La obtención de imágenes de muestras microscópicas requiere capturar múltiples mediciones secuenciales y luego utilizar algoritmos computacionales para reconstruir una única imagen de alta resolución.Este proceso puede funcionar bien cuando la muestra está estática, pero si está en movimiento, como es común con los especímenes biológicos vivos, la imagen final puede ser borrosa o distorsionada.

Ahora, los investigadores de Berkeley han desarrollado un método para mejorar la resolución temporal de estas muestras dinámicas.en un estudiopublicado enMétodos de la naturaleza, demuestran una nueva herramienta de imágenes computacionales, denominada modelo neuronal espacio-temporal (NSTM), que utiliza un pequeño y livianored neuronalpara reducir los artefactos de movimiento y resolver las trayectorias de movimiento.

"El desafío de obtener imágenes de muestras dinámicas es que el algoritmo de reconstrucción asume una escena estática", dijo el autor principal Ruiming Cao, Ph.D.estudiante de bioingeniería.

"NSTM extiende estos métodos computacionales a escenas dinámicas modelando y reconstruyendo el movimiento en cada punto de tiempo. Esto reduce los artefactos causados ​​por la dinámica del movimiento y nos permite ver esos cambios de ritmo súper rápido dentro de una muestra".

Según los investigadores, NSTM se puede integrar con los sistemas existentes sin necesidad de hardware costoso adicional.Y es muy eficaz."Se ha demostrado que NSTM proporciona aproximadamente una mejora de un orden de magnitud en laresolución temporal", Dijo Cao.

La herramienta de código abierto también permite que el proceso de reconstrucción funcione de forma más detallada.escala de tiempo.Por ejemplo, el proceso de reconstrucción de imágenes computacional puede implicar capturar alrededor de 10 o 20 imágenes para reconstruir una única imagen súper resuelta.

Pero utilizando redes neuronales, NSTM puede modelar cómo cambia el objeto durante esas 10 o 20 imágenes, lo que permite a los científicos reconstruir una imagen súper resuelta en la escala de tiempo de una imagen en lugar de cada 10 o 20 imágenes.

"Básicamente, estamos utilizando una red neuronal para modelar la dinámica de la muestra en el tiempo, de modo que podamos reconstruir en estas escalas de tiempo más rápidas", dijo Laura Waller, investigadora principal del estudio y profesora de ingeniería eléctrica e informática."Esto es súper poderoso porque podrías mejorar tus escalas de tiempo en un factor de 10 o más, dependiendo de cuántas imágenes estuvieras usando inicialmente".

Usos de NSTMaprendizaje automáticopero no requiere capacitación previa ni datos previos.Esto simplifica la configuración y evita que se introduzcan sesgos a través de los datos de entrenamiento.Los únicos datos que utiliza el modelo son las medidas reales que capturó.

En el estudio, NSTM mostró resultados prometedores en tres aplicaciones diferentes de microscopía y fotografía: microscopía de contraste de fase diferencial, microscopía de iluminación estructurada 3D y DifusorCam de persiana enrollable.

Pero, según Waller, "estos son sólo la punta del iceberg".NSTM podría utilizarse potencialmente para mejorar cualquier método de obtención de imágenes computacionales de múltiples disparos, ampliando su gama de aplicaciones científicas, particularmente en las ciencias biológicas.

"Es sólo un modelo, por lo que podría aplicarse a cualquier problema computacional inverso con escenas dinámicas. Podría usarse en tomografía, como tomografías computarizadas, resonancias magnéticas u otros métodos de súper resolución", dijo."Los métodos de microscopio de barrido también podrían beneficiarse del NSTM".

Los investigadores imaginan que algún día NSTM se integrará en los sistemas de imágenes disponibles comercialmente, como si fuera una actualización de software.Mientras tanto, Cao y otros trabajarán para perfeccionar aún más la herramienta.

"Simplemente estamos tratando de superar el límite de ver esas dinámicas muy rápidas", dijo.