Исследователи из Техасского университета A&M создали алгоритм на основе машинного обучения, способный уменьшить зернистость изображений с низким разрешением и выявить новые детали, скрытые за шумом. Об этом пишет журнал Nature Machine Intelligence.
Сильные лучи, дающие более четкое изображение, повреждают образцы, если речь идет о хрупких структурах, в том числе биологических. С другой стороны, слабые лучи могут давать зашумленные изображения с низким разрешением.
Американским исследователям удалось из изображения, полученного с помощью луча малой мощности, «вытащить» скрытые шумом детали биологических образцов, — рассказал Шуйван Цзи, доцент кафедры компьютерных наук и инженерии. — Мы использовали чисто вычислительный подход для создания изображений с более высоким разрешением, и в этом исследовании мы показали, что можем улучшить разрешение до степени, очень близкой к той, которую вы можете получить при использовании мощных лучей».
Цзи добавил, что в отличие от других алгоритмов шумоподавления, которые могут использовать информацию, поступающую только из небольшого участка пикселей в изображении с низким разрешением, их интеллектуальный алгоритм может идентифицировать пиксельные шаблоны, которые могут быть распределены по всему зашумленному изображению, увеличивая его эффективность в качестве инструмента шумоподавления.
Обычное изображение, полученное на микроскопе, согласно методу исследователей накладывается на компьютерное цифровое изображение. Такой способ обработки изображений обещает не только сократить расходы, но и автоматизировать анализ медицинских изображений и выявить детали, которые иногда может не заметить глаз.
Программное обеспечение, основанное на алгоритме машинного обучения, называемое глубоким обучением, эффективно устраняет размытость или шум в изображениях. Эти алгоритмы можно визуализировать как состоящие из множества взаимосвязанных слоев или этапов обработки, которые принимают входное изображение с низким разрешением и создают выходное изображение с высоким разрешением.
«Представьте себе кусок образца, имеющий повторяющийся узор, например, соты. Большинство алгоритмов глубокого обучения используют только локальную информацию для заполнения пробелов в изображении, созданных шумом, — сказал Цзи. — Но это неэффективно, потому что алгоритм, по сути, не видит повторяющегося шаблона в изображении, поскольку рецептивное поле фиксировано. Вместо этого алгоритмы глубокого обучения должны иметь адаптивные рецептивные поля, которые могут захватывать информацию в общей структуре изображения».
Ученые разработали другой алгоритм глубокого обучения, который может динамически изменять размер воспринимающего поля. Другими словами, в отличие от более ранних алгоритмов, которые могут агрегировать информацию только из небольшого количества пикселей, их новый алгоритм, называемый глобальными сетями преобразования вокселей (GVTNets), может при необходимости объединять информацию из большей области изображения.
Исследователи отметили, что их новый алгоритм может быть легко адаптирован к другим приложениям в дополнение к шумоподавлению, таким как флуоресцентная визуализация без меток и преобразование 3D в 2D для компьютерной графики.
«Это может быть чрезвычайно ценно для множества приложений, в том числе клинических, таких как оценка стадии прогрессирования рака и определение между типами клеток для прогноза болезни», — заключает Цзи.
Читайте также:
Большое количество серых китов начали голодать и умирать в Тихом океане
Треть переболевших COVID-19 возвращаются в больницу. Каждый восьмой — умирает