顕微鏡サンプルをイメージングするには、複数の連続測定値を取得し、計算アルゴリズムを使用して単一の高解像度画像を再構成する必要があります。このプロセスは、サンプルが静止している場合にはうまく機能しますが、生きた生体標本ではよくあることですが、動いている場合には、最終的な画像がぼやけたり歪んだりする可能性があります。

今回、バークレーの研究者は、これらの動的サンプルの時間分解能を向上させる方法を開発しました。研究でに掲載されましたネイチャーメソッド彼らは、小型軽量のニューラル時空モデル (NSTM) と呼ばれる新しい計算イメージング ツールを実証しています。ニューラルネットワークモーションアーチファクトを軽減し、モーション軌道を解決します。

「動的サンプルのイメージングに関する課題は、再構成アルゴリズムが静的なシーンを想定していることです」と筆頭著者の Ruiming Cao 博士は述べています。生物工学の学生。

「NSTM は、各時点でのモーションのモデリングと再構築によって、これらの計算手法を動的なシーンに拡張します。これにより、モーション ダイナミクスによって引き起こされるアーティファクトが軽減され、サンプル内の超高速ペースの変化を確認できるようになります。」

研究者らによると、NSTM は高価なハードウェアを追加することなく、既存のシステムと統合できるとのことです。そしてそれは非常に効果的です。「NSTM は、時間解像度」と曹操は言った。

オープンソース ツールを使用すると、再構築プロセスをより詳細なレベルで実行できるようになります。タイムスケール。例えば、計算による画像再構成プロセスには、単一の超解像画像を再構成するために約 10 枚または 20 枚の画像をキャプチャすることが含まれる場合があります。

しかし、ニューラル ネットワークを使用すると、NSTM は 10 枚または 20 枚の画像の間に物体がどのように変化するかをモデル化できるため、科学者は 10 枚または 20 枚の画像ごとではなく、1 枚の画像の時間スケールで超解像画像を再構成できるようになります。

「基本的に、私たちはニューラルネットワークを使用して、時間内のサンプルのダイナミクスをモデル化しています。これにより、より高速な時間スケールで再構築できるようになります」と、この研究の主任研究者であり、電気工学およびコンピューターサイエンスの教授であるローラ・ウォーラー氏は述べています。「これは非常に強力です。最初に使用した画像の数に応じて、タイム スケールを 10 倍以上改善できるからです。」

NSTMは使用します機械学習ただし、事前トレーニングや事前データは必要ありません。これにより、セットアップが簡素化され、トレーニング データを通じて潜在的にバイアスが導入されるのを防ぎます。モデルが使用するデータは、モデルがキャプチャした実際の測定値のみです。

この研究において、NSTM は、微分位相差顕微鏡、3D 構造化照明顕微鏡、ローリングシャッター DiffuserCam という 3 つの異なる顕微鏡および写真アプリケーションで有望な結果を示しました。

しかしウォーラー氏によれば、「これらは実際には氷山の一角にすぎない」という。NSTM は、あらゆるマルチショット計算イメージング手法を強化するために使用できる可能性があり、特に生物科学における科学的応用範囲を拡大します。

「これは単なるモデルなので、動的なシーンに関するあらゆる逆計算問題に適用できます。CT スキャン、MRI、またはその他の超解像手法などの断層撮影に使用できる可能性があります。」と彼女は言いました。「走査型顕微鏡法も NSTM から恩恵を受ける可能性があります。」

研究者らは、NSTM がいつかソフトウェアのアップグレードのように市販の画像処理システムに統合されることを構想しています。それまでの間、曹氏らはツールのさらなる改良に取り組む予定だ。

「私たちは、非常に速いダイナミクスを観察する限界を押し広げようとしているだけです」と彼は言いました。