Una imagen vale más que mil palabras, pero solo cuando está claro lo que representa. Y ahí radica el problema de hacer imágenes o videos de la vida microscópica. Mientras que los microscopios modernos pueden generar enormes cantidades de datos de imágenes de tejidos vivos o células dentro de unpocos segundos, extraer información biológica significativa de esos datos puede llevar horas o incluso semanas de laborioso análisis.
Para aliviar este importante cuello de botella, un equipo dirigido por el miembro de MBL Hari Shroff ha ideado enfoques de aprendizaje profundo y otros métodos computacionales que reducen drásticamente el tiempo de análisis de imágenes en órdenes de magnitud, en algunos casos, igualando la velocidad de adquisición de datos en sí.Informan sus resultados esta semana en Biotecnología de la naturaleza .
"Es como beber de una manguera de bomberos sin poder digerir lo que está bebiendo", dice Shroff sobre el problema común de tener demasiados datos de imágenes y poca potencia de posprocesamiento. Las mejoras del equipo, que se derivan de uncolaboración en el Laboratorio de Biología Marina MBL, acelerar el análisis de imágenes de tres formas principales.
Primero, los datos de imágenes del microscopio se corrompen típicamente por el desenfoque. Para disminuir el desenfoque, se utiliza un proceso iterativo de "deconvolución". La computadora va y viene entre la imagen borrosa y una estimación del objeto real, hasta que alcanzaconvergencia en una mejor estimación de lo real.
Al jugar con el algoritmo clásico para la deconvolución, Shroff y sus coautores aceleraron la deconvolución en más de 10 veces. Su algoritmo mejorado es ampliamente aplicable "a casi cualquier microscopio de fluorescencia", dice Shroff. "Es una victoria estricta, creemos.. Hemos lanzado el código y otros grupos ya lo están usando ".
A continuación, abordaron el problema del registro 3D: alinear y fusionar varias imágenes de un objeto tomadas desde diferentes ángulos ". Resulta que se necesita mucho más tiempo para registrar grandes conjuntos de datos, como para microscopía de hoja de luz, que paradeconvolucionarlos ", dice Shroff. Encontraron varias formas de acelerar el registro 3D, incluido moverlo a la unidad de procesamiento de gráficos GPU de la computadora. Esto les dio una mejora de 10 a más de 100 veces en la velocidad de procesamiento en comparación con el uso de la centralunidad de procesamiento CPU.
"Nuestras mejoras en el registro y la deconvolución significan que para los conjuntos de datos que encajan en una tarjeta gráfica, el análisis de imágenes puede, en principio, mantenerse al día con la velocidad de adquisición", dice Shroff. "Para conjuntos de datos más grandes, encontramos una manera de tallarlos de manera eficienteen trozos, pase cada trozo a la GPU, realice el registro y la deconvolución, y luego vuelva a unirlos. Eso es muy importante si desea obtener imágenes de grandes trozos de tejido, por ejemplo, de un animal marino, o silimpiar un órgano para hacerlo transparente y colocarlo en el microscopio. Algunas formas de microscopía grande están realmente habilitadas y aceleradas por estos dos avances ".
Por último, el equipo utilizó el aprendizaje profundo para acelerar la "deconvolución compleja", conjuntos de datos intratables en los que el desenfoque varía significativamente en diferentes partes de la imagen. Entrenaron a la computadora para reconocer la relación entre datos muy borrosos la entrada y unimagen limpia y deconvolucionada la salida. Luego le dieron datos borrosos que no había visto antes. "Funcionó muy bien; la red neuronal entrenada podía producir resultados deconvolucionados muy rápido", dice Shroff. "Ahí es donde obtuvimos miles-doblar las mejoras en la velocidad de deconvolución. "
Si bien los algoritmos de aprendizaje profundo funcionaron sorprendentemente bien, "es con la salvedad de que son frágiles", dice Shroff. "Es decir, una vez que haya entrenado la red neuronal para reconocer un tipo de imagen, digamos una célula con mitocondrias,deconvolucionará esas imágenes muy bien. Pero si le das una imagen que es un poco diferente, digamos la membrana plasmática de la célula, produce artefactos. Es fácil engañar a la red neuronal ". Un área activa de investigación es la creación de redes neuronales que funcionende una manera más generalizada.
"El aprendizaje profundo aumenta lo que es posible", dice Shroff. "Es una buena herramienta para analizar conjuntos de datos que serían difíciles de otra manera".
Fuente de la historia :
Materiales proporcionado por Laboratorio de Biología Marina . Original escrito por Diana Kenney. Nota: el contenido se puede editar por estilo y longitud.
Referencia de la revista :
cite esta página :