Yhdysvalloissa he keksivät, kuinka kuvattu esine voidaan palauttaa "meluisassa" valokuvassa

Vahvat palkit, jotka antavat selkeämmän kuvan, vahingoittavat näytteitä herkissä rakenteissa, kuten

biologisten määrä. Toisaalta heikot säteet voivat tuottaa meluisia matalan resoluution kuvia.

Amerikkalaiset tutkijat onnistuivatkuva, joka on saatu pienitehoisella säteellä, "vedä ulos" piilotettuna biologisten näytteiden melun yksityiskohtien avulla ", sanoi tietojenkäsittelytieteen laitoksen apulaisprofessori Shuiwang Ji. "Käytimme puhtaasti laskennallista lähestymistapaa korkeamman resoluution kuvien luomiseen, ja tässä tutkimuksessa osoitimme, että voimme parantaa resoluutiota siinä määrin, että se on hyvin lähellä sitä, mitä saat voimakkailla säteillä."

Ji lisäsi, että toisin kuin muut algoritmitkohinanvaimennus, joka voi käyttää tietoa, joka on peräisin vain pienestä pikselistä matalan resoluution kuvassa, älykäs algoritmi pystyy tunnistamaan pikselikuviot, jotka voidaan jakaa meluisassa kuvassa, mikä lisää sen tehokkuutta melun vähentämistyökaluna.

Tyypillinen mikroskooppikuvatutkijoiden menetelmän mukaan se asetetaan tietokoneen digitaaliseen kuvaan. Tämä kuvankäsittelymenetelmä lupaa paitsi vähentää kustannuksia myös automatisoida lääketieteellisten kuvien analyysin ja paljastaa yksityiskohtia, joita silmä saattaa joskus kaipaamaan.

Algoritmipohjainen ohjelmistokoneoppiminen, syväoppiminen, poistaa tehokkaasti kuvien epätarkkuuden tai melun. Nämä algoritmit voidaan visualisoida koostuvan monista toisiinsa yhdistetyistä tasoista tai prosessointivaiheista, jotka ottavat matalan resoluution tulokuvan ja tuottavat korkean resoluution ulostulokuvan.

Kuvittele pala näytettä, jolla ontoistuva kuvio, kuten hunajakenno. Suurin osa syvällisen oppimisen algoritmeista käyttää vain paikallista tietoa melun luomien aukkojen täyttämiseen ”, Ji sanoi. "Mutta tämä on tehotonta, koska algoritmi ei itse asiassa näe kuvassa toistuvaa mallia, koska vastaanottokenttä on kiinteä. Sen sijaan syvällä oppimisalgoritmeilla tulisi olla mukautuvat vastaanottokentät, jotka voivat siepata tietoja kuvan kokonaisrakenteeseen. "

Tutkijat ovat kehittäneet erilaisen algoritmin syvälleoppiminen, joka voi dynaamisesti muuttaa havaitsevan kentän kokoa. Toisin sanoen, toisin kuin aikaisemmat algoritmit, jotka voivat koota tietoja vain pienestä joukosta pikseleitä, niiden uusi algoritmi, jota kutsutaan globaaleiksi vokselimuunnosverkoiksi (GVTNets), voi yhdistää tietoja kuvan suuremmalta alueelta tarpeen mukaan.

Tutkijat totesivat, että heidän uusi algoritminsavoidaan helposti mukauttaa muihin sovelluksiin melun vähentämisen lisäksi, kuten fluoresenssikuvaus ilman tarroja ja 3D-2D-muunnos tietokonegrafiikkaa varten.

”Tämä voi olla erittäin arvokasta monillesovellukset, mukaan lukien kliiniset, kuten syövän etenemisvaiheen arvioiminen ja solutyyppien määrittäminen taudin ennustamiseksi ", Ji päättelee.

Katso myös:

Suuri määrä harmaita valaita alkaa nälkään ja kuolee Tyynellämerellä

Kolmasosa COVID-19: stä toipuneista palaa sairaalaan. Joka kahdeksas - kuolee

Abortti ja tiede: mitä tapahtuu synnyttäville lapsille