科学研究一幅图胜过千言万语

时间：2020-07-01 00:00:00 来源：网络整理

在制作微观生命的图像或视频时，精细度是个难点。虽然现代显微镜可以在几秒钟内从活体组织或细胞中生成大量图像数据，但从这些数据中提取有意义的生物信息可能需要数小时甚至数周的费力分析。

为了缓解这一主要瓶颈，由MBL的同事Hari Shroff领导的一个团队设计了深度学习和其他计算方法，可以显著减少图像分析时间的数量级——在某些情况下，与数据采集本身的速度相匹配。他们本周在《Nature Biotechnology》上发表了他们的研究结果。

对于成像数据过多、后处理能力不足的常见问题，Shroff说：“这就像从消防水龙带里喝水，却无法消化所喝的东西。”该团队在三个主要方面加快了图像分析。

首先，显微镜下的成像数据通常会因模糊而受损。为了减少模糊，使用了一个迭代的“去卷积”。计算机在模糊图像和对实际物体的估计之间来回切换，直到它在对真实物体的最佳估计上达到收敛。

通过修改经典的去卷积算法，Shroff和合作者将去卷积速度提高了10倍以上。他们改进的算法被广泛应用于“几乎所有的荧光显微镜，”Shroff说。“我们认为这是一场绝对的胜利。我们已经发布了代码，其他组织已经在使用它了。”

接下来，他们解决了三维配准的问题：对齐和融合从不同角度拍摄的物体的多幅图像。“事实证明，登记大型数据集（如光片显微镜）所需的时间要比去卷积它们所花的时间长得多，”Shroff说。他们发现了几种三维登记的方法，包括将其交给计算机的图形处理单元（GpU）。这使他们的处理速度比使用计算机的中央处理器（CpU）提高了10到100倍以上。

“我们在配准和去卷积方面的改进意味着，对于适合显卡的数据集，图像分析原则上可以跟上采集速度，”Shroff说。“对于更大的数据集，我们找到了一种有效地将它们分割成块的方法，将每个块传递给GpU，进行登记和去卷积，然后将这些片段缝合在一起。这一点非常重要，如果你想成像大块的组织，例如，海洋动物的组织，或者如果你正在清理一个器官，使其透明，好放在显微镜上。这两项进步确实使某些形式的大型显微镜得以实现并得到了加速。”

最后，研究小组利用深度学习来加速“复杂去卷积”——在难以处理的数据集中，模糊度在图像的不同部分变化很大。他们训练计算机识别严重模糊的数据（输入）和干净的、去卷积的图像（输出）之间的关系。然后他们给了它以前从未见过的模糊数据。“它工作得非常好；经过训练的神经网络可以很快地生成去卷积的结果，”Shroff说。“因此，我们在去卷积速度方面得到了数千倍的改进。”

虽然深度学习算法的效果出人意料地好，“但有一点需要注意的是，它们是脆弱的，”Shroff说。“意思是，一旦你训练了神经网络来识别一种类型的图像，比如一个有线粒体的细胞，它就会很好地分解这些图像。但是如果你给它一个有点不同的图像，比如说细胞的质膜，它就会产生伪影。人们很容易愚弄神经网络。”一个活跃的研究领域是创建以更广泛的方式工作的神经网络。

“深度学习是一个很好的工具，”Shroff说。“可以用来分析任何其他方式都很难实现的数据集。”

原文检索：Rapid image deconvolution and multiview fusion for optical microscopy

（生物通：伍松）

郑重声明：文章仅代表原作者观点，不代表本站立场；如有侵权、违规，可直接反馈本站，我们将会作修改或删除处理。