Autofokusering af mikroskopibilleder ved hjælp af dyb læring

Optiske mikroskoper bruges ofte i biomedicinsk videnskab til at afsløre fine egenskaber ved en prøve, såsom humane vævsprøver og celler, danner rygraden i patologisk billeddannelse til sygdomsdiagnose. Et af de mest kritiske trin i mikroskopisk billeddannelse er autofokusering, så forskellige dele af en prøve hurtigt kan afbildes alle i fokus, med forskellige detaljer ved en opløsning, der er mindre end en milliontedel af en meter. Manuel fokusering af disse mikroskopbilleder af en ekspert er upraktisk, især til hurtig billeddannelse af et stort antal prøver, såsom i et patologilaboratorium, der behandler hundredvis af patientprøver hver dag.

UCLA -forskere har skabt en ny teknik til autofokusering af billeder til digitalt at bringe et givet mikroskopibillede i fokus uden brug af en særlig mikroskophardware eller -udstyr under billedoptagelsesfasen. Denne nye tilgang er baseret på dyb læring, hvor et kunstigt neuralt netværk er uddannet til at tage et enkelt defokuseret billede som input til hurtigt at skabe et in-focus billede af den samme prøve, uden behov for forudgående kendskab til defokusafstanden eller antagelser vedrørende billedslørfunktionen.

Udgivet i ACS Photonics , et tidsskrift fra American Chemical Society, UCLA-teamet har demonstreret succesen med denne dybe læringsbaserede autofokuseringsmetode på menneskelige prøver, herunder bryst, æggestokkene og prostata vævssnit, afbildet med fluorescens og brightfield -mikroskoper. Sammenlignet med standard autofokuseringsalgoritmer, UCLAs neurale netværk forbedrede autofokuseringshastigheden for et mikroskop med 15 gange, resulterer i store tidsbesparelser, hvilket især er vigtigt for patologilaboratorier, der hurtigt skal forestille sig et stort antal vævsprøver. Enkel at implementere og rent beregningsmæssigt, denne nye deep learning-aktiverede autofokuseringsmetode kan anvendes på en lang række mikroskoper, da det ikke kræver nogen hardwareændringer i billeddannelsessystemet.