• Home
  • Química
  • Astronomía
  • Energía
  • Naturaleza
  • Biología
  • Física
  • Electrónica
  • El aprendizaje automático genera un modelo 3D a partir de imágenes 2D

    El sistema de imágenes puede ampliar una imagen pixelada y completar las piezas que faltan, creando una representación 3D continua. Crédito:Universidad de Washington en St. Louis

    Investigadores de la Escuela de Ingeniería McKelvey de la Universidad de Washington en St. Louis han desarrollado un algoritmo de aprendizaje automático que puede crear un modelo 3D continuo de células a partir de un conjunto parcial de imágenes 2D que se tomaron con las mismas herramientas estándar de microscopía que se encuentran en muchos laboratorios en la actualidad. .

    Sus hallazgos se publicaron el 16 de septiembre en la revista Nature Machine Intelligence .

    "Entrenamos el modelo en el conjunto de imágenes digitales para obtener una representación continua", dijo Ulugbek Kamilov, profesor asistente de ingeniería eléctrica y de sistemas y de informática e ingeniería. "Ahora, puedo mostrarlo como quiera. Puedo acercar el zoom sin problemas y no hay pixelación".

    La clave de este trabajo fue el uso de una red de campo neuronal, un tipo particular de sistema de aprendizaje automático que aprende un mapeo de coordenadas espaciales a las cantidades físicas correspondientes. Cuando se completa el entrenamiento, los investigadores pueden señalar cualquier coordenada y el modelo puede proporcionar el valor de la imagen en esa ubicación.

    Una fortaleza particular de las redes de campo neuronal es que no necesitan ser entrenadas con grandes cantidades de datos similares. En cambio, siempre que haya una cantidad suficiente de imágenes 2D de la muestra, la red puede representarla en su totalidad, por dentro y por fuera.

    La imagen utilizada para entrenar la red es como cualquier otra imagen de microscopía. En esencia, una celda se ilumina desde abajo; la luz viaja a través de él y es capturada en el otro lado, creando una imagen.

    "Debido a que tengo algunas vistas de la celda, puedo usar esas imágenes para entrenar el modelo", dijo Kamilov. Esto se hace alimentando al modelo con información sobre un punto en la muestra donde la imagen capturó algo de la estructura interna de la celda.

    Luego, la red hace su mejor esfuerzo para recrear esa estructura. Si la salida es incorrecta, la red está alterada. Si es correcto, ese camino se refuerza. Una vez que las predicciones coinciden con las mediciones del mundo real, la red está lista para completar partes de la celda que no fueron capturadas por las imágenes 2D originales.

    El modelo ahora contiene información de una representación completa y continua de la celda; no es necesario guardar un archivo de imagen con muchos datos porque la red de campo neuronal siempre puede recrearlo.

    Y, dijo Kamilov, el modelo no solo es una representación fiel y fácil de almacenar de la célula, sino que, en muchos sentidos, es más útil que la célula real.

    "Puedo poner cualquier coordenada y generar esa vista", dijo. "O puedo generar vistas completamente nuevas desde diferentes ángulos". Puede usar el modelo para hacer girar una celda como un trompo o hacer zoom para ver más de cerca; usar el modelo para hacer otras tareas numéricas; o incluso introducirlo en otro algoritmo. + Explora más

    Cómo los algoritmos de aprendizaje profundo crean imágenes precisas sin un conjunto de datos completo




    © Ciencia https://es.scienceaq.com