Pesquisadores da McKelvey School of Engineering da Washington University em St. Louis desenvolveram um algoritmo de aprendizado de máquina que pode criar um modelo 3D contínuo de células a partir de um conjunto parcial de imagens 2D que foram tiradas usando as mesmas ferramentas de microscopia padrão encontradas em muitos laboratórios hoje .
Suas descobertas foram publicadas em 16 de setembro na revista Nature Machine Intelligence .

"Nós treinamos o modelo no conjunto de imagens digitais para obter uma representação contínua", disse Ulugbek Kamilov, professor assistente de engenharia elétrica e de sistemas e de ciência da computação e engenharia. "Agora, posso mostrá-lo da maneira que quiser. Posso aumentar o zoom suavemente e não há pixelização."

A chave para este trabalho foi o uso de uma rede de campo neural, um tipo particular de sistema de aprendizado de máquina que aprende um mapeamento de coordenadas espaciais para as quantidades físicas correspondentes. Quando o treinamento estiver completo, os pesquisadores podem apontar para qualquer coordenada e o modelo pode fornecer o valor da imagem naquele local.

Uma força particular das redes de campo neural é que elas não precisam ser treinadas em grandes quantidades de dados semelhantes. Em vez disso, desde que haja um número suficiente de imagens 2D da amostra, a rede pode representá-la em sua totalidade, por dentro e por fora.

A imagem usada para treinar a rede é como qualquer outra imagem de microscopia. Em essência, uma cela é iluminada por baixo; a luz viaja através dele e é capturada do outro lado, criando uma imagem.

"Como tenho algumas visualizações da célula, posso usar essas imagens para treinar o modelo", disse Kamilov. Isso é feito alimentando o modelo com informações sobre um ponto na amostra onde a imagem capturou parte da estrutura interna da célula.

Em seguida, a rede tenta recriar essa estrutura ao máximo. Se a saída estiver errada, a rede é ajustada. Se estiver correto, esse caminho é reforçado. Uma vez que as previsões correspondem às medições do mundo real, a rede está pronta para preencher as partes da célula que não foram capturadas pelas imagens 2D originais.

O modelo agora contém informações de uma representação completa e contínua da célula — não há necessidade de salvar um arquivo de imagem com muitos dados porque ele sempre pode ser recriado pela rede de campo neural.

E, disse Kamilov, o modelo não é apenas uma representação verdadeira e fácil de armazenar da célula, mas também, de muitas maneiras, é mais útil do que a coisa real.

"Posso colocar qualquer coordenada e gerar essa visão", disse ele. "Ou posso gerar visões inteiramente novas de diferentes ângulos." Ele pode usar o modelo para girar uma célula como um pião ou dar zoom para ver mais de perto; usar o modelo para fazer outras tarefas numéricas; ou até mesmo alimentá-lo em outro algoritmo. + Explorar mais

Como os algoritmos de aprendizado profundo criam imagens precisas sem um conjunto de dados completo