Nuevo método podría democratizar la microscopía mejorada con aprendizaje profundo

Nuevo método podría democratizar la microscopía mejorada con aprendizaje profundo

Los investigadores de Salk enseñan a la IA a mejorar la calidad de la imagen del microscopio, tomando imágenes de alta resolución y degradándolas artificialmente

LA JOLLA—El aprendizaje profundo es una herramienta potencial para que los científicos obtengan más detalles de imágenes de baja resolución en microscopía, pero a menudo es difícil recopilar suficientes datos de referencia para entrenar a las computadoras en el proceso. Ahora, un nuevo método desarrollado por científicos del Instituto Salk podría hacer que la tecnología sea más accesible al tomar imágenes de alta resolución y degradarlas artificialmente.

La nueva herramienta, que los investigadores denominan "crappifier", podría hacer que sea significativamente más fácil para los científicos obtener imágenes detalladas de células o estructuras celulares que antes eran difíciles de observar porque requieren condiciones de poca luz, como las mitocondrias, que pueden se dividen cuando son estresados ​​por los láseres utilizados para iluminarlos. También podría ayudar a democratizar la microscopía, permitiendo a los científicos capturar imágenes de alta resolución incluso si no tienen acceso a microscopios potentes. Los hallazgos se publicaron el 8 de marzo de 2021 en la revista Nature Methods.

“Invertimos millones de dólares en estos microscopios, y todavía estamos luchando para superar los límites de lo que pueden hacer”, dice mansión uri, director de la instalación central de biofotónica avanzada de Waitt en Salk. “Ese es el problema que estábamos tratando de resolver con el aprendizaje profundo”.

El aprendizaje profundo es un tipo de inteligencia artificial (IA) en el que los algoritmos informáticos aprenden y mejoran mediante el estudio de ejemplos. Para usar el aprendizaje profundo para mejorar las imágenes del microscopio, ya sea mejorando la resolución (nitidez) o reduciendo el "ruido" de fondo, sería necesario mostrar al sistema muchos ejemplos de imágenes de alta y baja resolución. Eso es un problema, porque capturar imágenes de microscopía perfectamente idénticas en dos exposiciones separadas puede ser difícil y costoso. Es especialmente desafiante cuando se obtienen imágenes de células vivas que podrían estar moviéndose durante el proceso.

Ahí es donde entra en juego el crappifier. Según Manor, el método toma imágenes de alta calidad y las degrada computacionalmente, para que se vean como las imágenes de baja resolución más bajas que el equipo adquiriría.

El equipo de Manor mostró imágenes de alta resolución y sus contrapartes degradadas del software de aprendizaje profundo, llamado Point-Scanning Super-Resolution, o PSSR. Después de estudiar las imágenes degradadas, el sistema pudo aprender a mejorar las imágenes que, naturalmente, eran de mala calidad.

Eso es significativo porque, en el pasado, los sistemas informáticos que aprendían con datos degradados artificialmente todavía tenían problemas cuando se les presentaban datos sin procesar del mundo real.

“Probamos varios métodos de degradación diferentes y encontramos uno que realmente funciona”, dice Manor. "Puede entrenar un modelo con sus datos generados artificialmente y, de hecho, funciona con datos del mundo real".

"Con nuestro método, las personas pueden beneficiarse de esta poderosa tecnología de aprendizaje profundo sin invertir mucho tiempo o recursos", dice Linjing Fang, especialista en análisis de imágenes en Waitt Advanced Biophotonics Core Facility y autor principal del artículo. "Puede usar datos de alta calidad preexistentes, degradarlos y entrenar un modelo para mejorar la calidad de una imagen de menor resolución".

El equipo demostró que PSSR funciona tanto en microscopía electrónica como con imágenes de células vivas de fluorescencia, dos situaciones en las que puede ser extraordinariamente difícil o imposible obtener las imágenes duplicadas de alta y baja resolución necesarias para entrenar sistemas de IA. Si bien el estudio demostró el método en imágenes de tejido cerebral, Manor espera que pueda aplicarse a otros sistemas del cuerpo en el futuro.

También espera que algún día pueda usarse para hacer que las imágenes microscópicas de alta resolución sean más accesibles. Actualmente, los microscopios más potentes del mundo pueden costar más de un millón de dólares, debido a la ingeniería de precisión necesaria para crear imágenes de alta resolución. “Una de nuestras visiones para el futuro es poder comenzar a reemplazar algunos de esos componentes costosos con aprendizaje profundo”, dice Manor, “para que podamos comenzar a fabricar microscopios más baratos y accesibles”.

Otros autores del estudio son Sammy Weiser Novak, Cara R. Schiavon, Tong Zhang y Melissa Wu del Instituto Salk; Fred Monroe de la Iniciativa de Investigación Médica Wicklow AI; Lindsey Kirk y Kristen Harris de la Universidad de Texas en Austin; Seungyoon B. Yu y Gulcin Pekkurnaz de la Universidad de California en San Diego; Kyle Kastner de la Université de Montréal, Yoshiyuki Kubota del Instituto Nacional de Ciencias Fisiológicas, Okazaki, Japón; Zhao Zhang de la Universidad de Texas en Austin y Alaa Abdel Latif, Zijun Lin, Andrew Shaw y Jeremy Howard de la Universidad de San Francisco.

La investigación fue apoyada por la Fundación Nacional de Ciencias, la Iniciativa Chan-Zuckerberg, la Fundación Waitt, el Instituto Nacional del Cáncer, el Instituto Nacional de Sordera y Otros Trastornos de la Comunicación, el Instituto Nacional de Salud Mental, la Iniciativa de Investigación Médica Wicklow AI, el Parkinson's Foundation, el Instituto Nacional de Salud y la Sociedad Japonesa para la Promoción de la Ciencia.

DOI: 0.1038 / s41592-021, 01080-z