馬薩諸塞州伍茲霍爾-圖片只值一千字-但前提是要清楚其描繪的內容。在顯微生活的圖像或錄像制作中也存在摩擦。盡管現(xiàn)代顯微鏡可以在幾秒鐘內從活組織或細胞中生成大量圖像數(shù)據(jù)，但從這些數(shù)據(jù)中提取有意義的生物學信息卻需要花費數(shù)小時甚至數(shù)周的艱苦分析。

為了緩解這一主要瓶頸，由MBL研究員Hari Shroff領導的團隊設計了深度學習和其他計算方法，可將圖像分析時間顯著減少幾個數(shù)量級-在某些情況下，與數(shù)據(jù)采集本身的速度相匹配。他們本周在《自然生物技術》中報告了他們的結果。

Shroff說：“這就像從水喉中喝水而無法消化您所喝的水一樣。”常見的問題是成像數(shù)據(jù)過多，而后處理能力不足。團隊的改進來自海洋生物實驗室（MBL）的持續(xù)合作，它通過三種主要方式加快了圖像分析的速度。

首先，顯微鏡下的成像數(shù)據(jù)通常會因模糊而損壞。為了減輕模糊，使用了迭代的“去卷積”過程。計算機在模糊圖像和實際物體的估計之間來回移動，直到達到對真實物體的最佳估計的收斂為止。

通過修改經(jīng)典的反卷積算法，Shroff及其合作者將反卷積加速了10倍以上。Shroff說，他們改進的算法可廣泛應用于“幾乎所有熒光顯微鏡”。“我們認為這是一次嚴格的勝利。我們已經(jīng)發(fā)布了代碼，其他組織已經(jīng)在使用它?！?/p>

接下來，他們解決了3D配準的問題：對齊和融合從不同角度拍攝的物體的多個圖像。Shroff說：“事實證明，注冊大型數(shù)據(jù)集（如光片顯微鏡）要比對它們進行去卷積要花費更長的時間?！彼麄儼l(fā)現(xiàn)了幾種加速3D注冊的方法，包括將其移動到計算機的圖形處理單元（GPU）。與使用計算機的中央處理器（CPU）相比，這使他們的處理速度提高了10到100倍以上。

Shroff說：“我們在配準和解卷積方面的改進意味著，對于適合圖形卡的數(shù)據(jù)集，圖像分析原則上可以跟上采集速度。”“對于更大的數(shù)據(jù)集，我們找到了一種有效地將它們分割成塊，將每個塊傳遞到GPU，進行配準和解卷積然后將這些塊縫合在一起的方法。如果要對大塊組織成像，這非常重要例如，從海洋動物身上獲取的，或者如果您正在清理一個器官以使其透明，則可以將其放在顯微鏡上。這兩種進展確實使某些形式的大型顯微鏡成為現(xiàn)實，并加速了發(fā)展?！?/p>

最后，該團隊使用深度學習來加速“復雜的反卷積”-難以處理的數(shù)據(jù)集，其中模糊在圖像的不同部分發(fā)生明顯變化。他們培訓了計算機，以識別嚴重模糊的數(shù)據(jù)（輸入）與經(jīng)過清理，反卷積的圖像（輸出）之間的關系。然后他們給它提供了前所未有的模糊數(shù)據(jù)。Shroff說：“它確實運作良好;訓練有素的神經(jīng)網(wǎng)絡可以非常快速地產(chǎn)生反卷積結果。”“這就是我們在反卷積速度上獲得了數(shù)千倍的改進的地方?！?/p>

Shroff說，盡管深度學習算法的效果出乎意料的出色，但“警告是它們很脆弱”?！耙馑际钦f，一旦訓練了神經(jīng)網(wǎng)絡以識別一種圖像類型，例如具有線粒體的細胞，它將很好地使這些圖像解卷積。但是，如果您給它提供的圖像有些不同，則說細胞的質膜，它會產(chǎn)生偽像。很容易愚弄神經(jīng)網(wǎng)絡?！毖芯康幕钴S領域是創(chuàng)建以更通用的方式工作的神經(jīng)網(wǎng)絡。

Shroff說：“深度學習增強了可能性。”“這是分析數(shù)據(jù)集的好工具，而這是其他方法很難做到的。”