O aprendizado profundo é uma ferramenta potencial para os cientistas obterem mais detalhes de imagens de baixa resolução em microscopia, mas geralmente é difícil reunir dados de linha de base suficientes para treinar os computadores no processo. Agora, um novo método desenvolvido por cientistas do Salk Institute poderia tornar a tecnologia mais acessível, tirando imagens de alta resolução, e degradando-os artificialmente.

A nova ferramenta, que os pesquisadores chamam de "crappifier, "poderia tornar significativamente mais fácil para os cientistas obter imagens detalhadas de células ou estruturas celulares que antes eram difíceis de observar porque requerem condições de pouca luz, como mitocôndrias, que podem se dividir quando estressados ​​pelos lasers usados ​​para iluminá-los. Também pode ajudar a democratizar a microscopia, permitindo que os cientistas capturem imagens de alta resolução, mesmo que não tenham acesso a microscópios poderosos. As descobertas foram publicadas em 8 de março, 2021, no jornal Métodos da Natureza .

“Investimos milhões de dólares nesses microscópios, e ainda estamos lutando para ultrapassar os limites do que eles podem fazer, "diz Uri Manor, diretor do Waitt Advanced Biophotonics Core Facility em Salk. "Esse é o problema que estávamos tentando resolver com o aprendizado profundo."

Aprendizado profundo é um tipo de inteligência artificial (IA) em que algoritmos de computador aprendem e melhoram por meio do estudo de exemplos. Para usar o aprendizado profundo para melhorar as imagens do microscópio - seja melhorando a resolução (nitidez) ou reduzindo o "ruído" de fundo - seria necessário mostrar ao sistema muitos exemplos de imagens de alta e baixa resolução. Isso é um problema, porque capturar imagens de microscopia perfeitamente idênticas em duas exposições separadas pode ser difícil e caro. É especialmente desafiador ao imaginar células vivas que podem estar se movendo durante o processo.

É aí que entra o crappifier. De acordo com Manor, o método pega imagens de alta qualidade e as degrada computacionalmente, para que se pareçam com as imagens de baixa resolução mais baixas que a equipe iria adquirir.

A equipe de Manor mostrou imagens de alta resolução e suas contrapartes degradadas para o software de aprendizagem profunda, chamada de Super-resolução de Varredura de Ponto, ou PSSR. Depois de estudar as imagens degradadas, o sistema foi capaz de aprender como melhorar as imagens que eram naturalmente de baixa qualidade.

Isso é significativo porque, no passado, os sistemas de computador que aprenderam com dados degradados artificialmente ainda têm dificuldades quando apresentados a dados brutos do mundo real.

"Tentamos vários métodos de degradação diferentes, e encontramos um que realmente funciona, "Diz Manor." Você pode treinar um modelo em seus dados gerados artificialmente, e realmente funciona com dados do mundo real. "

"Usando nosso método, as pessoas podem se beneficiar deste poderoso, tecnologia de aprendizagem profunda sem investir muito tempo ou recursos, "diz Linjing Fang, especialista em análise de imagens no Waitt Advanced Biophotonics Core Facility, e autor principal do artigo. "Você pode usar dados de alta qualidade pré-existentes, degradá-lo, e treinar um modelo para melhorar a qualidade de uma imagem de resolução mais baixa. "

A equipe mostrou que o PSSR funciona em microscopia eletrônica e com imagens de células vivas de fluorescência - duas situações em que pode ser extraordinariamente difícil ou impossível obter as imagens duplicadas de alta e baixa resolução necessárias para treinar sistemas de IA. Embora o estudo tenha demonstrado o método em imagens de tecido cerebral, Manor espera que possa ser aplicado a outros sistemas do corpo no futuro.

Ele também espera que um dia possa ser usado para tornar as imagens microscópicas de alta resolução mais acessíveis. Atualmente, os microscópios mais poderosos do mundo podem custar mais de um milhão de dólares, devido à engenharia de precisão necessária para criar imagens de alta resolução. "Uma de nossas visões para o futuro é ser capaz de começar a substituir alguns desses componentes caros por aprendizado profundo, "Manor diz, "Para que pudéssemos começar a fazer microscópios mais baratos e acessíveis."