सूक्ष्म नमूनों की इमेजिंग के लिए एकाधिक, अनुक्रमिक मापों को कैप्चर करने की आवश्यकता होती है, फिर एकल, उच्च-रिज़ॉल्यूशन छवि को फिर से बनाने के लिए कम्प्यूटेशनल एल्गोरिदम का उपयोग किया जाता है।नमूना स्थिर होने पर यह प्रक्रिया अच्छी तरह से काम कर सकती है, लेकिन यदि यह गतिशील है - जैसा कि जीवित, जैविक नमूनों में आम है - तो अंतिम छवि धुंधली या विकृत हो सकती है।

अब, बर्कले के शोधकर्ताओं ने इन गतिशील नमूनों के लिए अस्थायी रिज़ॉल्यूशन में सुधार करने के लिए एक विधि विकसित की है।एक अध्ययन मेंमें प्रकाशितप्रकृति विधियाँ, वे एक नया कम्प्यूटेशनल इमेजिंग टूल प्रदर्शित करते हैं, जिसे न्यूरल स्पेस-टाइम मॉडल (एनएसटीएम) कहा जाता है, जो एक छोटे, हल्के वजन का उपयोग करता हैतंत्रिका नेटवर्कगति कलाकृतियों को कम करने और गति प्रक्षेप पथों को हल करने के लिए।

"गतिशील नमूनों की इमेजिंग के साथ चुनौती यह है कि पुनर्निर्माण एल्गोरिथ्म एक स्थिर दृश्य मानता है," प्रमुख लेखक रुइमिंग काओ, पीएच.डी. ने कहा।बायोइंजीनियरिंग में छात्र.

"एनएसटीएम प्रत्येक समय बिंदु पर गति को मॉडलिंग और पुनर्निर्माण करके इन कम्प्यूटेशनल तरीकों को गतिशील दृश्यों तक विस्तारित करता है। यह गति गतिशीलता के कारण होने वाली कलाकृतियों को कम करता है और हमें एक नमूने के भीतर उन सुपर-तेज़ गति वाले परिवर्तनों को देखने की अनुमति देता है।"

शोधकर्ताओं के अनुसार, एनएसटीएम को अतिरिक्त, महंगे हार्डवेयर की आवश्यकता के बिना मौजूदा सिस्टम के साथ एकीकृत किया जा सकता है।और यह अत्यधिक प्रभावी है."एनएसटीएम को मोटे तौर पर परिमाण में सुधार प्रदान करते हुए दिखाया गया हैअस्थायी समाधान, "काओ ने कहा।

ओपन-सोर्स टूल पुनर्निर्माण प्रक्रिया को बेहतर ढंग से संचालित करने में भी सक्षम बनाता हैसमय का पैमाना.उदाहरण के लिए, कम्प्यूटेशनल इमेजिंग पुनर्निर्माण प्रक्रिया में एक सुपर-रिज़ॉल्यूशन वाली छवि को फिर से बनाने के लिए लगभग 10 या 20 छवियों को कैप्चर करना शामिल हो सकता है।

लेकिन तंत्रिका नेटवर्क का उपयोग करके, एनएसटीएम यह मॉडल कर सकता है कि उन 10 या 20 छवियों के दौरान वस्तु कैसे बदल रही है, जिससे वैज्ञानिकों को प्रत्येक 10 या 20 छवियों के बजाय एक छवि के समय पैमाने पर एक सुपर-रिज़ॉल्यूशन वाली छवि का पुनर्निर्माण करने में सक्षम बनाया जा सके।

"मूल रूप से, हम समय में नमूने की गतिशीलता को मॉडल करने के लिए एक तंत्रिका नेटवर्क का उपयोग कर रहे हैं, ताकि हम इन तेज़ समय के पैमाने पर पुनर्निर्माण कर सकें," अध्ययन के प्रमुख अन्वेषक और इलेक्ट्रिकल इंजीनियरिंग और कंप्यूटर विज्ञान के प्रोफेसर लॉरा वालर ने कहा।"यह बहुत शक्तिशाली है क्योंकि आप अपने समय के पैमाने को 10 या उससे अधिक के कारक से सुधार सकते हैं, यह इस बात पर निर्भर करता है कि आप शुरुआत में कितनी छवियों का उपयोग कर रहे थे।"

एनएसटीएम का उपयोग करता हैयंत्र अधिगमलेकिन किसी पूर्व-प्रशिक्षण या डेटा पूर्व की आवश्यकता नहीं है।यह सेटअप को सरल बनाता है और प्रशिक्षण डेटा के माध्यम से पूर्वाग्रहों को संभावित रूप से पेश होने से रोकता है।मॉडल द्वारा उपयोग किया जाने वाला एकमात्र डेटा वास्तविक माप हैं जो उसने कैप्चर किए हैं।

अध्ययन में, एनएसटीएम ने तीन अलग-अलग माइक्रोस्कोपी और फोटोग्राफी अनुप्रयोगों में आशाजनक परिणाम दिखाए: अंतर चरण कंट्रास्ट माइक्रोस्कोपी, 3 डी संरचित रोशनी माइक्रोस्कोपी और रोलिंग-शटर डिफ्यूज़रकैम।

लेकिन, वालर के अनुसार, "ये वास्तव में हिमशैल का सिरा मात्र हैं।"एनएसटीएम का उपयोग संभावित रूप से किसी भी मल्टी-शॉट कम्प्यूटेशनल इमेजिंग पद्धति को बढ़ाने, विशेष रूप से जैविक विज्ञान में इसके वैज्ञानिक अनुप्रयोगों की सीमा को बढ़ाने के लिए किया जा सकता है।

"यह सिर्फ एक मॉडल है, इसलिए आप इसे गतिशील दृश्यों के साथ किसी भी कम्प्यूटेशनल व्युत्क्रम समस्या पर लागू कर सकते हैं। इसका उपयोग टोमोग्राफी में किया जा सकता है, जैसे सीटी स्कैन, एमआरआई या अन्य सुपर-रिज़ॉल्यूशन विधियां," उसने कहा।"स्कैनिंग माइक्रोस्कोप विधियां भी एनएसटीएम से लाभान्वित हो सकती हैं।"

शोधकर्ता कल्पना करते हैं कि किसी दिन एनएसटीएम को सॉफ्टवेयर अपग्रेड की तरह व्यावसायिक रूप से उपलब्ध इमेजिंग सिस्टम में एकीकृत किया जाएगा।इस बीच, काओ और अन्य लोग टूल को और बेहतर बनाने के लिए काम करेंगे।

उन्होंने कहा, "हम बस उन बहुत तेज़ गतिकी को देखने की सीमा को आगे बढ़ाने की कोशिश कर रहे हैं।"