2021'de geliştirilen algoritmaya dayalı bir mikroskopi tekniği (ve daha önceki tekniklerin gerektirdiği görüntülerin bir kısmı üzerinde çalışabilen) yeterince hızlı olmadığında ne yaparsınız?
Daha derine dalın ve karesini alın. En azından FAS İleri Görüntüleme Merkezi'nde John Bilim Seçkin Bilim Üyesi Dushan Wadduwage tarafından kullanılan çözüm buydu.
Bilim insanları, yaşayan bir beynin derinliklerini görüntülemek için onlarca yıldır çalışıyorlar. İlk önce floresan moleküllere ve ışığa dayanan asırlık bir teknik olan floresan mikroskopisini denediler. Ancak dalga boyları yeterince uzun değildi ve kayda değer bir mesafeye ulaşamadan dağıldılar.
1990 yılında iki foton mikroskobunun icadı, dokuya daha uzun dalga boylarında ışık parıltısı getirerek floresan moleküllerin bir değil iki fotonu absorbe etmesine neden oldu. Molekülleri uyarmak için kullanılan daha uzun dalga boyları daha az saçılıyor ve daha uzağa nüfuz edebiliyordu.
Ancak iki fotonlu mikroskopi tipik olarak doku üzerinde aynı anda yalnızca bir noktayı uyarabiliyor; bu da birçok ölçüm gerektiren uzun bir süreç anlamına geliyor. Görüntülemenin daha hızlı bir yolu, daha geniş bir görüş alanı kullanarak birden fazla noktayı aynı anda aydınlatmak olabilir ancak bunun da dezavantajları vardı.
Wadduwage, “Aynı anda birden fazla noktayı harekete geçirirseniz bunları çözemezsiniz” dedi. “Dışarı çıktığında tüm ışık dağılır ve nereden geldiğini bilemezsiniz.”
Bu zorluğun üstesinden gelmek için Wadduwage'in grubu, 2021'de Science Advances'te açıklanan özel bir mikroskopi türünü kullanmaya başladı. Ekip, önceden kodlanmış farklı uyarım modellerini kullanarak dokudaki birden fazla noktayı geniş alan modunda uyardı. Uyarma Desenlemeyle Saçılmayı Giderme veya DEEP olarak adlandırılan bu teknik, hesaplamalı bir algoritmanın yardımıyla çalışır.
Wadduwage, “Buradaki fikir, heyecanlandırmak için birden fazla uyarı kodu veya birden fazla desen kullanmamız ve birden fazla görüntüyü tespit etmemizdir” dedi. “Daha sonra uyarılma modelleri ve tespit edilen görüntüler hakkındaki bilgileri kullanabilir ve hesaplamalı olarak temiz bir görüntüyü yeniden oluşturabiliriz.”
Sonuçlar, nokta taramalı iki foton mikroskobuyla üretilen görüntülerle kalite açısından karşılaştırılabilir. Ancak nokta tarama için genellikle ihtiyaç duyulan yüzbinlerce görüntü yerine yalnızca yüzlerce görüntüyle üretilebilirler. Yeni teknikle Wadduwage'in grubu, canlı fare beyinlerinin 300 mikron derinliğine kadar bakmayı başardı.
Hala yeterince iyi değil. Wadduwage şunu merak etti: DEEP yalnızca onlarca görüntüyle net bir görüntü üretebilir mi?
Light: Science and Applications dergisinde yayınlanan yakın tarihli bir makalesinde, görüntüleme tekniğini daha da hızlı hale getirmek için makine öğrenimine yöneldi. O ve ortak yazarları, birden fazla görüntü kümesi üzerinde sinir ağı odaklı bir algoritmayı eğitmek için yapay zekayı kullandılar ve sonunda ona yalnızca 32 dağınık görüntüyle (ilk makalelerinde bildirilen 256 görüntü yerine) mükemmel şekilde çözümlenmiş bir görüntüyü yeniden oluşturmayı öğrettiler. Yeni yönteme DEEP-squared adını verdiler: Derin öğrenme, uyarım desenlemeyle saçılma gidermeyi güçlendirdi.
Ekip, Wadduwage'ın “temel gerçek” dediği şeyi sağlayan, tipik iki fotonlu nokta taramalı mikroskopla üretilen görüntüleri aldı. DEEP mikroskobu daha sonra görüntü oluşum sürecinin hesaplamalı bir modelini oluşturmak ve dağınık girdi görüntülerini simüle etmek için fiziği kullandı. Bunlar DEEP kareli yapay zeka modellerini eğitti. Yapay zeka, Wadduwage'in temel gerçeklik referansına benzeyen yeniden yapılandırılmış görüntüler ürettiğinde, araştırmacılar bunu bir fare beynindeki kan damarlarının yeni görüntülerini yakalamak için kullandılar.
Wadduwage, “Bu adım adım ilerleyen bir süreç gibi” dedi. “İlk makalede optik tarafında çalıştık ve iyi bir çalışma durumuna ulaştık, ikinci makalede ise algoritma tarafında çalıştık ve sınırları sonuna kadar zorlamaya ve sınırları anlamaya çalıştık. Artık elde ettiğimiz mevcut verilerle muhtemelen yapabileceğimiz en iyi şeyin bu olduğunu daha iyi anlıyoruz.”
Yine de Wadduwage'in, verileri daha hızlı elde etmek için cihaz tasarımını geliştirmek de dahil olmak üzere DEEP-squared'in yeteneklerini artırmak için daha fazla fikri var. DEEP-squared'in, teknolojide gelecekte yapılacak yenilikler gibi disiplinler arası işbirliğine örnek teşkil ettiğini söyledi.
“Hayvan deneylerini yapan biyologlar, optikleri geliştiren fizikçiler ve algoritmaları geliştiren bilgisayar bilimcilerinin hepsi tek bir çözüm oluşturmak için bir araya geldi” dedi.
Daha derine dalın ve karesini alın. En azından FAS İleri Görüntüleme Merkezi'nde John Bilim Seçkin Bilim Üyesi Dushan Wadduwage tarafından kullanılan çözüm buydu.
Bilim insanları, yaşayan bir beynin derinliklerini görüntülemek için onlarca yıldır çalışıyorlar. İlk önce floresan moleküllere ve ışığa dayanan asırlık bir teknik olan floresan mikroskopisini denediler. Ancak dalga boyları yeterince uzun değildi ve kayda değer bir mesafeye ulaşamadan dağıldılar.
1990 yılında iki foton mikroskobunun icadı, dokuya daha uzun dalga boylarında ışık parıltısı getirerek floresan moleküllerin bir değil iki fotonu absorbe etmesine neden oldu. Molekülleri uyarmak için kullanılan daha uzun dalga boyları daha az saçılıyor ve daha uzağa nüfuz edebiliyordu.
Ancak iki fotonlu mikroskopi tipik olarak doku üzerinde aynı anda yalnızca bir noktayı uyarabiliyor; bu da birçok ölçüm gerektiren uzun bir süreç anlamına geliyor. Görüntülemenin daha hızlı bir yolu, daha geniş bir görüş alanı kullanarak birden fazla noktayı aynı anda aydınlatmak olabilir ancak bunun da dezavantajları vardı.
Wadduwage, “Aynı anda birden fazla noktayı harekete geçirirseniz bunları çözemezsiniz” dedi. “Dışarı çıktığında tüm ışık dağılır ve nereden geldiğini bilemezsiniz.”
Bu zorluğun üstesinden gelmek için Wadduwage'in grubu, 2021'de Science Advances'te açıklanan özel bir mikroskopi türünü kullanmaya başladı. Ekip, önceden kodlanmış farklı uyarım modellerini kullanarak dokudaki birden fazla noktayı geniş alan modunda uyardı. Uyarma Desenlemeyle Saçılmayı Giderme veya DEEP olarak adlandırılan bu teknik, hesaplamalı bir algoritmanın yardımıyla çalışır.
Wadduwage, “Buradaki fikir, heyecanlandırmak için birden fazla uyarı kodu veya birden fazla desen kullanmamız ve birden fazla görüntüyü tespit etmemizdir” dedi. “Daha sonra uyarılma modelleri ve tespit edilen görüntüler hakkındaki bilgileri kullanabilir ve hesaplamalı olarak temiz bir görüntüyü yeniden oluşturabiliriz.”
Sonuçlar, nokta taramalı iki foton mikroskobuyla üretilen görüntülerle kalite açısından karşılaştırılabilir. Ancak nokta tarama için genellikle ihtiyaç duyulan yüzbinlerce görüntü yerine yalnızca yüzlerce görüntüyle üretilebilirler. Yeni teknikle Wadduwage'in grubu, canlı fare beyinlerinin 300 mikron derinliğine kadar bakmayı başardı.
Hala yeterince iyi değil. Wadduwage şunu merak etti: DEEP yalnızca onlarca görüntüyle net bir görüntü üretebilir mi?
Light: Science and Applications dergisinde yayınlanan yakın tarihli bir makalesinde, görüntüleme tekniğini daha da hızlı hale getirmek için makine öğrenimine yöneldi. O ve ortak yazarları, birden fazla görüntü kümesi üzerinde sinir ağı odaklı bir algoritmayı eğitmek için yapay zekayı kullandılar ve sonunda ona yalnızca 32 dağınık görüntüyle (ilk makalelerinde bildirilen 256 görüntü yerine) mükemmel şekilde çözümlenmiş bir görüntüyü yeniden oluşturmayı öğrettiler. Yeni yönteme DEEP-squared adını verdiler: Derin öğrenme, uyarım desenlemeyle saçılma gidermeyi güçlendirdi.
Ekip, Wadduwage'ın “temel gerçek” dediği şeyi sağlayan, tipik iki fotonlu nokta taramalı mikroskopla üretilen görüntüleri aldı. DEEP mikroskobu daha sonra görüntü oluşum sürecinin hesaplamalı bir modelini oluşturmak ve dağınık girdi görüntülerini simüle etmek için fiziği kullandı. Bunlar DEEP kareli yapay zeka modellerini eğitti. Yapay zeka, Wadduwage'in temel gerçeklik referansına benzeyen yeniden yapılandırılmış görüntüler ürettiğinde, araştırmacılar bunu bir fare beynindeki kan damarlarının yeni görüntülerini yakalamak için kullandılar.
Wadduwage, “Bu adım adım ilerleyen bir süreç gibi” dedi. “İlk makalede optik tarafında çalıştık ve iyi bir çalışma durumuna ulaştık, ikinci makalede ise algoritma tarafında çalıştık ve sınırları sonuna kadar zorlamaya ve sınırları anlamaya çalıştık. Artık elde ettiğimiz mevcut verilerle muhtemelen yapabileceğimiz en iyi şeyin bu olduğunu daha iyi anlıyoruz.”
Yine de Wadduwage'in, verileri daha hızlı elde etmek için cihaz tasarımını geliştirmek de dahil olmak üzere DEEP-squared'in yeteneklerini artırmak için daha fazla fikri var. DEEP-squared'in, teknolojide gelecekte yapılacak yenilikler gibi disiplinler arası işbirliğine örnek teşkil ettiğini söyledi.
“Hayvan deneylerini yapan biyologlar, optikleri geliştiren fizikçiler ve algoritmaları geliştiren bilgisayar bilimcilerinin hepsi tek bir çözüm oluşturmak için bir araya geldi” dedi.