Snimanje mikroskopskih uzoraka zahteva snimanje višestrukih, uzastopnih merenja, a zatim korišćenje računarskih algoritama za rekonstrukciju jedne slike visoke rezolucije. Ovaj proces može dobro da funkcioniše kada je uzorak statičan, ali ako se kreće — kao što je uobičajeno kod živih, bioloških uzoraka — konačna slika može biti mutna ili izobličena.
Sada su istraživači sa Berklija razvili metod za poboljšanje vremenske rezolucije za ove dinamičke uzorke. U studiji objavljenoj u Nature Methods, oni demonstriraju novi računarski alat za snimanje, nazvan neuronski prostor-vremenski model (NSTM), koji koristi malu, laganu neuronsku mrežu da smanji artefakte kretanja i reši putanje kretanja.
„Izazov sa snimanjem dinamičkih uzoraka je to što algoritam rekonstrukcije pretpostavlja statičnu scenu“, rekao je glavni autor Ruiming Cao, dr. student bioinženjeringa.
„NSTM proširuje ove računske metode na dinamičke scene modeliranjem i rekonstruisanjem kretanja u svakoj vremenskoj tački. Ovo smanjuje artefakte uzrokovane dinamikom pokreta i omogućava nam da vidimo te promene super-brzeg tempa unutar uzorka.“
Prema istraživačima, NSTM se može integrisati sa postojećim sistemima bez potrebe za dodatnim, skupim hardverom. I veoma je efikasan. „Pokazalo se da NSTM obezbeđuje poboljšanje vremenske rezolucije otprilike za red veličine“, rekao je Cao.
Alat otvorenog koda takođe omogućava da proces rekonstrukcije funkcioniše u finijoj vremenskoj skali. Na primer, proces kompjuterske rekonstrukcije slike može uključivati snimanje oko 10 ili 20 slika da bi se rekonstruisala jedna super-razrešena slika.
Ali koristeći neuronske mreže, NSTM može modelirati kako se objekat menja tokom tih 10 ili 20 slika, omogućavajući naučnicima da rekonstruišu super-razrešenu sliku na vremenskoj skali jedne slike, a ne na svakih 10 ili 20 slika.
„U suštini, koristimo neuronsku mrežu za modeliranje dinamike uzorka u vremenu, tako da možemo da rekonstruišemo na ovim bržim vremenskim skalama“, rekla je Laura Voler, glavni istraživač studije i profesor elektrotehnike i računarskih nauka. „Ovo je super moćno jer biste mogli da poboljšate svoje vremenske skale za faktor 10 ili više, u zavisnosti od toga koliko ste slika u početku koristili.
NSTM koristi mašinsko učenje, ali ne zahteva prethodnu obuku ili podatke. Ovo pojednostavljuje podešavanje i sprečava potencijalno uvođenje predrasuda kroz podatke o obuci. Jedini podaci koje model koristi su stvarna merenja koja je uhvatio.
U studiji, NSTM je pokazao obećavajuće rezultate u tri različite aplikacije mikroskopije i fotografije: mikroskopija sa diferencijalnim faznim kontrastom, mikroskopija sa 3D strukturiranim osvetljenjem i DiffuserCam sa pokretnim zatvaračem.
Ali, prema Voleru, „ovo je zapravo samo vrh ledenog brega“. NSTM bi potencijalno mogao da se koristi za poboljšanje bilo koje metode računarskog snimanja sa više snimaka, proširujući svoj opseg naučnih primena, posebno u biološkim naukama.
„To je samo model, tako da možete da ga primenite na bilo koji računski inverzni problem sa dinamičkim scenama. Može se koristiti u tomografiji, kao što su CT skeniranje, MRI ili druge metode super-rezolucije“, rekla je ona. „Metode mikroskopa za skeniranje takođe mogu imati koristi od NSTM-a.
Istraživači predviđaju da će NSTM jednog dana biti integrisan u komercijalno dostupne sisteme za snimanje, slično kao nadogradnja softvera. U međuvremenu, Cao i drugi će raditi na daljem usavršavanju alata.
„Samo pokušavamo da pomerimo granicu gledanja te veoma brze dinamike“, rekao je on.
