Interpretare il rumore delle immagini per rimuovere gli artefatti

Le immagini digitali sono composte da elementi minuscoli noti come “pixel”, caratterizzati da una deteminata posizione, colore e luminosità all’interno dell’immagine. Variazioni casuali del colore o della luminosità dei pixel sono definiti come “rumore” dell’immagine. Il denoising – ovvero il processo attraverso il quale il rumore viene rimosso dall’immagine – è essenziale per mantenere quanto più possibile i dettagli di un’immagine.

I metodi di apprendimento automatico basati su reti neurali artificiali che consentono a un computer di apprendere dall’ osservazione di dati sono ampiamente utilizzati per il denoising delle immagini e la rimozione degli artefatti. Tuttavia, il training di tali reti può risultare difficile a causa della mancanza di immagini di riferimento, limitando di conseguenza l’applicabilità di tali metodi di denoising.

Florian Jug ed il suo team presso il Centro di Biologia Computazionale di HT hanno trovato il modo per aggirare questo problema grazie allo sviluppo di uno strumento di denoising per le immagini di microscopia basato su un metodo non supervisionato che può essere allenato utilizzando solo immagini rumorose. Il progetto è stato portato avanti in collaborazione con ricercatori di Google e i risultati sono stati pubblicati alla International Conference on Learning Representations (ICRL) 2022, un appuntamento di alto livello per la ricerca nel campo dell’apprendimento automatico.

Facendo leva su un metodo di denoising precedentemente pubblicato (DivNoising o DN), il team ora descrive Hierarchical DivNoising (HDN), uno strumento di denoising della diversità non supervisionato che è ancora facile da allenare e fornisce i migliori risultati tra i metodi disponibili. I ricercatori hanno testato HDN su dodici set di dati di denoising disponibili pubblicamente, tra cui immagini (fotografiche) naturali, vari set di dati di microscopia e caratteri scritti a mano, e hanno scoperto che HDN superava in prestazioni i metodi non supervisionati esistenti e poteva, a volte, persino superare gli approcci supervisionati senza richiedere dati di allenamento appaiati difficili da ottenere.

Inoltre, HDN era in grado di generare diverse “interpretazioni” plausibili di immagini rumorose. Questa possibilità è unica per DN e HDN e, secondo Florian Jug, “cambierà il modo in cui i microscopisti valuteranno l’incertezza intrinseca nei dati delle immagini rumorose. HDN offre un modo molto intuitivo per capire quanto puoi fidarti dei tuoi dati”.

Infine, i ricercatori hanno mostrato come una rete HDN allenata possa essere utilizzata per rimuovere artefatti dalle immagini di microscopia, ben oltre le possibilità offerte da altri metodi di denoising.

In sintesi, Jug ed i suoi collaboratori hanno disegnato un metodo basato su reti neurali per la rimozione senza supervisione di rumore e artefatti in grado di interpretare i dati di immagini rumorose, aprendo così la strada a nuove e innovative applicazioni nella microscopia e nell’imaging biomedico.