رویکرد جدید با استفاده از یادگیری عمیق می تواند میکروسکوپ تصویر مغز را 16 برابر کند

توصیف کتابهای درسی از سلولهای مغز باعث می شود سلولهای عصبی ساده به نظر برسند: یک آکسون مرکزی مانند ستون فقرات با دندریتهای منشعب شده. به صورت جداگانه شناسایی و ترسیم این نقشه ها ممکن است آسان باشد ، اما در مغز واقعی بیشتر شبیه یک دسته گره خورده از هشت پا است که صدها اندام در هم تنیده هستند. این امر درک چگونگی رفتار و تعامل آنها را برای دانشمندان علوم مغز و اعصاب چالش بزرگی می کند.

یکی از راه هایی که محققان گره عصبی ما را گره می زنند ، تصویربرداری میکروسکوپی است. با گرفتن عکس از لایه های بسیار نازک مغز و بازسازی آنها به صورت سه بعدی ، می توان محل قرارگیری ساختارها و نحوه ارتباط آنها را تعیین کرد.

اما این چالش های خاص خود را به همراه دارد. گرفتن تصاویر با وضوح بالا و ضبط سریع آنها به منظور پوشش بخشی منطقی از مغز ، یک کار اساسی است.

بخشی از این مشکل در معاملات و سازشهایی است که هر عکاسی با آنها آشنا است. دیافراگم را به اندازه کافی باز کنید تا نور زیادی وارد شود و هر حرکتی باعث تاری می شود. برای جلوگیری از تاری ، سریع عکس بگیرید و ممکن است سوژه تاریک شود.

اما مشکلات دیگر مختص روشهای مورد استفاده در بازسازی مغز است. برای اولین بار ، تصویربرداری از مغز با وضوح بالا بسیار طولانی می شود. برای روش دیگر ، در روش پرکاربردی به نام میکروسکوپ الکترونی روبرو بلوک سریال ، قطعه ای از بافت به یک بلوک برش داده می شود ، سطح تصویربرداری می شود ، یک قسمت نازک بریده می شود و بلوک مجدداً تصویربرداری می شود. روند تا زمان تکمیل تکرار می شود. با این حال ، پرتوی الکترونی که تصاویر میکروسکوپی را ایجاد می کند ، در واقع می تواند باعث ذوب شدن نمونه شود و موضوعی را که سعی در گرفتن آن دارد ، تحریف کند.

Uri Manor ، مدیر مرکز اصلی بیوفوتونیک پیشرفته Waitt در موسسه مطالعات بیولوژیکی Salk در سن دیگو ، مسئول اجرای میکروسکوپ های پرقدرت زیادی است که توسط محققان در سراسر کشور استفاده می شود. وی همچنین وظیفه شناسایی و استقرار میکروسکوپ های جدید و توسعه راه حل هایی را دارد که بتواند مشکلاتی را حل کند که فناوری های امروزی با آن دست و پنجه نرم می کنند.

مانور گفت: "اگر کسی با مشکلی مواجه شود و ابزارهای ما قادر به انجام آن نباشند ، یا نتوانیم مشکلی را پیدا کنیم ، وظیفه من است که این توانایی را توسعه دهم."

او که از مسائل تصویربرداری پیش روی دانشمندان علوم اعصاب آگاه بود ، تصمیم گرفت که رویکرد جدیدی لازم باشد. مانور استدلال کرد که اگر او به حد فیزیکی میکروسکوپ رسیده بود ، شاید نرم افزار و الگوریتم های بهتر بتوانند راه حلی ارائه دهند.

مانور گفت: "رویکردهای پیچیده ریاضی و محاسباتی وجود دارد که دهه ها برای حذف نویز بدون حذف سیگنال مورد مطالعه قرار گرفته است." "این همان جایی بود که من شروع کردم."

آنها با Linjing Fang ، متخصص تجزیه و تحلیل تصویر در Salk کار کردند و استراتژی استفاده از GPU (واحد پردازش گرافیک) را برای تسریع پردازش میکروسکوپی تصویر تهیه کردند.

آنها با یک ترفند پردازش تصویر به نام deconvolution شروع کردند که بخشی از آن توسط جان سدات ، یکی از قهرمانان علمی مانور و مربی سالک ساخته شده بود. این روش توسط ستاره شناسانی مورد استفاده قرار گرفت که می خواستند تصاویر ستارگان و سیارات را با وضوح بیشتری از آنچه می توانند مستقیماً از طریق تلسکوپ بدست آورند ، حل و فصل کنند.

وی توضیح داد: "اگر از ویژگی های نوری سیستم خود اطلاع دارید ، می توانید تصاویر خود را از حالت خط خارج کرده و دو برابر وضوح اصلی بگیرید".

آنها معتقد بودند که یادگیری عمیق - نوعی یادگیری ماشینی که از چندین لایه تجزیه و تحلیل برای استخراج تدریجی ویژگی های سطح بالاتر از ورودی خام استفاده می کند - می تواند برای افزایش وضوح تصاویر میکروسکوپ بسیار مفید باشد ، روندی به نام وضوح فوق العاده.

MRI ، تصاویر ماهواره ای و عکس ها همه به عنوان موارد آزمایشی برای توسعه رویکردهای مبتنی بر یادگیری عمیق و با وضوح فوق العاده عمل کرده اند ، اما به طور قابل توجهی در میکروسکوپ کارهای کمی انجام شده است. شاید ، مانور فکر کرد ، همین کار را می توان با میکروسکوپ انجام داد.

اولین قدم در آموزش سیستم یادگیری عمیق شامل یافتن مجموعه بزرگی از داده ها است. برای این منظور ، مانور با کریستن هریس ، استاد علوم اعصاب در دانشگاه تگزاس در آستین و یکی از متخصصان برجسته در میکروسکوپ مغزی همکاری کرد.