Ускоренная обработка делает передовую флуоресцентную микроскопию более доступной

Ученые разработали новые методы обработки изображений для микроскопов, которые могут сократить время постобработки вплоть до нескольких тысяч раз. Исследователи из Национальных институтов здравоохранения (NIH) работали совместно с коллегами из Чикагского университета и Чжэцзянского университета (Китай).

В статье, опубликованной в Nature Biotechnology, Хари Шрофф, доктор философии, руководитель лаборатории высокоразрешающей оптической визуализации в Национальном институте биомедицинской визуализации и биоинженерии (NIBIB), описывает новые методы, которые могут значительно сократить время, необходимое для обработки высокосложных изображений, создаваемых самыми передовыми микроскопами. Такие микроскопы часто используются для съемки движения клеток крови и мозга у рыб, визуализации нейронного развития эмбрионов червей и определения отдельных органелл в целых органах.

По мере того как микроскопы становятся лучше, создавая изображения с более высоким разрешением и быстрее, исследователи обнаруживают, что данных у них больше, чем времени на их обработку. Хотя сами видео можно записать за минуты, изображения могут иметь размер в терабайты и требовать недель или, в некоторых случаях, месяцев времени на обработку, чтобы стать пригодными для использования.

Одна из причин такой длительности — частое захватывание микроскопом крошечных объектов, которые оказываются размытыми. Такое размытие можно уменьшить с помощью процедуры деконволюции, но эта процедура требует больших вычислительных мощностей и времени.

Вторая проблема заключается в том, что многие современные микроскопы делают несколько снимков одного и того же организма или клетки. Эти изображения необходимо правильно позиционировать, а затем объединять для создания 3D-изображений и видео. Создание изображений высокого разрешения из необработанных данных требует значительных вычислительных ресурсов. И хотя микроскопы развиваются, предоставляя исследователям все более сложные изображения высокого разрешения, вычислительная мощность ограничивает практичность использования некоторых техник — поскольку ученые знают, что большая часть собранных данных останется неиспользованной.

Первое, что попытались сделать лаборатория Шроффа и его коллеги, — модифицировать алгоритм деконволюции, используемый многими исследователями, чтобы он работал быстрее. Этот подход изначально был предложен для других областей медицинской визуализации, таких как компьютерная томография (КТ), однако впервые его успешно адаптировали для использования в флуоресцентной микроскопии. Флуоресцентная микроскопия использует красители для улучшения контраста образца, позволяя исследователям фокусироваться на конкретных частях образца и видеть, как разные элементы взаимодействуют друг с другом.

Во-вторых, они сократили время, необходимое для позиционирования и «сшивания» нескольких снимков образца. Ключевой частью этого достижения стала опора на процесс, называемый параллелизацией. Это подход, иногда используемый в суперкомпьютерах, когда вместо последовательной обработки каждой отдельной функции работа разбивается на более мелкие задачи, которые можно анализировать одновременно. Это как попросить тысячи людей одновременно решить по одной математической задаче вместо того, чтобы просить одного человека решить тысячи задач.

Наконец, исследователи показали, что могут еще больше сократить время обработки данных, используя нейронную сеть — вид искусственного интеллекта (ИИ). ИИ все чаще используется для помощи в обработке изображений и диагностике. В данном случае Шрофф и его команда обучили нейронную сеть создавать более четкие и высококачественные изображения гораздо быстрее, чем это было бы возможно иначе.

«Получение современных данных визуализации немного похоже на питье из пожарного шланга», — сказал Шрофф. — «Эти методы помогают нам быстрее получать ценную биологическую информацию, что крайне важно, учитывая огромный объем данных, которые могут генерировать эти микроскопы».

Эти достижения расширяют возможности использования существующих технологий, включая визуализацию толстых образцов, которые при исследовании с помощью флуоресцентных микроскопов производят огромные объемы данных изображений. Эти достижения также необходимы для использования растущего числа «вычислительных микроскопов», в которых постобработка нечитаемых исходных данных является важным шагом для получения окончательного изображения высокого разрешения. Шрофф и его коллеги надеются, что их работа поможет исследователям применять подходы, которые они раньше не решались пробовать из-за высокой трудоемкости создания осмысленных изображений.