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.
Condividi:
Ti potrebbe anche interessare:
-
Italia al centro del progetto Genome of Europe
Lo Human Technopole di Milano, ELIXIR Italia, il nodo nazionale dell’infrastruttura di ricerca europea per le scienze della vita coordinato dal Consiglio Nazionale delle Ricerche (CNR), e il Centro Cardiologico Monzino, come centro coordinatore italiano, sono stati selezionati come partner italiani di Genome of Europe (GoE), il più grande progetto genomico finanziato dall’Unione Europea, che […]
-
Human Technopole vince l’Oscar di Bilancio 2024
Venerdì 13 dicembre, a Palazzo Mezzanotte a Milano, il “Report integrato 2023” della Fondazione Human Technopole ha ricevuto l’Oscar di Bilancio nella categoria imprese sociali e organizzazioni no profit. A ritirare il premio, il Presidente Gianmario Verona, Elena Trovesi, Head of Administration, e i curatori del progetto Giovanni Selmi, Head of Finance, e Alessandro Cavallari, […]
-
Organoidi-mosaico per studiare il cervello di più pazienti contemporaneamente
Un team internazionale di scienziati di Human Technopole e dell’Università degli Studi di Milano ha sviluppato e verificato l’efficacia di un approccio innovativo per studiare lo sviluppo del cervello umano di più individui contemporaneamente in singoli organoidi, modelli che riproducono in laboratorio i principali processi cellulari del neurosviluppo umano. La ricerca apre la strada a studi di popolazione in vitro. Nel portare avanti la ricerca, gli scienziati hanno inoltre sviluppato un nuovo metodo computazionale per quantificare, in maniera più accurata rispetto ai metodi attuali, l’identità genetica delle singole cellule profilate da più individui contemporaneamente. La pubblicazione su Nature Methods.
-
La morfologia delle staminali predice crescita e resistenza del glioblastoma
Alcuni ricercatori di Human Technopole, a Milano, hanno identificato il gene adducina-γ (ADD3) quale regolatore cruciale della morfologia delle cellule staminali del glioblastoma e delle connessioni tra le cellule tumorali. Queste connessioni permettono alle cellule tumorali di condividere risorse, sfuggire alla chemioterapia e sopravvivere in condizioni difficili. Lo studio è stato sostenuto da Fondazione AIRC per la ricerca sul cancro e i risultati sono stati pubblicati sulla rivista Life Science Alliance.
-
Cancro colorettale: predizioni di risposta al Cetuximab più efficaci con il machine learning
Uno studio internazionale coordinato dallo Human Technopole, dall’Istituto Candiolo IRCCS di Torino, dall’Università di Torino e dal Wellcome Sanger Institute di Cambridge (UK) ha svelato alcuni fattori associati alla risposta terapeutica nel cancro al colon-retto e ha permesso di sviluppare un modello di machine-learning in grado di prevedere con precisione gli effetti del cetuximab (un farmaco di uso corrente) sui vari sottotipi di questo tumore. I risultati dello studio, sostenuto da Fondazione AIRC, pongono le basi per l’identificazione di caratteristiche molecolari che potrebbero essere utilizzate in futuro come “biomarcatori” per predire la risposta al trattamento nei pazienti affetti da questo tipo di cancro.