[ad_1]
Investigadores de Washington han inventado un algoritmo de aprendizaje automático que ayuda a crear un modelo 3D de células a partir de un subconjunto de imágenes 2D
Ha sido difícil comprender y examinar los detalles de las celdas a partir de imágenes 2D que contienen información muy limitada. Por lo tanto, los investigadores de la Escuela de Ingeniería Mckelvey implementaron el aprendizaje automático para obtener un modelo 3D detallado de células a partir de una serie de imágenes 2D compuestas de información parcial obtenida utilizando herramientas de microscopía tradicionales que ya están disponibles en muchos laboratorios en la actualidad. La necesidad de esta investigación surgió debido al uso de una red de campo neuronal. Es un tipo especial de sistema de aprendizaje automático que aprende un mapeo de coordenadas espaciales a las cantidades físicas correspondientes. Una vez que se completa el entrenamiento, el modelo puede proporcionar un valor de imagen de la ubicación en cada coordenada que señalan los investigadores.
«Entrenamos el modelo en el conjunto de imágenes digitales para obtener una representación continua», dijo Ulugbek Kamilov, profesor asistente de ingeniería eléctrica y de sistemas y ciencia e ingeniería informática. «Ahora puedo mostrarlo como quiero. Puedo hacer zoom fácilmente y no hay pixelación”.
El principal atributo de las redes de campo neuronal es que no necesitan ser entrenadas en una gran cantidad de datos similares. Solo necesita una cantidad suficiente de imágenes 2D de la muestra; por lo tanto, puede representar su totalidad, por dentro y por fuera. La red se entrena con una imagen que es similar a cualquier otra imagen de microscopio. El proceso es así, la celda se ilumina desde abajo y la luz viaja a través de ella y es captada desde otro lado, creando una imagen. Ahora la red saca lo mejor de sí para recrear esta estructura. Si la salida es incorrecta, la red se optimizará. Si es correcto, este camino se fortalecerá. Una vez que las predicciones coinciden con las medidas reales, la red está lista para completar partes de la celda que no fueron capturadas por las imágenes 2D originales.
El sistema de imágenes puede ampliar una imagen pixelada y completar las partes que faltan, creando una representación 3D continua. «Como tengo algunas vistas de la celda, puedo usar estas imágenes para entrenar el modelo», dijo Kamilov. Lo hace alimentando al modelo con información sobre un punto en la muestra donde la imagen capturó parte de la estructura interna de la célula.
La investigación anterior proporciona un modelo y una representación de la célula fácil de almacenar y fiel a la realidad. Esto puede ser más útil que la realidad.
Haga clic aquí para ver el trabajo de investigación publicado
[ad_2]