تحلیل سریع‌تر تصویر با کمک یادگیری عمیق

ايسنا/ پژوهشگران آمريکايي در بررسي جديد خود تلاش کرده‌اند تا با کمک يادگيري عميق، سرعت تحليل تصاوير را افزايش دهند. يک تصوير مي‌تواند به اندازه هزاران کلمه ارزش داشته باشد اما اين تنها هنگامي ممکن است که مشخص باشد چه چيزي را توصيف مي‌کند. اگرچه ميکروسکوپ‌هاي جديد مي‌توانند طي چند ثانيه، داده‌هاي تصويري بسياري را از سلول‌ها يا بافت‌هاي زنده به دست بياورند اما استخراج اطلاعات زيستي معنادار از اين داده‌ها، ساعت‌ها يا حتي هفته‌ها زمان مي‌برد. گروهي از پژوهشگران "آزمايشگاه زيست شناسي دريايي"(MBL) وابسته به "دانشگاه شيکاگو"(UChicago) براي برطرف کردن اين مشکل، از يادگيري عميق و ديگر روش‌هاي محاسباتي استفاده کرده‌اند تا زمان تحليل تصوير را به صورت قابل توجهي کاهش دهند. "هري شروف"(Hari Shroff)، سرپرست اين پژوهش و همکارانش توانستند سرعت تحليل تصوير را طي سه مرحله افزايش دهند. داده‌هاي تصويري ميکروسکوپ معمولا تار مي‌شوند. در مرحله نخست، پژوهشگران براي کاهش ميزان تار شدن تصوير، از يک روند تحليلي استفاده کردند که طي آن، رايانه بين تصوير تار و برآوردي از جسم واقعي موجود در تصوير حرکت مي‌کند تا بهترين ارزيابي را در مورد جسم واقعي ارائه دهد. شروف و همکارانش با تنظيم الگوريتم کلاسيک تجزيه و تحليل، سرعت ارزيابي را تا بيش از ۱۰ برابر افزايش دادند. شروف در اين باره گفت: اين الگوريتم بهبود يافته مي‌تواند کارآيي گسترده‌اي داشته باشد و تقريبا در همه ميکروسکوپ‌هاي فلوئورسانس به کار برود. پژوهشگران در دومين مرحله تلاش کردند تا مشکل ثبت سه‌بعدي را حل کنند. ثبت سه‌بعدي معمولا با هم‌رديف کردن و تلفيق چندين تصوير از يک جسم در زواياي گوناگون انجام مي‌شود. پژوهشگران چندين روش را براي بهبود ثبت سه‌بعدي به کار گرفتند که يکي از آنها استفاده از "واحد پردازش گرافيکي"(GPU) بود. شروف ادامه داد: به نظر مي‌رسد که ثبت پايگاه داده‌هاي بزرگ، زمان بيشتري نسبت به زمان تحليل آنها نياز دارد. وي افزود: پيشرفت‌هاي ما در ثبت سه‌بعدي و تجزيه و تحليل به اين معناست که تحليل تصوير با کمک داده‌هاي موجود در کارت گرافيکي مي‌تواند با سرعت انجام شود. ما براي پايگاه داده‌هاي بزرگتر، راهي يافته‌ايم که مي‌تواند داده‌ها را به صورت کارآمد ثبت کند تا به واحد پردازش گرافيکي منتقل و سپس به يکديگر متصل شوند. اگر بخواهيم از بافت بزرگتري تصويربرداري کنيم، اين کار بسيار مهم خواهد بود. براي مثال، اگر قصد تصويربرداري از يک حيوان دريايي را داشته باشيم و يا بخواهيم يک اندام را به صورت واضح زير ميکروسکوپ ببينيم، اين روش به ما کمک خواهد کرد. پژوهشگران در مرحله سوم، از يادگيري عميق براي تحليل پيشرفته استفاده کردند تا بتوانند تحليل پايگاه داده‌ها را بهبود ببخشند. آنها رايانه را آموزش دادند تا رابطه ميان داده‌هاي تصوير تار ورودي و تصوير واضح خروجي را تشخيص دهد. شروف گفت: اين روش، عملکرد بسيار خوبي داشت. شبکه عصبي آموزش داده شده توانست نتايج تحليلي را بسيار سريع تحليل کند. وي افزود: هنگامي که شبکه عصبي را براي تشخيص يک نوع تصوير مثلا تصوير يک سلول آموزش مي‌دهيم، مي‌تواند تصاويري مانند آن را به خوبي تحليل کند اما اگر تصوير کمي متفاوت باشد، داده‌هاي ديگري ارائه مي‌دهد. فريب دادن يک شبکه عصبي، بسيار ساده است. يک بخش فعال پژوهش ما، ايجاد شبکه‌هاي عصبي است که با روش کلي‌تري کار مي‌کند. اين پژوهش، در مجله "Nature Biotechnology" به چاپ رسيد.

به پيج اينستاگرامي «آخرين خبر» بپيونديد

instagram.com/akharinkhabar