Investigadores de la Escuela de Ingeniería McKelvey de la Universidad de Washington en St. Louis han desarrollado un algoritmo de aprendizaje automático que puede crear un modelo 3D continuo de células a partir de un subconjunto de imágenes 2D capturadas con las mismas herramientas de microscopía estándar que se utilizan hoy en día en muchos laboratorios.

Sus hallazgos fueron publicados en la revista el 16 de septiembre. Naturaleza Máquina Inteligencia.

«Entrenamos el modelo en el conjunto de imágenes digitales para obtener una representación continua», dijo Ulugbek Kamilov, profesor asistente de ingeniería eléctrica y de sistemas y ciencia e ingeniería informática. «Ahora puedo mostrarlo como quiero. Puedo hacer zoom sin problemas y no hay pixelación”.

La clave de este trabajo fue el uso de una red de campo neuronal, un tipo especial de sistema de aprendizaje automático que aprende un mapeo de coordenadas espaciales a cantidades físicas correspondientes. Cuando se completa el entrenamiento, los investigadores pueden señalar cualquier coordenada y el modelo puede proporcionar el valor de la imagen en esa ubicación.

Una fortaleza particular de las redes de campos neuronales es que no tienen que entrenarse con grandes cantidades de datos similares. En cambio, siempre que haya una cantidad suficiente de imágenes 2D de la muestra, la red puede representarla completamente, por dentro y por fuera.

La imagen utilizada para entrenar la red es como cualquier otra imagen de microscopio. Esencialmente, una celda se ilumina desde abajo; La luz lo atraviesa y queda atrapada en el otro lado, creando una imagen.

«Como tengo algunas vistas de la celda, puedo usar estas imágenes para entrenar el modelo», dijo Kamilov. Lo hace alimentando al modelo con información sobre un punto en la muestra donde la imagen capturó parte de la estructura interna de la célula.

Luego, la red hace todo lo posible para recrear esa estructura. Si la salida es incorrecta, la red se optimizará. Si es correcto, este camino se fortalecerá. Una vez que las predicciones coinciden con las medidas reales, la red está lista para completar partes de la celda que no fueron capturadas por las imágenes 2D originales.

El modelo ahora contiene información de una representación completa y continua de la celda; no es necesario guardar un archivo de imagen que requiere muchos datos, ya que la red de campo neuronal puede recrearlo una y otra vez.

Y, dijo Kamilov, el modelo no solo es una representación fiel y fácil de almacenar de la celda, sino que también es más útil que la real en muchos sentidos.

«Puedo poner cualquier coordenada y crear esta vista», dijo. “O genero vistas completamente nuevas desde diferentes ángulos”. Puede usar el modelo para hacer girar una celda como un trompo o hacer zoom para ver más de cerca; Usa el modelo para hacer otras tareas numéricas. o incluso introducirlo en otro algoritmo.

fuente de la historia:

Materiales proporcionados por Universidad de Washington en St. Louis. Nota: El contenido se puede editar por estilo y longitud.

DEJA UNA RESPUESTA

Por favor ingrese su comentario!
Por favor ingrese su nombre aquí