Un nouvel outil supprime les artefacts de mouvement

L'imagerie d'échantillons microscopiques nécessite la capture de plusieurs mesures séquentielles, puis l'utilisation d'algorithmes informatiques pour reconstruire une image unique à haute résolution. Ce processus peut bien fonctionner lorsque l'échantillon est statique, mais s'il bouge, comme c'est souvent le cas avec les spécimens biologiques vivants, l'image finale peut être floue ou déformée.

Aujourd'hui, les chercheurs de Berkeley ont développé une méthode permettant d'améliorer la résolution temporelle de ces échantillons dynamiques. Dans une étude publiée dans Méthodes naturellesils présentent un nouvel outil d'imagerie informatique, baptisé modèle espace-temps neuronal (NSTM), qui utilise un petit réseau neuronal léger pour réduire les artefacts de mouvement et résoudre les trajectoires de mouvement.

« Le défi de l'imagerie d'échantillons dynamiques est que l'algorithme de reconstruction suppose une scène statique », a déclaré l'auteur principal Ruiming Cao, titulaire d'un doctorat. étudiant en bioingénierie.

« NSTM étend ces méthodes de calcul aux scènes dynamiques en modélisant et en reconstruisant le mouvement à chaque instant. Cela réduit les artefacts causés par la dynamique du mouvement et nous permet de voir ces changements ultra-rapides au sein d'un échantillon. »

Selon les chercheurs, NSTM peut être intégré aux systèmes existants sans nécessiter de matériel supplémentaire coûteux. Et c'est très efficace. « Il a été démontré que NSTM apporte une amélioration d'un ordre de grandeur de la résolution temporelle », a déclaré Cao.

L’outil open source permet également au processus de reconstruction de fonctionner sur une échelle de temps plus fine. Par exemple, le processus informatique de reconstruction d’imagerie peut impliquer la capture d’environ 10 ou 20 images pour reconstruire une seule image super-résolue.

Mais en utilisant des réseaux neuronaux, NSTM peut modéliser la façon dont l'objet change au cours de ces 10 ou 20 images, permettant aux scientifiques de reconstruire une image super-résolue sur l'échelle de temps d'une image plutôt que toutes les 10 ou 20 images.

« Fondamentalement, nous utilisons un réseau neuronal pour modéliser la dynamique de l'échantillon dans le temps, afin de pouvoir le reconstruire à des échelles de temps plus rapides », a déclaré Laura Waller, chercheuse principale de l'étude et professeur de génie électrique et d'informatique. « C'est extrêmement puissant car vous pouvez améliorer vos échelles de temps d'un facteur 10 ou plus, en fonction du nombre d'images que vous utilisiez initialement. »

NSTM utilise l'apprentissage automatique mais ne nécessite aucune pré-formation ni données préalables. Cela simplifie la configuration et empêche l’introduction potentielle de biais via les données d’entraînement. Les seules données utilisées par le modèle sont les mesures réelles qu'il a capturées.

Dans l’étude, NSTM a montré des résultats prometteurs dans trois applications différentes de microscopie et de photographie : la microscopie à contraste de phase différentielle, la microscopie à éclairage structuré 3D et la DiffuserCam à obturateur roulant.

Mais, selon Waller, « ce ne sont en réalité que la pointe de l'iceberg ». NSTM pourrait potentiellement être utilisé pour améliorer toute méthode d’imagerie informatique multi-prises, élargissant ainsi sa gamme d’applications scientifiques, en particulier dans les sciences biologiques.

« C'est juste un modèle, vous pouvez donc l'appliquer à n'importe quel problème informatique inverse avec des scènes dynamiques. Il pourrait être utilisé en tomographie, comme la tomodensitométrie, l'IRM ou d'autres méthodes de super-résolution », a-t-elle déclaré. « Les méthodes au microscope à balayage pourraient également bénéficier du NSTM. »

Les chercheurs envisagent que NSTM soit un jour intégré aux systèmes d’imagerie disponibles dans le commerce, un peu comme une mise à niveau logicielle. En attendant, Cao et d’autres s’efforceront d’affiner davantage l’outil.

« Nous essayons simplement de repousser les limites de ces dynamiques très rapides », a-t-il déclaré.