Nuevo método mejora las imágenes microscópicas en movimiento

Nuevo método mejora las imágenes microscópicas en movimiento

Comparta este Artículo en:

Para obtener imágenes microscópicas es necesario capturar múltiples mediciones secuenciales y, a continuación, 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 habitual con los especímenes biológicos vivos), la imagen final puede ser borrosa o distorsionada.

Ahora, investigadores de Berkeley han desarrollado un método para mejorar la resolución temporal de estas muestras dinámicas.

En un estudio demuestran una nueva herramienta de obtención de imágenes computacionales, denominada modelo neuronal espacio-temporal (NSTM), que utiliza una red neuronal pequeña y ligera para reducir los artefactos de movimiento y calcular las trayectorias de movimiento.

“El reto de obtener imágenes de muestras dinámicas es que el algoritmo de reconstrucción supone una escena estática”, afirmó el autor principal Ruiming Cao, estudiante de doctorado en bioingeniería.

“NSTM extiende estos métodos computacionales a escenas dinámicas mediante el modelado y la reconstrucción del movimiento en cada punto temporal.

Esto reduce los artefactos causados ​​por la dinámica del movimiento y nos permite ver esos cambios a un ritmo superrápido dentro de una muestra”.

Según los investigadores, NSTM se puede integrar con sistemas existentes sin la necesidad de hardware adicional y costoso. Y es muy eficaz.

“Se ha demostrado que NSTM proporciona una mejora de aproximadamente un orden de magnitud en la resolución temporal, dijo Cao.

La herramienta de código abierto también permite que el proceso de reconstrucción funcione en una escala de tiempo más fina.

Por ejemplo, el proceso de reconstrucción de imágenes computacionales puede implicar la captura de unas 10 o 20 imágenes para reconstruir una única imagen superresuelta.

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 superresuelta en la escala de tiempo de una imagen en lugar de cada 10 o 20 imágenes.

“Básicamente, utilizamos 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 y ciencias de la computación.

“Esto es súper poderoso porque podría mejorar sus escalas de tiempo en un factor de 10 o más, dependiendo de cuántas imágenes estuviera utilizando inicialmente”.

NSTM utiliza el aprendizaje automático, pero no requiere entrenamiento previo 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 mediciones 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 DiffuserCam de obturador rodante.

Pero, según Waller, “estos son realmente solo la punta del iceberg”.

NSTM podría usarse potencialmente para mejorar cualquier método de imágenes computacionales de múltiples disparos, ampliando su gama de aplicaciones científicas, particularmente en las ciencias biológicas.

“Es sólo un modelo, por lo que se podría aplicar a cualquier problema inverso computacional con escenas dinámicas.

Se podría utilizar en tomografía, como tomografías computarizadas, resonancias magnéticas u otros métodos de súper resolución“, dijo.

Los métodos de microscopio de barrido también podrían beneficiarse de NSTM”.

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

Sólo estamos tratando de superar el límite de ver esas dinámicas muy rápidas“, dijo.

Fuente: Nature methods

 

Leave a Reply

Your email address will not be published. Required fields are marked *