Phát hiện của họ đã được công bố ngày 16 tháng 9 trên tạp chí Nature Machine Intelligence. Các nhà nghiên cứu đã đào tạo mô hình trên tập hợp các hình ảnh kỹ thuật số để có được biểu diễn liên tục của mô hình 3D. Sau đó, họ có thể hiển thị nó theo bất kỳ cách nào mình muốn. Lấy ví dụ, có thể phóng to một cách mượt mà và không có hiện tượng nhòe ảnh (pixelation).

Chìa khóa của nghiên cứu này là việc sử dụng mạng nơ-ron nhân tạo, một loại hệ thống học máy giúp học cách ánh xạ từ tọa độ không gian đến các đại lượng vật lý tương ứng. Khi quá trình đào tạo hoàn tất, các nhà nghiên cứu có thể chỉ đến bất kỳ tọa độ nào và mô hình có thể cung cấp giá trị hình ảnh tại vị trí đó.

Một điểm mạnh đặc biệt của mạng nơ-ron nhân tạo là chúng không cần phải được đào tạo từ lượng dữ liệu rất lớn tương tự. Thay vào đó, miễn là có đủ số lượng hình ảnh 2D của mẫu, mạng có thể thể hiện toàn bộ mẫu, từ trong ra ngoài.

Hình ảnh được sử dụng để huấn luyện mạng cũng giống như bất kỳ hình ảnh hiển vi nào khác. Về bản chất, một tế bào được chiếu sáng từ bên dưới, ánh sáng truyền qua nó và được chụp lại ở phía bên kia, tạo ra một hình ảnh.

Bởi vì các nhà khoa học có một số hình ảnh về tế bào, họ có thể sử dụng những hình ảnh đó để huấn luyện mô hình. Điều này được thực hiện bằng cách cung cấp cho mô hình thông tin về một điểm trong mẫu nơi hình ảnh chụp được một số cấu trúc bên trong của tế bào.

Sau đó, mạng thực hiện tạo lại cấu trúc đó. Nếu đầu ra sai, mạng sẽ được tinh chỉnh. Nếu nó chính xác, con đường đó được củng cố. Sau khi các dự đoán khớp với các phép đo trong thế giới thực, mạng sẽ điền vào các phần của tế bào không được chụp bởi hình ảnh 2D ban đầu.

Giờ đây, mô hình chứa thông tin đầy đủ của tế bào - không cần phải lưu tệp hình ảnh dữ liệu vì nó luôn có thể được tạo lại bằng mạng nơ-ron nhân tạo.

Đây không chỉ là một mô hình dễ lưu trữ, đại diện thực của tế bào, mà theo nhiều cách, nó còn hữu ích hơn so với thực tế. Các nhà nghiên cứu có thể đưa bất kỳ tọa độ nào vào và tạo ra chế độ xem ở đó. Hoặc họ có thể tạo các chế độ xem hoàn toàn mới từ các góc độ khác nhau. Có thể sử dụng mô hình để quay một tế bào hoặc phóng to để xem kỹ hơn, sử dụng mô hình để làm các nhiệm vụ số khác hoặc thậm chí đưa nó vào một thuật toán khác. Chi tiết tham khảo tại:

Renhao Liu, Yu Sun, Jiabei Zhu, Lei Tian, Ulugbek S. Kamilov. Recovery of continuous 3D refractive index maps from discrete intensity-only measurements using neural fields. Nature Machine Intelligence, 2022; DOI: 10.1038/s42256-022-00530-3

(Sưu tầm)
VIỆN IMC
Tòa nhà IMC Tower, Số 176 Trường Chinh, Phường Khương
Thượng, Quận Đống Đa, Thành phố Hà Nội, Việt Nam
Tel/Fax : (+84) 24 3566 6232 / 24 3566 6234
Email: contact@imc.org.vn   Website: https://imc.org.vn