محققان از نوعی الگوریتم هوشمند مبتنی برای یادگیری رونمایی کردهاند که قادر است دانه دانه بودن را در تصاویر بیکیفیت کاهش دهد و جزئیات جدیدی که قبلا در بین نویزها گم میشد را نشان دهد. واحد اصلی برای ورود به دنیای فوق العاده کوچک، پرتو نوری یا الکترون است. پرتوهای قوی که تصاویر واضحتری را به نمایش میگذارند، به نمونهها آسیب میرسانند. از طرف دیگر، پرتوهای ضعیف میتوانند تصاویر خش دار و بیکیفیت را ارائه دهند.
در یک مطالعه جدید که در نشریه هوش طبیعی ماشینی منتشر شدهاست، محققان دانشگاه A&M Texas یک الگوریتم مبتنی بر یادگیری ماشین را توصیف کردهاند که قادر است میزان نویز تصاویر بیکیفیت را کاهش دهد و جزئیات جدیدی که در بین نویزها قرار گرفتهاند را نشان دهند.
شویوانگ جی، دانشیار گروه علوم و مهندسی کامپیوتر گفت: “تصاویر گرفته شده با پرتوهای کم قدرت که میتواند پر از نویز باشد, جزئیات بصری جالب و ارزشمندی را در مورد نمونههای بیولوژیکی، پنهان میکنند. برای حل این مشکل، ما از یک روش محاسباتی عالی برای ایجاد تصاویر با کیفیت استفاده میکنیم. ما در این مطالعه نشان دادهایم که میتوانیم وضوح را تا حدی شبیه به آنچه که با استفاده از یک پرتو نور به دست میآید، بهبود ببخشیم.”
جی افزود برخلاف سایر الگوریتمهای رفع نویز که فقط میتوانند از اطلاعات حاصل از یک پیکسل کوچک در یک تصویر بیکیفیت استفاده کنند، الگوریتم جدید هوشمند میتواند الگوهای پیکسل را که ممکن است در کل تصویر نویزدار پخش شدهباشد شناسایی کند. این امر باعث افزایش کارایی این الگوریتم به عنوان یک ابزار رفع نویز میشود.
در تکنیک معروف به میکروسکوپ تقویت شده محققان به جای اینکه برای بهبود وضوح تصاویر فقط به سخت افزار میکروسکوپ متکی باشند، از متد ترکیبی نرمافزاری و سختافزاری برای افزایش کیفیت تصاویر استفاده میکنند. در این روش یک تصویر منظم روی میکروسکوپ و بر روی یک تصویر دیجیتالی رایانهای گذاشته میشود. این روش پردازش تصویر نه تنها نوید کاهش هزینهها را میدهد بلکه تجزیه و تحلیل تصاویر پزشکی را به صورت خودکار انجام میدهد و گاه جزئیاتی را آشکار میکند که چشم انسان آن را از دست میدهد.
در حال حاضر یک نوع نرم افزار مبتنی بر الگوریتم یادگیری ماشین به نام leaming deep معرفی شده که در از بین بردن محو شدگی یا نویز در تصاویر سودمند است. این الگوریتمها را میتوان بصورت لایههای بهم پیوسته یا مراحل پردازشی مشاهده کرد، که سعی دارند یک تصویر ورودی با وضوح پایین را به یک تصویر خروجی با وضوح بالا تبدیل کنند.
در تکنیکهای پردازش تصویر مبتنی بر یادگیری عمیق سنتی، تعداد و شبکه بین لایهها مشخص میکند که چند پیکسل در تصویر ورودی به یک پیکسل در تصویر خروجی منجر میشود. این مقدار پس از آموزش الگوریتم یادگیری عمیق غیرقابل تغییر است و آماده رفع نویز در تصاویر جدید خواهد شد. با این حال جی معتقد است اصلاح عدد برای پیکسلهای ورودی که از نظر فنی به عنوان میدان پذیرش شناخته میشوند عملکرد الگوریتم را محدود میکند.
جی گفت: “تصور كنید كه یك قطعه از نمونه دارای یك نقش و نگار مكرر مانند الگوی لانه زنبوری است. بیشتر الگوریتمهای یادگیری عمیق فقط از اطلاعات محلی برای پركردن جای خالی تصاویر دارای نویز استفاده میكنند. اما این شیوه ناکارآمد است چرا که در اصل الگوی تکرار به دلیل ثابت بودن زمینه در دید الگوریتم، پنهان است. در عوض الگوریتمهای یادگیری عمیق باید زمینههای پذیرش تطبیقی داشته باشند تا بتوانند اطلاعات را در ساختار کلی تصویر ضبط کنند.”
جی و شاگردانش برای حل این مشکل, الگوریتم یادگیری عمیق دیگری ایجاد کردهاند که میتواند به صورت پویا میزان پذیرش را تغییر دهد. به عبارت دیگر، برخلاف الگوریتمهای قبلی که فقط میتوانستند اطلاعات کمی از پیکسلها جمع آوری کنند، الگوریتم جدید که شبکههای ترانسفورماتور جهانی وکسل (GVTNets) نامیده میشود در صورت لزوم میتواند اطلاعات را از یک منطقه بزرگتر از تصویر جمعآوری کند.
هنگامی که محققان عملکرد الگوریتم خود در برابر سایر نرمافزارهای یادگیری عمیق تجزیه و تحلیل کردند، دریافتند که GVTNets به اطلاعات آموزشی کمتری نیاز دارد و میتواند نویز تصاویر را بهتر از الگوریتمهای یادگیری عمیق قبلی از بین ببرد. علاوه بر این، تصاویر به دست آمده نسبت به تصاویر نوری با انرژی بالا کیفیت بالاتری داشتند. محققان خاطرنشان کردند که الگوریتم جدید آنها میتواند علاوه بر رفع نویزها، به راحتی با سایر برنامهها مانند تصویربرداری فلورسانس بدون برچسب و تبدیل سهبعدی به دوبعدی برای گرافیک رایانه سازگار شود.
جی گفت: “تحقیقات ما باعث به وجود آمدن یک میکروسکوپ هوشمند میشود، جایی که هوش مصنوعی به طور یکپارچه در میکروسکوپ ادغام شدهاست. الگوریتمهای یادگیری عمیق به ما امکان میدهند که به طور بالقوه از حدود فیزیکی ناشی از نور فراتر رویم، در حالی که این امر قبلاً امکانپذیر نبود. این مسئله میتواند برای هزاران برنامه کاربردی از جمله کاربردهای پزشکی، مانند تخمین مرحله پیشرفت سرطان و تشخیص انواع سلولها برای آگاهی زودهنگام از بیماری، سودمند باشد.”