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.

I ricercatori sviluppano gli approcci di calcolo che diminuiscono drammaticamente il tempo dell'immagine-analisi

Una maschera vale mille parole - ma soltanto quando è chiaro che cosa descrive. Ed ivi si trova il fare penetrare che fa le immagini o i video della vita microscopica.

Mentre i microscopi moderni possono generare i gran quantità dei dati di immagine dai tessuti viventi o delle celle in alcuni secondi, estraenti le informazioni biologiche significative da quello i dati possono richiedere le ore o persino le settimane dell'analisi laboriosa.

Per allentare questo grave ostacolo principale, un gruppo piombo dal collega Hari Shroff di MBL ha inventato l'profondo-apprendimento ed altri approcci di calcolo che diminuiscono drammaticamente il tempo dell'immagine-analisi dagli ordini di grandezza -- in alcuni casi, abbinando la velocità di dell'acquisizione dei dati stessa. Riferiscono ai loro risultati questa settimana in biotecnologia della natura.

“È come bere da un firehose senza potere da digerire che cosa state bevendo,„ dice Shroff del problema comune di avere troppi dati della rappresentazione e non abbastanza potenza di postelaborazione.

I miglioramenti del gruppo, che provengono da una collaborazione in corso al laboratorio biologico marino (MBL), accelerano l'analisi sulla base di immagini in tre modi importanti.

In primo luogo, i dati della rappresentazione fuori dal microscopio sono corrotti tipicamente offuscando. Per diminuire il mosso, un trattamento iterativo “di deconvolution„ è usato.

Il computer va avanti e indietro fra l'immagine vaga e un preventivo dell'oggetto reale, finché non raggiunga la convergenza su un il migliore preventivo della cosa vera.

Riparando con l'algoritmo classico per deconvolution, Shroff ed i co-author hanno accelerato il deconvolution più da 10 volte. Il loro algoritmo migliore è ampiamente applicabile “a quasi tutto il microscopio di fluorescenza. È una vittoria rigorosa, noi pensa. Abbiamo rilasciato il codice ed altri gruppi già stanno usandolo.„

Hari Shroff, ricercatore senior, istituto nazionale di rappresentazione biomedica e bioingegneria, laboratorio biologico marino

Dopo, hanno affrontato il problema della registrazione 3D: immagini multiple d'allineamento e di fusione di un oggetto catturato dagli angoli differenti.

“Risulta che cattura molto più lungamente per registrare i grandi gruppi di dati, come per microscopia della luminoso lamiera sottile, che li fa a deconvolve,„ Shroff dice.

Hanno trovato parecchi modi accelerare la registrazione 3D, compreso muoverla verso l'unità di elaborazione dei grafici del computer (GPU).

Ciò ha dato loro i 10 - più 100 volte a miglioramento nella velocità di trattamento sopra usando l'unità di elaborazione centrale del computer (CPU).

“I nostri miglioramenti nella media di deconvolution e di registrazione che per i gruppi di dati che si adattano su una scheda grafica, l'analisi sulla base di immagini può in linea di principio continuare con velocità di acquisizione,„ Shroff dice.

“Per i più grandi gruppi di dati, abbiamo trovato un modo scolpirli efficientemente su nei bei pezzi, passiamo ogni bello pezzo al GPU, facciamo la registrazione ed il deconvolution e poi cuciamo quei pezzi arretrati insieme.„

“Che è molto importante se volete all'immagine i grandi pezzi di tessuto, per esempio, da un animale marino, o se state rimuovendo un organo per renderlo trasparente per mettere sopra il microscopio. Certi moduli di grande microscopia realmente sono permessi a ed accelerati tramite questi due avanzamenti.„

Infine, il gruppo ha usato in profondità l'apprendimento accelerare “i gruppi di dati intrattabili complessi di deconvolution„ - in cui il mosso varia significativamente nelle parti differenti dell'immagine.

Hanno preparato il computer per riconoscere la relazione fra i dati male vaghi (l'input) e un'immagine pulita e deconvolved (l'output). Poi lo hanno dato hanno offuscato i dati che non aveva veduto prima.

“Ha funzionato realmente bene; la rete neurale preparata potrebbe fornire i risultati deconvolved realmente veloci,„ Shroff dice. “Che è dove abbiamo ottenuto i miglioramenti del migliaio-popolare nella velocità di deconvolution.„

Mentre gli algoritmi di apprendimento profondi lavorati sorprendente bene, “è con l'avvertimento che sono friabili,„ Shroff dice. “Significando, una volta che avete preparato la rete neurale per riconoscere un tipo di immagine, dica una cella con i mitocondri, deconvolve quelle immagini molto bene.„

“Ma se gli date un'immagine che è un po'differente, dica la membrana di plasma delle cellule, produce i artefatti. È facile da imbrogliare la rete neurale.„ Un campo di ricerca attivo sta creando le reti neurali che funzionano in un modo generalizzato.

“In profondità imparare aumenta che cosa è possibile,„ Shroff dice. “È un buon strumento per analizzare i gruppi di dati che sarebbero difficili qualunque altro modo.„

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.