Ny metode kunne demokratisere mikroskopi med forbedret dyb læring

Dyb læring er et potentielt værktøj for forskere til at få flere detaljer fra billeder i lav opløsning i mikroskopi, men det er ofte svært at indsamle nok baseline -data til at træne computere i processen. Nu, en ny metode udviklet af forskere ved Salk Institute kunne gøre teknologien mere tilgængelig-ved at tage billeder i høj opløsning, og kunstigt nedværdigende dem.

Det nye værktøj, som forskerne kalder en "crappifier, " kunne gøre det væsentligt nemmere for forskere at få detaljerede billeder af celler eller cellulære strukturer, der tidligere har været svære at observere, fordi de kræver dårlige lysforhold, såsom mitokondrier, som kan dele sig, når de belastes af laserne, der bruges til at belyse dem. Det kunne også hjælpe med at demokratisere mikroskopi, giver videnskabsmænd mulighed for at tage billeder i høj opløsning, selvom de ikke har adgang til kraftige mikroskoper. Resultaterne blev offentliggjort den 8. marts 2021, i journalen Naturens metoder .

"Vi investerer millioner af dollars i disse mikroskoper, og vi kæmper stadig for at skubbe grænserne for, hvad de kan gøre, " siger Uri Manor, direktør for Waitt Advanced Biophotonics Core Facility hos Salk. "Det er det problem, vi forsøgte at løse med dyb læring."

Deep learning er en form for kunstig intelligens (AI), hvor computeralgoritmer lærer og forbedres ved at studere eksempler. For at bruge dyb læring til at forbedre mikroskopbilleder – enten ved at forbedre opløsningen (skarphed) eller reducere baggrundsstøjen – skulle systemet have vist mange eksempler på både høj- og lavopløsningsbilleder. Det er et problem, fordi det kan være svært og dyrt at tage helt identiske mikroskopibilleder i to separate eksponeringer. Det er især udfordrende, når man afbilder levende celler, der kan bevæge sig rundt under processen.

Det er her, crappifieren kommer ind i billedet. Ifølge Manor, metoden tager billeder af høj kvalitet og nedbryder dem beregningsmæssigt, så de ligner de laveste lavopløsningsbilleder, som holdet ville erhverve.

Manors team viste billeder i høj opløsning og deres forringede modstykker til deep learning-softwaren, kaldet Point-Scanning Super-Resolution, eller PSSR. Efter at have studeret de forringede billeder, systemet var i stand til at lære at forbedre billeder, der var naturligt dårlig kvalitet.

Det er vigtigt, fordi i fortiden, computersystemer, der lærte på kunstigt nedbrudte data, kæmpede stadig, når de blev præsenteret for rå data fra den virkelige verden.

"Vi prøvede en masse forskellige nedbrydningsmetoder, og vi fandt en, der rent faktisk virker, "Manor siger." Du kan træne en model om dine kunstigt genererede data, og det virker faktisk på data fra den virkelige verden."

"Ved at bruge vores metode, mennesker kan drage fordel af denne magtfulde, deep learning teknologi uden at investere en masse tid eller ressourcer, " siger Linjing Fang, billedanalysespecialist ved Waitt Advanced Biophotonics Core Facility, og hovedforfatter på papiret. "Du kan bruge allerede eksisterende data af høj kvalitet, nedbryde det, og træne en model til at forbedre kvaliteten af ​​et billede med lavere opløsning."

Holdet viste, at PSSR fungerer i både elektronmikroskopi og med fluorescens levende cellebilleder - to situationer, hvor det kan være ekstraordinært vanskeligt eller umuligt at opnå de duplikerede høj- og lavopløsningsbilleder, der er nødvendige for at træne AI-systemer. Mens undersøgelsen demonstrerede metoden på billeder af hjernevæv, Manor håber, at det kan anvendes på andre systemer i kroppen i fremtiden.

Han håber også, at det en dag kan bruges til at gøre mikroskopisk billeddannelse i høj opløsning mere tilgængelig. I øjeblikket, de mest kraftfulde mikroskoper i verden kan koste op mod en million dollars, på grund af den præcisionsteknik, der kræves for at skabe billeder i høj opløsning. "En af vores visioner for fremtiden er at kunne begynde at erstatte nogle af de dyre komponenter med deep learning, "Manor siger, "Så vi kunne begynde at gøre mikroskoper billigere og mere tilgængelige."