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.

Os pesquisadores desenvolvem as aproximações computacionais que reduzem dramàtica o tempo da imagem-análise

Uma imagem vale mil palavras - mas somente quando é claro o que descreve. E encontra-se nisso a RUB em fazer imagens ou vídeos da vida microscópica.

Quando os microscópios modernos puderem gerar as enormes quantidade de dados de imagem dos tecidos vivos ou de pilhas dentro de alguns segundos, extraindo a informação biológica significativa daquela os dados podem tomar horas ou mesmo semanas da análise laboriosa.

Para afrouxar este gargalo principal, uma equipe conduzida pelo companheiro Hari Shroff de MBL planejou a profundo-aprendizagem e outras aproximações computacionais que reduzem dramàtica o tempo da imagem-análise por ordens de grandeza -- em alguns casos, combinando a velocidade de por aquisição de dados própria. Relatam a seus resultados esta semana na biotecnologia da natureza.

“É como beber de um firehose sem poder digerir o que você está bebendo,” diz Shroff do problema comum de ter demasiados dados da imagem lactente e não bastante potência deprocessamento.

As melhorias da equipe, que provêm de uma colaboração em curso no laboratório biológico marinho (MBL), aceleram a análise de imagem em três maneiras principais.

Primeiramente, os dados da imagem lactente fora do microscópio são corrompidos tipicamente borrando. Para diminuir o borrão, um processo iterativo da “desconvolução” é usado.

O computador vai para a frente e para trás entre a imagem borrada e uma avaliação do objeto real, até que alcance a convergência em uma melhor avaliação do autêntico.

Consertando com o algoritmo clássico para a desconvolução, Shroff e os co-autores aceleraram a desconvolução mais por do que 10 vezes. Seu algoritmo melhorado é extensamente aplicável “a quase todo o microscópio de fluorescência. É uma vitória restrita, nós pensa. Nós liberamos o código e outros grupos já estão usando-o.”

Hari Shroff, investigador superior, instituto nacional da imagem lactente biomedicável e tecnologia biológica, laboratório biológico marinho

Em seguida, endereçaram o problema do registo 3D: imagens múltiplas de alinhamento e de fusão de um objeto tomado dos ângulos diferentes.

“Despeja que toma muito mais por muito tempo para registrar grandes conjunto de dados, como para a microscopia da luz-folha, do que ela fá-los ao deconvolve,” Shroff diz.

Encontraram diversas maneiras de acelerar o registo 3D, incluindo movendo o para a unidade de processamento dos gráficos de computador (GPU).

Isto deu-lhes uns 10 - a uma melhoria de mais de 100 dobras na velocidade de processamento sobre a utilização da unidade do processador central do computador (CPU).

“Nossas melhorias no meio do registo e da desconvolução que para os conjunto de dados que cabem em uma placa gráfica, a análise de imagem pode em princípio prosseguir com a velocidade da aquisição,” Shroff diz.

“Para uns conjunto de dados mais grandes, nós encontramos uma maneira de cinzelá-los eficientemente acima em pedaços, passamos cada pedaço ao GPU, fazemos o registo e a desconvolução, e costuramos então aquelas partes traseiras junto.”

“Que é muito importante se você quer à imagem grandes partes de tecido, por exemplo, de um animal marinho, ou se você está cancelando um órgão para o fazer transparente para pôr sobre o microscópio. Alguns formulários da grande microscopia realmente são permitidos e acelerados por estes dois avanços.”

Última, a equipe usou profundamente a aprendizagem acelerar “os conjunto de dados intratáveis complexos da desconvolução” - em que o borrão varia significativamente em partes diferentes da imagem.

Treinaram o computador para reconhecer o relacionamento entre dados ruim borrados (a entrada) e uma imagem limpada, deconvolved (a saída). Então deram-na borraram dados que não tinha visto antes.

“Trabalhou realmente bem; a rede neural treinada poderia produzir os resultados deconvolved realmente rápidos,” Shroff diz. “Que é onde nós obtivemos melhorias da milhares-dobra na velocidade da desconvolução.”

Quando os algoritmos de aprendizagem profundos trabalhados surpreendentemente bem, “é com a advertência que são frágeis,” Shroff diz. “Significando, uma vez que você treinou a rede neural para reconhecer um tipo de imagem, diga uma pilha com mitocôndria, ele deconvolve aquelas imagens muito bem.”

“Mas se você lhe dá uma imagem que seja um bit diferente, diga a membrana de plasma da pilha, ele produz produtos manufacturados. É fácil enganar a rede neural.” Uma área de pesquisa activa está criando as redes neurais que trabalham em uma maneira mais generalizada.

“Profundamente aprender aumenta o que é possível,” Shroff diz. “É uma boa ferramenta para analisar os conjunto de dados que seriam difíceis toda a outra maneira.”

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.