Neuronale Netze stellen mikroskopische Bilder wieder her

Kredit: CC0 Public Domain

Skoltech Ph.D. Die Studentin Valeriya Pronina präsentierte ihre Arbeit zur mikroskopischen Bildwiederherstellung auf der Computer Vision Conference ECCV 2020. Für die Idee hinter dieser Forschung wurde Valeriya mit dem Ostrogradski-Stipendium der französischen Regierung ausgezeichnet und zu einer gemeinsamen Forschung in einem Labor des Lyon National Institute eingeladen für angewandte Wissenschaften (INSA Lyon) in Frankreich.

Valeriya Proninas Forschung unter der Leitung von Assistant Professor Dmitry Dylov am Skoltech Center for Scientific and Engineering Computational Technologies for Large Datasets (CDISE) zeigt, wie tiefe Wiener-Kolmogorov-Filter zur Rekonstruktion von Mikroskopiebildern verwendet werden können. Tatsache ist, dass die Qualität von Bildern, die durch Mikroskopie von biologischen Objekten erhalten werden, normalerweise unter einem übermäßigen Rauschen leidet und die Bilder oft verschwommen sind. Dies stört die adäquate Wahrnehmung der im Bild dargestellten Informationen und kann beispielsweise zu einer Fehldiagnose führen. Der Einsatz von Deep-Learning-Algorithmen liefert klarere und rauschfreiere Bilder.

Dmitry Dylov sagt: „In vielen modernen Deep-Learning-Artikeln versuchen Autoren, Bilder mit relativ einfachen und ‚agnostischen‘ Methoden zu verbessern. Das heißt, das Modell verwendet einige Daten und versucht, das gewünschte Ergebnis direkt anzunähern. In unserer Arbeit wurden wir inspiriert von Variations- und Optimierungsprobleme, bei denen die Vorrichtung zur Rauschfilterung und Bildwiederherstellung bereits gut untersucht ist. Da wir wussten, wie klassische Filter funktionieren, haben wir tiefe neuronale Netze verwendet, um nicht die Bilder selbst zu reinigen, sondern die Filterparameter zu lernen. Als Ergebnis wurde Valeriyas Modell konnte die aktuellen Modelle anderer Forscher übertreffen.”

Valeria Pronina sagt: „Das CREATIS-Laborforschungsteam unter der Leitung von Dr. Fran莽oise Peyrin beschäftigt sich mit der Untersuchung von tomographischen Bildern und Strahlentherapie sowie mit inversen Problemen in der medizinischen Bildgebung. Sie interessierten sich für die entwickelten Algorithmen zur Rauschunterdrückung von Signalen an speziellen Labormikroskopen mit geringer Pixelzahl. Ich freue mich sehr, drei Monate gemeinsam im CREATIS-Labor und insbesondere in der Gruppe von Fran莽oise Peyrin zu forschen und die entwickelten Methoden auf modernste Mikroskope anzuwenden.”

Die Algorithmen kombinieren sowohl klassische Optimierungs- als auch Deep-Learning-Methoden. Diese Ansätze sind bereit für eine einfache Abstimmung und einen Kompromiss zwischen Recheneffizienz und Bildwiederherstellungsgenauigkeit. In Zukunft planen wir, die vorgeschlagenen Methoden in das allgemeine Schema der Verarbeitung von Bildern zu integrieren, die Unschärfe und Rauschen ausgesetzt sind und mit Hilfe spezieller im Labor untersuchter Mikroskope gewonnen wurden.


Leave a Comment