Algoritme cerdas membersihkan gambar dengan mencari petunjuk yang terkubur dalam kebisingan
Ai

Algoritme cerdas membersihkan gambar dengan mencari petunjuk yang terkubur dalam kebisingan


Kredit: Universitas A&M Texas

Untuk memasuki dunia yang sangat kecil, mata uang utamanya adalah sinar cahaya atau elektron.

Balok yang kuat, yang menghasilkan gambar yang lebih jelas, merusak spesimen. Di sisi lain, sinar yang lemah dapat menghasilkan gambar yang berisik dan beresolusi rendah.

Dalam studi baru yang diterbitkan di Kecerdasan Mesin Alam, peneliti di Texas A&M University mendeskripsikan algoritme berbasis pembelajaran mesin yang dapat mengurangi bintik pada gambar beresolusi rendah dan mengungkap detail baru yang terkubur dalam kebisingan.

“Gambar yang diambil dengan sinar berdaya rendah dapat menimbulkan kebisingan, yang dapat menyembunyikan detail visual yang menarik dan berharga dari spesimen biologi,” kata Shuiwang Ji, profesor di Departemen Ilmu dan Teknik Komputer. “Untuk mengatasi masalah ini, kami menggunakan pendekatan komputasi murni untuk membuat gambar dengan resolusi lebih tinggi, dan kami telah menunjukkan dalam studi ini bahwa kami dapat meningkatkan resolusi hingga tingkat yang sangat mirip dengan apa yang mungkin Anda peroleh dengan menggunakan sinar tinggi.”

Ji menambahkan bahwa tidak seperti algoritme denoising lainnya yang hanya dapat menggunakan informasi yang berasal dari sepetak kecil piksel dalam gambar beresolusi rendah, algoritme cerdas mereka dapat mengidentifikasi pola piksel yang mungkin tersebar di seluruh gambar yang berisik, meningkatkan efektivitasnya sebagai alat denoising .

Alih-alih hanya mengandalkan perangkat keras mikroskop untuk meningkatkan resolusi gambar, teknik yang dikenal sebagai mikroskop tambahan menggunakan kombinasi perangkat lunak dan perangkat keras untuk meningkatkan kualitas gambar. Di sini, gambar biasa yang diambil dengan mikroskop ditumpangkan pada gambar digital yang dihasilkan komputer. Metode pemrosesan gambar ini menjanjikan tidak hanya untuk mengurangi biaya tetapi juga mengotomatiskan analisis gambar medis dan mengungkapkan detail yang terkadang dapat terlewatkan oleh mata.

Kredit: Universitas A&M Texas

Saat ini, jenis perangkat lunak yang didasarkan pada algoritme pembelajaran mesin yang disebut pembelajaran dalam telah terbukti efektif dalam menghilangkan keburaman atau gangguan pada gambar. Algoritma ini dapat divisualisasikan sebagai terdiri dari banyak lapisan yang saling berhubungan atau langkah-langkah pemrosesan yang mengambil gambar input resolusi rendah dan menghasilkan gambar output resolusi tinggi.

Dalam teknik pemrosesan gambar berbasis pembelajaran dalam konvensional, jumlah dan jaringan antar lapisan menentukan berapa banyak piksel dalam gambar masukan yang berkontribusi pada nilai satu piksel dalam gambar keluaran. Nilai ini tidak dapat diubah setelah algoritme pembelajaran mendalam dilatih dan siap untuk menolak gambar baru. Namun, Ji mengatakan memperbaiki jumlah piksel input, yang secara teknis disebut bidang reseptif, membatasi kinerja algoritme.

“Bayangkan sebuah spesimen memiliki motif berulang, seperti pola sarang lebah. Sebagian besar algoritma pembelajaran mendalam hanya menggunakan informasi lokal untuk mengisi celah pada gambar yang dibuat oleh kebisingan,” kata Ji. “Tapi ini tidak efisien karena algoritme pada dasarnya buta terhadap pola berulang dalam gambar karena bidang reseptif ditetapkan. Alih-alih, algoritme pembelajaran mendalam perlu memiliki bidang reseptif adaptif yang dapat menangkap informasi dalam struktur gambar secara keseluruhan. . “

Untuk mengatasi rintangan ini, Ji dan siswanya mengembangkan algoritme pembelajaran mendalam lainnya yang secara dinamis dapat mengubah ukuran bidang reseptif. Dengan kata lain, tidak seperti algoritme sebelumnya yang hanya dapat mengumpulkan informasi dari sejumlah kecil piksel, algoritme baru mereka, yang disebut jaringan transformator voxel global (GVTNets), dapat mengumpulkan informasi dari area gambar yang lebih besar jika diperlukan.

Ketika mereka menganalisis kinerja algoritme mereka terhadap perangkat lunak pembelajaran mendalam lainnya, para peneliti menemukan bahwa GVTNets memerlukan lebih sedikit data pelatihan dan dapat mendenoise gambar dengan lebih baik daripada algoritme pembelajaran mendalam lainnya. Lebih lanjut, gambar resolusi tinggi yang diperoleh sebanding dengan yang diperoleh dengan menggunakan berkas cahaya berenergi tinggi.

Para peneliti mencatat bahwa algoritma baru mereka dapat dengan mudah disesuaikan dengan aplikasi lain selain denoising, seperti pencitraan fluoresensi bebas label dan konversi 3-D ke 2-D untuk grafik komputer.

“Penelitian kami berkontribusi pada bidang mikroskop pintar yang muncul, di mana kecerdasan buatan diintegrasikan dengan mulus ke dalam mikroskop,” kata Ji. “Algoritme pembelajaran mendalam seperti yang kami miliki akan memungkinkan kami untuk berpotensi melampaui batas fisik yang ditimbulkan oleh cahaya yang sebelumnya tidak mungkin. Ini bisa sangat berharga untuk berbagai aplikasi, termasuk aplikasi klinis, seperti memperkirakan tahap perkembangan kanker dan membedakan antara jenis sel untuk prognosis penyakit. ”


Pemfokusan otomatis gambar mikroskop menggunakan pembelajaran mendalam


Informasi lebih lanjut:
Zhengyang Wang dkk. Jaringan transformator voxel global untuk mikroskop tambahan, Kecerdasan Mesin Alam (2021). DOI: 10.1038 / s42256-020-00283-x

Disediakan oleh Texas A&M University

Kutipan: Algoritme cerdas membersihkan gambar dengan mencari petunjuk yang terkubur dalam kebisingan (2021, 26 Januari), diambil pada 26 Januari 2021 dari https://techxplore.com/news/2021-01-smart-algorithm-images-clues-noise.html

Dokumen ini memiliki hak cipta. Selain dari transaksi yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.


Halaman Ini Di Persembahkan Oleh : Toto SGP