คานที่แข็งแรงซึ่งให้ภาพที่ชัดกว่านั้นสร้างความเสียหายต่อชิ้นงานทดสอบ ในทางกลับกัน ลำแสงที่อ่อนแอสามารถให้ภาพที่มีสัญญาณรบกวนและมีความละเอียดต่ำได้

ในการศึกษาใหม่ที่ตีพิมพ์ในNature Machine Intelligenceนักวิจัยจาก Texas A&M University ได้อธิบายอัลกอริธึมที่ใช้การเรียนรู้ด้วยเครื่องซึ่งสามารถลดความหยาบในภาพที่มีความละเอียดต่ำและเปิดเผยรายละเอียดใหม่ ๆ ที่ฝังอยู่ในสัญญาณรบกวน

Shuiwang Ji รองศาสตราจารย์ประจำภาควิชาวิทยาการคอมพิวเตอร์และวิศวกรรมกล่าวว่า "ภาพที่ถ่ายด้วยลำแสงกำลังต่ำอาจมีเสียงดัง ซึ่งสามารถซ่อนรายละเอียดภาพที่น่าสนใจและมีค่าของตัวอย่างทางชีวภาพได้ "เพื่อแก้ปัญหานี้ เราใช้วิธีการคำนวณล้วนๆ เพื่อสร้างภาพที่มีความละเอียดสูงขึ้น และเราได้แสดงให้เห็นในการศึกษานี้ว่าเราสามารถปรับปรุงความละเอียดได้ในระดับใกล้เคียงกับสิ่งที่คุณอาจได้รับโดยใช้ไฟสูง"

Ji เสริมว่าไม่เหมือนกับอัลกอริธึม denoising อื่น ๆ ที่สามารถใช้ข้อมูลที่มาจากจุดเล็ก ๆ ของพิกเซลภายในภาพที่มีความละเอียดต่ำเท่านั้น อัลกอริธึมอัจฉริยะของพวกมันสามารถระบุรูปแบบพิกเซลที่อาจกระจายไปทั่วทั้งภาพที่มีสัญญาณรบกวน เพิ่มประสิทธิภาพของมันในฐานะเครื่องมือลดทอนประสิทธิภาพ .

แทนที่จะอาศัยเพียงฮาร์ดแวร์ของกล้องจุลทรรศน์เพื่อปรับปรุงความละเอียดของภาพ เทคนิคที่เรียกว่ากล้องจุลทรรศน์เสริมใช้การผสมผสานระหว่างซอฟต์แวร์และฮาร์ดแวร์เพื่อปรับปรุงคุณภาพของภาพ ในที่นี้ ภาพปกติที่ถ่ายด้วยกล้องจุลทรรศน์จะซ้อนทับกับภาพดิจิทัลที่สร้างโดยคอมพิวเตอร์ วิธีการประมวลผลภาพนี้มีคำมั่นสัญญาว่าจะไม่เพียงแค่ลดต้นทุน แต่ยังทำให้การวิเคราะห์ภาพทางการแพทย์เป็นไปอย่างอัตโนมัติ และเปิดเผยรายละเอียดที่บางครั้งอาจมองข้ามไป

ในปัจจุบัน ซอฟต์แวร์ประเภทหนึ่งที่ใช้อัลกอริธึมการเรียนรู้ด้วยเครื่องที่เรียกว่าการเรียนรู้เชิงลึกได้รับการพิสูจน์แล้วว่ามีประสิทธิภาพในการขจัดความพร่ามัวหรือจุดรบกวนในภาพ อัลกอริธึมเหล่านี้สามารถแสดงเป็นภาพได้เนื่องจากประกอบด้วยเลเยอร์ที่เชื่อมต่อถึงกันจำนวนมากหรือขั้นตอนการประมวลผลที่ใช้ภาพอินพุตที่มีความละเอียดต่ำและสร้างภาพเอาต์พุตที่มีความละเอียดสูง

ในเทคนิคการประมวลผลภาพแบบ deep-learning ทั่วไป จำนวนและเครือข่ายระหว่างเลเยอร์จะกำหนดจำนวนพิกเซลในภาพอินพุตที่ส่งผลต่อค่าของพิกเซลเดียวในภาพที่ส่งออก ค่านี้จะไม่เปลี่ยนรูปหลังจากอัลกอริธึมการเรียนรู้เชิงลึกได้รับการฝึกอบรมและพร้อมที่จะปฏิเสธภาพใหม่ อย่างไรก็ตาม Ji กล่าวว่าการแก้ไขตัวเลขสำหรับพิกเซลอินพุตซึ่งในทางเทคนิคเรียกว่าฟิลด์ที่เปิดกว้างนั้นเป็นการจำกัดประสิทธิภาพของอัลกอริธึม

"ลองนึกภาพชิ้นงานที่มีลวดลายซ้ำๆ กัน เช่น รูปแบบรังผึ้ง อัลกอริธึมการเรียนรู้เชิงลึกส่วนใหญ่ใช้ข้อมูลในท้องถิ่นเพื่อเติมช่องว่างในภาพที่เกิดจากสัญญาณรบกวนเท่านั้น" Ji กล่าว "แต่สิ่งนี้ไม่มีประสิทธิภาพเพราะโดยพื้นฐานแล้วอัลกอริธึมนั้นตาบอดต่อรูปแบบการทำซ้ำภายในภาพเนื่องจากฟิลด์รับได้รับการแก้ไข แต่อัลกอริธึมการเรียนรู้เชิงลึกจำเป็นต้องมีฟิลด์รับแบบปรับตัวที่สามารถบันทึกข้อมูลในโครงสร้างภาพโดยรวม ."

เพื่อเอาชนะอุปสรรคนี้ Ji และนักเรียนของเขาได้พัฒนาอัลกอริธึมการเรียนรู้เชิงลึกอื่นที่สามารถเปลี่ยนขนาดของฟิลด์ที่เปิดกว้างแบบไดนามิก กล่าวอีกนัยหนึ่งไม่เหมือนกับอัลกอริธึมรุ่นก่อนที่สามารถรวบรวมข้อมูลจากพิกเซลจำนวนน้อยเท่านั้น อัลกอริธึมใหม่ที่เรียกว่า global voxel transformer networks (GVTNets) สามารถรวมข้อมูลจากพื้นที่ขนาดใหญ่ของรูปภาพได้หากต้องการ

เมื่อพวกเขาวิเคราะห์ประสิทธิภาพของอัลกอริธึมกับซอฟต์แวร์การเรียนรู้เชิงลึกอื่น ๆ นักวิจัยพบว่า GVTNets ต้องการข้อมูลการฝึกอบรมน้อยกว่าและสามารถแยกแยะภาพได้ดีกว่าอัลกอริธึมการเรียนรู้เชิงลึกอื่น ๆ นอกจากนี้ ภาพที่มีความละเอียดสูงยังเทียบได้กับภาพที่ได้จากลำแสงพลังงานสูง

นักวิจัยตั้งข้อสังเกตว่าอัลกอริธึมใหม่ของพวกเขาสามารถปรับให้เข้ากับแอพพลิเคชั่นอื่น ๆ ได้อย่างง่ายดายนอกเหนือจากการ denoising เช่นการถ่ายภาพเรืองแสงที่ไม่มีฉลากและการแปลง 3D เป็น 2D สำหรับคอมพิวเตอร์กราฟิก

"การวิจัยของเรามีส่วนทำให้เกิดพื้นที่ใหม่ของไมโครสโคปอัจฉริยะ ซึ่งปัญญาประดิษฐ์ถูกรวมเข้ากับกล้องจุลทรรศน์อย่างราบรื่น" จีกล่าว "อัลกอริธึมการเรียนรู้เชิงลึกเช่นของเราจะช่วยให้เราสามารถก้าวข้ามขีดจำกัดทางกายภาพที่เกิดจากแสงที่ไม่เคยทำได้มาก่อน สิ่งนี้มีค่าอย่างยิ่งสำหรับการใช้งานมากมาย รวมถึงขั้นตอนทางคลินิก เช่น การประมาณระยะของความก้าวหน้าของมะเร็งและการแยกแยะ ระหว่างเซลล์ชนิดต่างๆ เพื่อการพยากรณ์โรค"

งานวิจัยนี้ได้รับทุนจากมูลนิธิวิทยาศาสตร์แห่งชาติ สถาบันสุขภาพแห่งชาติ และสำนักงานโครงการวิจัยขั้นสูงด้านกลาโหม