تیم به طور چشمگیری کاهش می دهد تجزیه و تحلیل تصویر بار با استفاده از یادگیری عمیق, دیگر رویکردهای

یک تصویر ارزش هزار کلمه است -اما تنها زمانی که آن را روشن آنچه در آن به تصویر می کشد. و در آن نهفته است rub در ساخت تصاویر و یا فیلم ها از میکروسکوپی زندگی است. در حالی که مدرن میکروسکوپ می تواند به تولید مقدار بسیار عظیمی از اطلاعات تصویر از زندگی بافت یا سلول در عرض چند ثانیه استخراج معنی دار اطلاعات بیولوژیکی از داده ها که می تواند ساعت ها یا حتی هفته پر زحمت تجزیه و تحلیل.

برای نرم کردن این مهم تنگنا یک تیم به رهبری توسط MBL همکار هری شروف ابداع کرده است عمیق-یادگیری و دیگر روش های محاسباتی که به طور چشمگیری کاهش می دهد تصویر-تجزیه و تحلیل زمان سفارشات از قدر — در برخی موارد تطبیق سرعت اکتساب داده ها خود را. آنها گزارش نتایج خود را این هفته در بیوتکنولوژی طبیعت.

“آن را مانند نوشیدن از یک firehose بدون اینکه قادر به هضم آنچه شما نوشیدن می گوید:” شروف از مشکل مشترک داشتن بیش از حد تصویربرداری داده و به اندازه کافی پست-قدرت پردازش. این تیم پیشرفت که بنیادی از ادامه همکاری در دریایی زیستی آزمایشگاه (MBL) سرعت تجزیه و تحلیل تصویر در سه راه اصلی است.

اولین تصویربرداری داده ها میکروسکوپ به طور معمول خراب مات. برای کاهش تیرگی تکرار شونده “deconvolution” فرایند استفاده می شود. کامپیوتر می رود به عقب و جلو بین تاری تصویر و برآورد واقعی شی تا زمانی که آن می رسد همگرایی در بهترین برآورد از چیزی که واقعی است.

با سرهم بند با الگوریتم های کلاسیک برای deconvolution, شروف و نویسندگان شتاب deconvolution بیش از 10 برابر شده است. خود را بهبود الگوریتم به طور گسترده ای قابل اجرا “به هر فلورسانس میکروسکوپ” شروف می گوید. “این سخت پیروزی فکر می کنیم. ما منتشر شد کد و گروه های دیگر در حال حاضر در حال استفاده از آن است.”

بعد آنها خطاب مشکل 3D ثبت نام: هماهنگی و ترکیب چندین عکس از یک شی گرفته شده از زوایای مختلف. “معلوم می شود که در آن طول می کشد بسیار طولانی برای ثبت داده های بسیاری مانند نور-ورق میکروسکوپ از آن را به deconvolve آنها” شروف می گوید. آنها دریافتند چندین راه برای سرعت بخشیدن به 3D ثبت نام از جمله حرکت آن را به کامپیوتر واحد پردازش گرافیکی (GPU). این به آنها 10 – به بیش از 100 برابر بهبود در سرعت پردازش بیش از با استفاده از کامپیوتر واحد پردازش مرکزی (CPU).

“پیشرفت های ما در ثبت نام و deconvolution معنی است که برای مجموعه داده مناسب است که بر روی یک کارت گرافیک, تصویر, تجزیه و تحلیل می تواند در اصل نگه دارید تا با سرعت کسب” شروف می گوید. “برای بزرگتر مجموعه ما در بر داشت یک راه موثر برای حک کردن آنها را به تکه های تصویب هر تکه به GPU انجام ثبت نام و deconvolution و سپس کوک این قطعه با هم. که بسیار مهم است اگر شما می خواهید به تصویر قطعه بزرگ از, بافت, برای مثال, از, دریایی, حیوانات, و یا اگر شما در حال پاکسازی یک ارگان به آن را شفاف برای قرار دادن بر روی میکروسکوپ. برخی از انواع زیادی میکروسکوپ واقعا فعال و با سرعت بالا توسط این دو پیشرفت.”

در نهایت این تیم با استفاده از یادگیری عمیق برای سرعت بخشیدن به “پیچیده deconvolution” — مقاوم می دهد که در آن تاری متفاوت است به طور قابل توجهی در بخش های مختلف از تصویر. آنها آموزش کامپیوتر برای تشخیص رابطه بین شدت تاری داده (ورودی) و یک تمیز deconvolved تصویر (خروجی). سپس آنها را به آن تاری داده آن را تا به حال دیده می شود قبل از. “این واقعا خوب کار کرده; آموزش شبکه عصبی می تواند تولید deconvolved نتایج واقعا سریع” شروف می گوید. “اینجا جایی است که ما هزار برابر پیشرفت در deconvolution سرعت.”

در حالی که عمیق الگوریتم های یادگیری مشغول به کار شگفت انگیزی خوب “آن را با این نکته که آنها شکننده” شروف می گوید. “معنی هنگامی که شما آموزش شبکه عصبی برای تشخیص نوع تصویر می گویند همراه با میتوکندری را deconvolve این تصاویر بسیار خوبی است. اما اگر شما آن را به یک تصویر است که کمی متفاوت می گویند سلول های پلاسما غشاء آن را به تولید آثار. آن را آسان به احمق شبکه عصبی.” یک فعال حوزه پژوهش ایجاد شبکه های عصبی که کار در یک مطلب کلی راه است.

“یادگیری عمیق موجب افزایش چه چیزی ممکن است” شروف می گوید. “این یک ابزار خوب برای تجزیه و تحلیل مجموعه داده است که دشوار خواهد بود هر راه دیگر.”

داستان منبع:

مواد ارائه شده توسط دریایی زیستی آزمایشگاه. Original نوشته شده توسط Diana کنی. توجه داشته باشید: محتوا ممکن است برای ویرایش سبک و طول.

tinyurlis.gdv.gdv.htclck.ruulvis.netshrtco.de

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *