Shroff et co-auteurs ont accéléré la déconvolution par plus que 10 fois. Leur algorithme amélioré s'applique largement « à presque n'importe quel microscope de fluorescence. C'est une victoire stricte, nous pensent. Nous avons relâché l'indicatif et d'autres groupes l'emploient déjà. »

Hari Shroff, chercheur supérieur, institut national de la représentation biomédicale et bio-ingénierie, laboratoire biologique marin

Ensuite, ils ont traité le problème de l'inscription 3D : images multiples de alignement et protégeantes par fusible d'un objectif pris de différentes cornières.

« Il s'avère que cela prend beaucoup plus longtemps pour enregistrer de grands ensembles de données, comme pour la microscopie de nappe de lumière, qu'elle les fait au deconvolve, » Shroff dit.

Ils ont trouvé plusieurs moyens d'accélérer l'inscription 3D, y compris la déménager à l'unité de traitement des infographies (GPU).

Ceci leur a donné des 10 - plus que 100 fois à l'amélioration de la vitesse de traitement au-dessus d'utiliser l'unité centrale de l'ordinateur (CPU).

« Nos améliorations du moyen d'inscription et de déconvolution que pour les ensembles de données qui s'adaptent sur une carte graphique, l'analyse d'image peut en principe maintenir avec la vitesse de l'acquisition, » Shroff dit.

« Pour de plus grands ensembles de données, nous avons trouvé une voie de les découper efficacement dans des accumulations, réussissons chaque accumulation au GPU, faisons l'inscription et la déconvolution, et puis piquons ces pièces arrières ensemble. »

« Qui est très important si vous voulez à l'image de grandes pièces de tissu, par exemple, d'un animal marin, ou si vous libérez un organe pour le rendre transparent pour mettre en circuit le microscope. Quelques formes de grande microscopie sont réellement activées et accélérées par ces deux avances. »

Pour finir, l'équipe a employé apprendre profondément à accélérer les ensembles de données insurmontables « complexes de déconvolution » - dans lesquels le flou varie de manière significative dans différentes parties de l'image.

Ils ont formé l'ordinateur pour identifier la relation entre les caractéristiques mal tremblées (l'entrée) et une image nettoyée et deconvolved (la sortie). Alors ils l'ont donnée ont tremblé des caractéristiques qu'elle n'avait pas vues avant.

« Cela a réellement bien fonctionné ; le réseau neuronal qualifié pourrait produire des résultats deconvolved réellement rapides, » Shroff dit. « Qui est où nous avons obtenu des améliorations de millier-pli de vitesse de déconvolution. »

Tandis que les algorithmes apprenants profonds fonctionnés étonnant bien, « c'est avec l'opposition qu'elles sont cassantes, » Shroff dit. « En signifiant, une fois que vous avez formé le réseau neuronal pour identifier un type d'image, dites une cellule avec des mitochondries, il deconvolve ces images très bien. »

« Mais si vous lui donnez une image qui est un morceau différent, dites la membrane de plasma des cellules, il produit des corps étrangers. Il est facile de duper le réseau neuronal. » Un domaine de recherche actif produit les réseaux neuronaux qui fonctionnent d'une voie plus généralisée.

« Apprendre profondément augmente ce qui est possible, » Shroff dit. « C'est un bon outil pour analyser les ensembles de données qui seraient difficiles n'importe quelle autre voie. »

Source:
Journal reference:

Guo, M., et al. (2020) Rapid image deconvolution and multiview fusion for optical microscopy. Nature Biotechnology. doi.org/10.1038/s41587-020-0560-x.