Силните лъчи, които дават по-ясен образ, повреждат пробите, ако говорим за крехки структури, в т.ч.
Американски изследователи успяха отизображение, получено с лъч с малка мощност, "извадете" скрити от шума детайли на биологични проби, "- каза Shuiwang Ji, доцент в Катедрата по компютърни науки и инженерство. "Използвахме чисто изчислителен подход за създаване на изображения с по-висока разделителна способност и в това проучване показахме, че можем да подобрим разделителната способност до степен, много близка до тази, която можете да получите с мощни лъчи."
Джи добави, че за разлика от други алгоритминамаляване на шума, което може да използва информация, идваща само от малък участък от пиксели в изображение с ниска разделителна способност, техният интелигентен алгоритъм може да идентифицира модели на пиксели, които могат да бъдат разпределени в шумно изображение, увеличавайки ефективността му като инструмент за намаляване на шума.
Типично изображение на микроскопспоред метода на изследователите той се наслагва върху компютърно цифрово изображение. Този метод за обработка на изображения обещава не само да намали разходите, но и да автоматизира анализа на медицински изображения и да разкрие детайли, които окото понякога може да пропусне.
Софтуер, базиран на алгоритъммашинното обучение, наречено дълбоко обучение, ефективно премахва замъгляването или шума в изображенията. Тези алгоритми могат да бъдат визуализирани като състоящи се от много взаимосвързани слоеве или стъпки за обработка, които вземат входно изображение с ниска разделителна способност и създават изходно изображение с висока разделителна способност.
„Представете си част от проба, която имаповтарящ се модел, като например пчелна пита. Повечето алгоритми за дълбоко обучение използват само локална информация, за да запълнят празнините в изображението, създадено от шума“, каза Джи. „Но това е неефективно, защото алгоритъмът по същество не вижда повтарящ се модел в изображението, тъй като възприемащото поле е фиксирано. Вместо това, алгоритмите за дълбоко обучение трябва да имат адаптивни възприемчиви полета, които могат да улавят информация в цялостната структура на изображението."
Учените са разработили различен алгоритъм за дълбочинаучене, което може динамично да променя размера на възприемащото поле. С други думи, за разлика от по-ранните алгоритми, които могат да агрегират информация само от малък брой пиксели, техният нов алгоритъм, наречен глобални мрежи за трансформация на воксели (GVTNets), може да комбинира информация от по-голяма област на изображението, ако е необходимо.
Изследователите отбелязват, че техният нов алгоритъмможе лесно да се адаптира към други приложения в допълнение към намаляване на шума, като флуоресцентно изображение без етикети и 3D към 2D преобразуване за компютърна графика.
„Това може да бъде изключително ценно за мнозинаприложения, включително клинични, като оценка на стадия на прогресия на рака и определяне между типовете клетки, за да се предскаже заболяването “, заключава Джи.
Вижте също:
Голям брой сиви китове започват да гладуват и да умират в Тихия океан
Една трета от оздравелите от COVID-19 се завръщат в болницата. Всеки осми - умира
Аборт и наука: какво ще се случи с децата, които ще раждат