L'apprendimento profondo è un potenziale strumento per gli scienziati per raccogliere maggiori dettagli da immagini a bassa risoluzione in microscopia, ma è spesso difficile raccogliere dati di base sufficienti per addestrare i computer nel processo. Ora, un nuovo metodo sviluppato dagli scienziati del Salk Institute potrebbe rendere la tecnologia più accessibile, prendendo immagini ad alta risoluzione, e degradandoli artificialmente.

Il nuovo strumento, che i ricercatori chiamano "crappifier, " potrebbe rendere significativamente più facile per gli scienziati ottenere immagini dettagliate di cellule o strutture cellulari che in precedenza erano difficili da osservare perché richiedono condizioni di scarsa illuminazione, come i mitocondri, che possono dividersi quando sollecitati dai laser utilizzati per illuminarli. Potrebbe anche aiutare a democratizzare la microscopia, consentendo agli scienziati di acquisire immagini ad alta risoluzione anche se non hanno accesso a potenti microscopi. I risultati sono stati pubblicati l'8 marzo 2021, nel diario Metodi della natura .

"Investiamo milioni di dollari in questi microscopi, e stiamo ancora lottando per spingere i limiti di ciò che possono fare, "dice Uri Manor, direttore della Waitt Advanced Biophotonics Core Facility a Salk. "Questo è il problema che stavamo cercando di risolvere con il deep learning".

Il deep learning è un tipo di intelligenza artificiale (AI) in cui gli algoritmi informatici apprendono e migliorano studiando esempi. Per utilizzare il deep learning per migliorare le immagini del microscopio, migliorando la risoluzione (nitidezza) o riducendo il "rumore" di fondo, al sistema dovrebbero essere mostrati molti esempi di immagini sia ad alta che a bassa risoluzione. Questo é un problema, perché catturare immagini microscopiche perfettamente identiche in due esposizioni separate può essere difficile e costoso. È particolarmente difficile eseguire l'imaging di cellule viventi che potrebbero muoversi durante il processo.

È qui che entra in gioco il crappifier. Secondo Manor, il metodo prende immagini di alta qualità e le degrada computazionalmente, in modo che assomiglino alle immagini a bassa risoluzione più bassa che il team acquisirebbe.

Il team di Manor ha mostrato immagini ad alta risoluzione e le loro controparti degradate al software di deep learning, chiamato Super-Risoluzione a scansione di punti, o PSSR. Dopo aver studiato le immagini degradate, il sistema è stato in grado di imparare a migliorare le immagini che erano naturalmente di scarsa qualità.

Questo è significativo perché, nel passato, i sistemi informatici che hanno appreso su dati degradati artificialmente hanno ancora difficoltà quando vengono presentati dati grezzi dal mondo reale.

"Abbiamo provato un sacco di diversi metodi di degradazione, e ne abbiamo trovato uno che funziona davvero, " Dice Manor. "Puoi addestrare un modello sui tuoi dati generati artificialmente, e in realtà funziona su dati del mondo reale."

"Utilizzando il nostro metodo, le persone possono beneficiare di questo potente, tecnologia di deep learning senza investire molto tempo o risorse, "dice Linjing Fang, specialista in analisi di immagini presso la Waitt Advanced Biophotonics Core Facility, e autore principale della carta. "Puoi utilizzare dati preesistenti di alta qualità, degradarlo, e addestrare un modello per migliorare la qualità di un'immagine a bassa risoluzione."

Il team ha dimostrato che la PSSR funziona sia con la microscopia elettronica che con immagini di cellule vive in fluorescenza, due situazioni in cui può essere straordinariamente difficile o impossibile ottenere le immagini duplicate ad alta e bassa risoluzione necessarie per addestrare i sistemi di intelligenza artificiale. Mentre lo studio ha dimostrato il metodo sulle immagini del tessuto cerebrale, Manor spera che in futuro possa essere applicato ad altri sistemi del corpo.

Spera anche che un giorno possa essere utilizzato per rendere più ampiamente accessibile l'imaging microscopico ad alta risoluzione. Attualmente, i microscopi più potenti del mondo possono costare fino a un milione di dollari, a causa dell'ingegneria di precisione necessaria per creare immagini ad alta risoluzione. "Una delle nostre visioni per il futuro è essere in grado di iniziare a sostituire alcuni di quei componenti costosi con il deep learning, "Manor dice, "Così potremmo iniziare a rendere i microscopi più economici e più accessibili".