با تلاش پژوهشگران آمریكایی صورت می گیرد
تحلیل سریع تر تصویر با كمك یادگیری عمیق
اسمارت كاور: پژوهشگران آمریكایی در بررسی جدید خود كوشیده اند تا با كمك یادگیری عمیق، سرعت تحلیل تصاویر را بالا برند.
به گزارش اسمارت کاور به نقل از ایسنا و به نقل از ساینس دیلی، یک تصویر می تواند به اندازه هزاران کلمه ارزش داشته باشد اما این تنها هنگامی امکان دارد که مشخص باشد چه چیزی را توصیف می کند. باآنکه میکروسکوپ های جدید می توانند طی چند ثانیه، داده های تصویری بسیاری را از سلول ها یا بافت های زنده به دست بیاورند اما استخراج اطلاعات زیستی معنادار از این داده ها، ساعت ها یا حتی هفته ها زمان می برد.
گروهی از پژوهشگران "آزمایشگاه زیست شناسی دریایی"(MBL) وابسته به "دانشگاه شیکاگو"(UChicago) برای مرتفع ساختن این مشکل، از یادگیری عمیق و دیگر روش های محاسباتی بهره برده اند تا زمان تحلیل تصویر را به صورت قابل توجهی کاهش دهند.
"هری شروف"(Hari Shroff)، سرپرست این پژوهش و همکارانش توانستند سرعت تحلیل تصویر را طی سه مرحله بالا برند.
داده های تصویری میکروسکوپ معمولا تار می شوند. در مرحله نخست، پژوهشگران برای کاهش میزان تار شدن تصویر، از یک روند تحلیلی استفاده کردند که طی آن، کامپیوتر بین تصویر تار و برآوردی از جسم واقعی موجود در تصویر حرکت می کند تا بهترین ارزیابی را در مورد جسم واقعی عرضه نماید.
شروف و همکارانش با تنظیم الگوریتم کلاسیک تجزیه و تحلیل، سرعت ارزیابی را تا بیشتر از ۱۰ برابر افزایش دادند.
شروف در اینباره اظهار داشت: این الگوریتم بهبود یافته می تواند کارآیی گسترده ای داشته باشد و حدودا در همه میکروسکوپ های فلوئورسانس به کار برود.
پژوهشگران در دومین مرحله تلاش کردند تا مشکل ثبت سه بعدی را حل کنند. ثبت سه بعدی معمولا با هم ردیف کردن و تلفیق چندین تصویر از یک جسم در زوایای گوناگون انجام می شود. پژوهشگران چندین روش را برای بهبود ثبت سه بعدی به کار گرفتند که یکی از آنها استفاده از "واحد پردازش گرافیکی"(GPU) بود.
شروف افزود: به نظر می آید که ثبت پایگاه داده های بزرگ، زمان بیشتری نسبت به زمان تحلیل آنها نیاز دارد.
وی ادامه داد: پیشرفت های ما در ثبت سه بعدی و تجزیه و تحلیل به این معناست که تحلیل تصویر با کمک داده های موجود در کارت گرافیکی می تواند با سرعت صورت گیرد. ما برای پایگاه داده های بزرگتر، راهی یافته ایم که می تواند داده ها را به صورت کارآمد ثبت کند تا به واحد پردازش گرافیکی منتقل و سپس به یکدیگر متصل شوند. اگر بخواهیم از بافت بزرگتری تصویربرداری نماییم، این کار بسیار مهم خواهد بود. برای مثال، اگر قصد تصویربرداری از یک حیوان دریایی را داشته باشیم و یا بخواهیم یک اندام را به صورت واضح زیر میکروسکوپ ببینیم، این روش به ما کمک خواهد نمود.
پژوهشگران در مرحله سوم، از یادگیری عمیق برای تحلیل پیشرفته استفاده کردند تا بتوانند تحلیل پایگاه داده ها را بهبود ببخشند. آنها کامپیوتر را آموزش دادند تا رابطه میان داده های تصویر تار ورودی و تصویر واضح خروجی را تشخیص دهد.
شروف اظهار داشت: این روش، عملکرد بسیار خوبی داشت. شبکه عصبی آموزش داده شده توانست نتایج تحلیلی را بسیار سریع تحلیل کند.
وی ادامه داد: هنگامی که شبکه عصبی را برای تشخیص یک نوع تصویر مثلا تصویر یک سلول آموزش می دهیم، می تواند تصاویری مانند آنرا به خوبی تحلیل کند اما اگر تصویر کمی متفاوت باشد، داده های دیگری عرضه می دهد. فریب دادن یک شبکه عصبی، بسیار ساده است. یک بخش فعال پژوهش ما، ایجاد شبکه های عصبی است که با روش کلی تری کار می کند.
این پژوهش، در مجله "Nature Biotechnology" به چاپ رسید.
مطلب را می پسندید؟
(1)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب