Khi phóng to các bức ảnh đã chụp đến một mức độ nào đó, đặc biệt là những bức được chụp trong điều kiện ánh sáng yếu, chúng ta thường gặp phải vấn đề là chi tiết hình ảnh trở nên quá mờ, lẫn trong nhiễu và hầu như không thể phân biệt được.

Trong một nghiên cứu mới công bố trên tạp chí Nature Machine Intelligence, các nhà nghiên cứu tại Đại học Texas A&M đã đưa ra một thuật toán có thể giải quyết vấn đề nêu trên.

Không giống như các thuật toán làm giảm nhiễu khác chỉ có thể sử dụng thông tin đến từ một mảng pixel nhỏ trong hình ảnh có độ phân giải thấp, thuật toán thông minh được đưa ra có thể xác định các mẫu pixel trải rộng trên toàn bộ hình ảnh nhiễu, giúp tăng hiệu quả xử lý nhiễu.

Thay vì chỉ dựa vào phần cứng của kính hiển vi để cải thiện độ phân giải của hình ảnh, một kỹ thuật được gọi là kính hiển vi tăng cường sử dụng kết hợp phần mềm và phần cứng để nâng cao chất lượng hình ảnh. Ở đây, một hình ảnh thông thường được chụp trên kính hiển vi được chồng lên một hình ảnh kỹ thuật số do máy tính tạo ra. Phương pháp xử lý hình ảnh này hứa hẹn không chỉ cắt giảm chi phí mà còn tự động hóa việc phân tích hình ảnh y tế và tiết lộ các chi tiết mà mắt thường khó thấy được.

Hiện tại, một loại phần mềm dựa trên thuật toán machine learning được gọi là deep learning đã được chứng minh là có hiệu quả trong việc loại bỏ độ mờ hoặc nhiễu trong hình ảnh. Các thuật toán này có thể được hình dung như nhiều lớp các bước xử lý hình ảnh đầu vào có độ phân giải thấp được kết nối với nhau và tạo ra hình ảnh đầu ra có độ phân giải cao.

Trong các kỹ thuật xử lý hình ảnh dựa trên deep learning thông thường, số lượng và mạng lưới giữa các lớp quyết định có bao nhiêu pixel trong hình ảnh đầu vào đóng góp vào giá trị của một pixel trong hình ảnh đầu ra. Giá trị này là không thay đổi sau khi thuật toán deep learning đã được đào tạo và sẵn sàng khử nhiễu hình ảnh mới. Tuy nhiên, việc cố định số lượng pixel đầu vào, về mặt kỹ thuật được gọi là trường tiếp nhận, sẽ hạn chế hiệu suất của thuật toán.

Để vượt qua rào cản này, các nhà nghiên cứu đã phát triển một thuật toán deep learning khác có thể thay đổi kích thước của trường tiếp nhận một cách linh hoạt. Nói cách khác, không giống như các thuật toán trước đó chỉ có thể tổng hợp thông tin từ một số lượng nhỏ pixel, thuật toán mới có thể tổng hợp thông tin từ một khu vực lớn hơn của hình ảnh nếu cần thiết. Thuật toán này yêu cầu ít dữ liệu đào tạo hơn và có thể khử nhiễu hình ảnh tốt hơn các thuật toán deep learning khác. Chi tiết tham khảo tại:

Zhengyang Wang, Yaochen Xie, Shuiwang Ji. Global voxel transformer networks for augmented microscopy. Nature Machine Intelligence, 2021; DOI: 10.1038/s42256-020-00283-x.

(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: http://imc.org.vn