O aprendizado profundo é uma ferramenta potencial para os cientistas obterem mais detalhes de imagens de baixa resolução em microscopia, mas geralmente é difícil reunir dados de linha de base suficientes para treinar os computadores no processo. Agora, um novo método desenvolvido por cientistas do Salk Institute poderia tornar a tecnologia mais acessível – ao obter imagens de alta resolução e degradá-las artificialmente.
A nova ferramenta, que os pesquisadores chamam de “crappifier”, pode tornar significativamente mais fácil para os cientistas obterem imagens detalhadas de células ou estruturas celulares que antes eram difíceis de observar porque requerem condições de pouca luz, como mitocôndrias, que podem dividir quando estressado pelos lasers usados para iluminá-los. Também pode ajudar a democratizar a microscopia, permitindo que os cientistas capturem imagens de alta resolução mesmo que não tenham acesso a microscópios poderosos. Os resultados foram publicados em 8 de março de 2021, na revista Nature Methods.
“Investimos milhões de dólares nesses microscópios e ainda estamos lutando para ultrapassar os limites do que eles podem fazer”, disse Uri Manor, diretor do Waitt Advanced Biophotonics Core Facility da Salk. “Esse é o problema que estávamos tentando resolver com o aprendizado profundo.”
Aprendizado profundo é um tipo de inteligência artificial (IA) em que algoritmos de computador aprendem e se aprimoram estudando exemplos. Para usar o aprendizado profundo para melhorar as imagens do microscópio – seja melhorando a resolução (nitidez) ou reduzindo o “ruído” de fundo – seria necessário mostrar ao sistema muitos exemplos de imagens de alta e baixa resolução. Isso é um problema, porque capturar imagens de microscopia perfeitamente idênticas em duas exposições separadas pode ser difícil e caro. É especialmente desafiador ao imaginar células vivas que podem se mover durante o processo.
É aí que entra o crappifier. De acordo com Manor, o método pega imagens de alta qualidade e as degrada computacionalmente, para que se pareçam com as imagens de baixa resolução mais baixas que a equipe iria adquirir.
A equipe de Manor mostrou imagens de alta resolução e suas contrapartes degradadas para o software de aprendizado profundo, chamado Point-Scanning Super-Resolution, ou PSSR. Depois de estudar as imagens degradadas, o sistema foi capaz de aprender como melhorar as imagens que eram naturalmente de baixa qualidade.
Isso é significativo porque, no passado, os sistemas de computador que aprendiam com dados degradados artificialmente ainda tinham problemas quando apresentados com dados brutos do mundo real.
“Tentamos vários métodos de degradação diferentes e encontramos um que realmente funciona”, diz Manor. “Você pode treinar um modelo em seus dados gerados artificialmente e ele realmente funciona em dados do mundo real.”
“Usando nosso método, as pessoas podem se beneficiar desta poderosa tecnologia de aprendizado profundo sem investir muito tempo ou recursos”, diz Linjing Fang, especialista em análise de imagens do Waitt Advanced Biophotonics Core Facility e autor principal do artigo. “Você pode usar dados de alta qualidade pré-existentes, degradá-los e treinar um modelo para melhorar a qualidade de uma imagem de baixa resolução.”
A equipe mostrou que o PSSR funciona em microscopia eletrônica e com imagens de células vivas de fluorescência – duas situações em que pode ser extraordinariamente difícil ou impossível obter as imagens duplicadas de alta e baixa resolução necessárias para treinar sistemas de IA. Embora o estudo tenha demonstrado o método em imagens de tecido cerebral, Manor espera que ele possa ser aplicado a outros sistemas do corpo no futuro.
Ele também espera que um dia possa ser usado para tornar as imagens microscópicas de alta resolução mais acessíveis. Atualmente, os microscópios mais poderosos do mundo podem custar mais de um milhão de dólares, devido à engenharia de precisão necessária para criar imagens de alta resolução. “Uma de nossas visões para o futuro é ser capaz de começar a substituir alguns desses componentes caros com aprendizado profundo”, diz Manor, “para que possamos começar a fazer microscópios mais baratos e mais acessíveis.”
Publicado em 09/03/2021 09h15
Artigo original: