ИИ реконструирует микроскопические трехмерные миры с помощью электронной микроскопии

Корейский научно-исследовательский институт стандартов и науки (KRISS) разработал алгоритм сегментации изображений на основе искусственного интеллекта (ИИ), который может быстро реконструировать трехмерные (3D) структуры из двумерных (2D) изображений поперечного сечения биологических образцов, полученных с помощью сканирующего электронного микроскопа (SEM).

Недавно разработанный алгоритм требует ручного анализа только около 10% всех данных изображения, после чего он автоматически маркирует оставшиеся данные для обучения ИИ. Обученный ИИ автоматически выполняет сегментацию, а результаты реконструируются в 3D.

Это исследование опубликовано в Микроскопия и микроанализ.

По сравнению с традиционными методами, когда исследователям приходилось вручную анализировать каждое изображение поперечного сечения, новый подход сокращает время и затраты, необходимые для 3D-визуализации, более чем вдвое, значительно повышая эффективность исследований.

СЭМ захватывает серию изображений поперечного сечения образца с интервалом в несколько десятков нанометров и реконструирует их в трехмерную структуру. Поскольку он позволяет наблюдать с высоким разрешением тонкие внутренние клеточные структуры, СЭМ широко используется в биологических исследованиях и медицинской диагностике.

Сегментация изображения — это этап предварительной обработки, необходимый для восстановления трехмерных структур на основе изображений SEM. Он включает в себя определение точного положения и формы конкретных структур, таких как ядра клеток и митохондрии, на каждом изображении поперечного сечения. Отфильтровывая ненужную информацию и четко выделяя только целевые структуры, сегментация изображения обеспечивает точную трехмерную реконструкцию.

Традиционно сегментация изображений основывалась на контролируемом подходе к обучению, при котором эксперты вручную исследовали сотни или даже тысячи изображений поперечного сечения и вручную аннотировали целевые структуры. Однако этот процесс требовал значительного времени и рабочей силы, а на результаты часто влияли субъективные суждения и человеческая ошибкачто затрудняет обеспечение согласованности и надежности окончательных 3D-реконструкций.

Чтобы решить эту проблему, группа новых исследовательских инструментов в KRISS разработала алгоритм, основанный на полуконтролируемом обучении, который использует периодически помеченные изображения в качестве контрольных точек для автоматического аннотирования соседних сечений.

Например, если имеется 100 поперечных изображений SEM, исследователи вручную маркируют каждое десятое изображение, а алгоритм автоматически выполняет маркировку для оставшихся 90 изображений, завершая полный анализ набора данных. Этот подход значительно сокращает время и затраты, необходимые для подготовки наборов данных для трехмерной реконструкции структуры на основе искусственного интеллекта.

В тестах производительности с использованием данных клеток мозга мышей алгоритм, разработанный исследовательской группой KRISS, продемонстрировал уровни точности в пределах 3% от тех, которые достигаются традиционными методами, при этом сокращая необходимое время и стоимость анализа примерно на одну восьмую. Даже применительно к крупномасштабным данным с разрешением 4096 × 6144 пикселей алгоритм поддерживал как высокую точность, так и скорость обработки, демонстрируя стабильную производительность во всем.

Старший научный сотрудник Юн Даль Дже из группы новых исследовательских инструментов KRISS заявил: «Разработанная нами технология может применяться не только в биологические науки но и в широком спектре областей, требующих автоматизации. анализ изображенийтакие как проверка дефектов полупроводников и разработка новых материалов. В частности, это может быть очень полезно в тех областях, где сложно получить данные для обучения ИИ из-за проблем конфиденциальности или бюджетных ограничений».