Los rayos fuertes, que dan una imagen más clara, dañan las muestras si hablamos de estructuras frágiles, incluidas
Los investigadores estadounidenses lograronimagen obtenida con un rayo de baja potencia, "sacar" oculto por los detalles de ruido de las muestras biológicas ", dijo Shuiwang Ji, profesor asociado del Departamento de Ingeniería y Ciencias de la Computación. "Utilizamos un enfoque puramente computacional para crear imágenes de mayor resolución, y en este estudio demostramos que podemos mejorar la resolución en un grado muy cercano a lo que se puede obtener con haces potentes".
Ji agregó que a diferencia de otros algoritmosreducción de ruido que puede usar información proveniente de solo un pequeño parche de píxeles en una imagen de baja resolución, su algoritmo inteligente puede identificar patrones de píxeles que se pueden distribuir a lo largo de una imagen ruidosa, aumentando su efectividad como herramienta de reducción de ruido.
Una imagen de microscopio típicasegún el método de los investigadores, se superpone a una imagen digital de computadora. Este método de procesamiento de imágenes promete no solo reducir costos, sino también automatizar el análisis de imágenes médicas y revelar detalles que el ojo a veces puede pasar por alto.
Software basado en algoritmosEl aprendizaje automático, llamado aprendizaje profundo, elimina de manera efectiva el desenfoque o el ruido en las imágenes. Estos algoritmos se pueden visualizar como compuestos por muchas capas interconectadas o pasos de procesamiento que toman una imagen de entrada de baja resolución y producen una imagen de salida de alta resolución.
“Imagínese un trozo de muestra que tieneun patrón repetitivo, como un panal. La mayoría de los algoritmos de aprendizaje profundo sólo utilizan información local para llenar los huecos en la imagen creados por el ruido”, dijo Ji. “Pero esto es ineficiente porque el algoritmo esencialmente no ve un patrón repetitivo en la imagen porque el campo receptivo es fijo. En cambio, los algoritmos de aprendizaje profundo deben tener campos receptivos adaptativos que puedan capturar información en la estructura general de la imagen".
Los científicos han desarrollado un algoritmo diferente paraaprendizaje que puede cambiar dinámicamente el tamaño del campo de percepción. En otras palabras, a diferencia de los algoritmos anteriores, que solo pueden agregar información de una pequeña cantidad de píxeles, su nuevo algoritmo, llamado redes de transformación de voxel globales (GVTNets), puede combinar información de un área más grande de la imagen según sea necesario.
Los investigadores notaron que su nuevo algoritmose puede adaptar fácilmente a otras aplicaciones además de la reducción de ruido, como imágenes de fluorescencia sin etiquetas y conversión de 3D a 2D para gráficos por computadora.
“Esto puede ser extremadamente valioso para muchosaplicaciones, incluidas las clínicas, como evaluar el estadio de progresión del cáncer y determinar entre tipos de células para predecir la enfermedad ”, concluye Ji.
Ver tambien
Un gran número de ballenas grises comienzan a pasar hambre y morir en el Pacífico
Un tercio de los que se han recuperado del COVID-19 regresan al hospital. Cada octavo - muere
Aborto y ciencia: que pasará con los niños que darán a luz