Neue Methode könnte die durch Deep Learning verbesserte Mikroskopie demokratisieren

Neue Methode könnte die durch Deep Learning verbesserte Mikroskopie demokratisieren

Salk-Forscher lehren KI, die Qualität von Mikroskopbildern zu verbessern – indem sie hochauflösende Bilder aufnehmen und diese künstlich verschlechtern

LA JOLLA – Deep Learning ist ein potenzielles Werkzeug für Wissenschaftler, um mehr Details aus Bildern mit niedriger Auflösung in der Mikroskopie zu gewinnen, aber es ist oft schwierig, genügend Basisdaten zu sammeln, um Computer in diesem Prozess zu trainieren. Nun könnte eine neue Methode, die von Wissenschaftlern des Salk Institute entwickelt wurde, die Technologie zugänglicher machen – indem hochauflösende Bilder aufgenommen und diese künstlich verschlechtert werden.

Das neue Werkzeug, das die Forscher als „Crapifier“ bezeichnen, könnte es Wissenschaftlern erheblich erleichtern, detaillierte Bilder von Zellen oder Zellstrukturen zu erhalten, die bisher schwer zu beobachten waren, weil sie Bedingungen mit wenig Licht erfordern, wie etwa Mitochondrien, die dies können teilen sich, wenn sie durch die Laser, mit denen sie beleuchtet werden, beansprucht werden. Es könnte auch zur Demokratisierung der Mikroskopie beitragen und es Wissenschaftlern ermöglichen, hochauflösende Bilder aufzunehmen, auch wenn sie keinen Zugang zu leistungsstarken Mikroskopen haben. Die Ergebnisse wurden am 8. März 2021 in der Zeitschrift veröffentlicht Nature Methods.

„Wir investieren Millionen von Dollar in diese Mikroskope und haben immer noch Schwierigkeiten, die Grenzen ihrer Leistungsfähigkeit zu überschreiten“, sagt er Uri Manor, Direktor der Waitt Advanced Biophotonics Core Facility in Salk. „Das ist das Problem, das wir mit Deep Learning lösen wollten.“

Deep Learning ist eine Form der künstlichen Intelligenz (KI), bei der Computeralgorithmen durch das Studium von Beispielen lernen und sich verbessern. Um mithilfe von Deep Learning Mikroskopbilder zu verbessern – entweder durch Verbesserung der Auflösung (Schärfe) oder durch Reduzierung des Hintergrundrauschens – müssten dem System viele Beispiele von Bildern mit hoher und niedriger Auflösung gezeigt werden. Das ist ein Problem, denn die Aufnahme vollkommen identischer Mikroskopiebilder in zwei separaten Aufnahmen kann schwierig und teuer sein. Besonders schwierig ist es, lebende Zellen abzubilden, die sich während des Prozesses bewegen könnten.

Hier kommt der Crapifier ins Spiel. Laut Manor nimmt die Methode qualitativ hochwertige Bilder auf und verschlechtert sie rechnerisch, sodass sie in etwa wie die Bilder mit der niedrigsten niedrigen Auflösung aussehen, die das Team aufnehmen würde.

Das Team von Manor zeigte hochauflösende Bilder und ihre verschlechterten Gegenstücke der Deep-Learning-Software namens Point-Scanning Super-Resolution (PSSR). Nach der Untersuchung der verschlechterten Bilder konnte das System lernen, Bilder zu verbessern, die von Natur aus eine schlechte Qualität hatten.

Das ist von Bedeutung, denn in der Vergangenheit hatten Computersysteme, die auf künstlich degradierten Daten lernten, immer noch Probleme, wenn sie mit Rohdaten aus der realen Welt konfrontiert wurden.

„Wir haben eine Reihe verschiedener Abbaumethoden ausprobiert und eine gefunden, die tatsächlich funktioniert“, sagt Manor. „Sie können ein Modell anhand Ihrer künstlich generierten Daten trainieren, und es funktioniert tatsächlich mit Daten aus der realen Welt.“

„Mit unserer Methode können Menschen von dieser leistungsstarken Deep-Learning-Technologie profitieren, ohne viel Zeit oder Ressourcen zu investieren“, sagt Linjing Fang, Bildanalysespezialist an der Waitt Advanced Biophotonics Core Facility und Hauptautor des Papiers. „Sie können bereits vorhandene Daten hoher Qualität verwenden, diese verschlechtern und ein Modell trainieren, um die Qualität eines Bildes mit niedrigerer Auflösung zu verbessern.“

Das Team zeigte, dass PSSR sowohl in der Elektronenmikroskopie als auch mit Fluoreszenz-Lebendzellbildern funktioniert – zwei Situationen, in denen es außerordentlich schwierig oder unmöglich sein kann, die doppelten Bilder mit hoher und niedriger Auflösung zu erhalten, die zum Trainieren von KI-Systemen erforderlich sind. Während die Studie die Methode anhand von Bildern von Gehirngewebe demonstrierte, hofft Manor, dass sie in Zukunft auch auf andere Körpersysteme angewendet werden könnte.

Er hofft auch, dass es eines Tages dazu genutzt werden könnte, hochauflösende mikroskopische Bildgebung breiter zugänglich zu machen. Aufgrund der Präzisionstechnik, die zur Erstellung hochauflösender Bilder erforderlich ist, können die leistungsstärksten Mikroskope der Welt derzeit über eine Million Dollar kosten. „Eine unserer Visionen für die Zukunft ist es, einige dieser teuren Komponenten durch Deep Learning zu ersetzen“, sagt Manor, „damit wir damit beginnen können, Mikroskope billiger und zugänglicher zu machen.“

Weitere Autoren der Studie sind Sammy Weiser Novak, Cara R. Schiavon, Tong Zhang und Melissa Wu vom Salk Institute; Fred Monroe von der Wicklow AI Medical Research Initiative; Lindsey Kirk und Kristen Harris von der University of Texas in Austin; Seungyoon B. Yu und Gulcin Pekkurnaz von der University of California San Diego; Kyle Kastner von der Université de Montréal, Yoshiyuki Kubota vom National Institute for Physiological Sciences, Okazaki, Japan; Zhao Zhang von der University of Texas in Austin und Alaa Abdel Latif, Zijun Lin, Andrew Shaw und Jeremy Howard von der University of San Francisco.

Die Forschung wurde von der National Science Foundation, der Chan-Zuckerberg Initiative, der Waitt Foundation, dem National Cancer Institute, dem National Institute on Deafness and Other Communication Disorders, dem National Institute of Mental Health und der Wicklow AI Medical Research Initiative unterstützt Parkinson-Stiftung, das National Institute of Health und die Japan Society for the Promotion of Science.

DOI: 0.1038 / s41592-021-01080-z