Der AI -Ansatz nutzt das optisches Phänomen, um bessere Mikroskopiebilder zu erzeugen

Die quantitative Phasenbildgebung (QPI) ist eine Mikroskopie -Technik, die häufig zur Untersuchung von Zellen verwendet wird. Obwohl frühere biomedizinische Anwendungen auf der Grundlage von QPI entwickelt wurden, müssen sich sowohl die Erwerbsgeschwindigkeit als auch die Bildqualität verbessern, um einen weit verbreiteten Empfang zu gewährleisten.

Wissenschaftler aus dem in Görlitz ansässigen Zentrum für fortschrittliche Systeme (CASUS) am Helmholtz-Zentrum Dresden-Rossendorf (HZDR) sowie das Imperial College London und das University College London schlagen vor, ein optisches Phänomen als chromatische Aberration zu negat, um die Bildqualität zu nutzen, um geeignete Bilder mit Standardbildern mit Standardbildern zu produzieren.

Durch die Verwendung eines generativen KI -Modells ist nur eine einzige Belichtung erforderlich, um die Bildqualität zu erhalten, die erforderlich ist, um QPI für Anwendungen in Biomedizin attraktiv zu machen. Das Team präsentierte die Arbeiten Ende Februar auf der 39. Jahreskonferenz über KI durch die Vereinigung für die Weiterentwicklung von KI (AAAI 2025) organisiert dieses Jahr in Philadelphia. Das entsprechende Konferenzpapier ist verfügbar auf der Arxiv Preprint -Server.

Die Markierung biologischer Proben mit Farbstoffen oder anderen Wirkstoffen zeigt wertvolle Erkenntnisse. Dieser Ansatz hat jedoch einige Nachteile, die seine weit verbreitete Verwendung in der klinischen Diagnostik behindern: Es ist zeitaufwändig und teure Geräte sowie Reagenzien sind erforderlich.

Die Forschung in den letzten Jahren hat sich daher auf bestimmte markierungsfreie Mikroskopiemethoden wie QPI konzentriert. Hier ist nicht nur die Größe des Lichts von der Probe von Interesse. Unter Verwendung der Streuinformationen erfasst QPI auch, wie die Probe die Lichtphase verlagert, die durch sie geht – eine Änderung, die direkt mit ihrer Dicke, ihrem Brechungsindex und anderen strukturellen Eigenschaften zusammenhängt. Während QPI ziemlich teure Geräte benötigt, tut das Computer QPI nicht.

Einer der bekanntesten rechnerischen QPI-Ansätze ist die Lösung der Transport-of-Intensity-Gleichung (Unentschieden). Diese Differentialgleichung ermöglicht die Berechnung eines Bildes der Probe basierend auf den aufgezeichneten Phasenänderungen. Der Ansatz ist leicht in ein vorhandenes optisches Mikroskop-Aufbau zu integrieren und führt zu Bildern von guter Qualität.

Auf der anderen Seite erfordert die Verbindungsmethode häufig mehrere Akquisitionen mit unterschiedlichen Fokusabständen, um Artefakte loszuwerden. Der Umgang mit Through-Focus-Stapeln kann zeitaufwändig und technisch anspruchsvoll sein, sodass diese Art von bindembasiertem QPI in einem klinischen Umfeld häufig nicht möglich ist.

Chromatische Aberration nutzen

„Unser Ansatz beruht auf ähnlichen Prinzipien, um zu binden, benötigt aber nur ein Bild aufgrund einer cleveren Kombination aus Physik und generativer KI“, sagt Prof. Artur Yakimovich, Leiter einer Casus Young Investigator Group und entsprechender Autor der auf der AAAI -Konferenz vorgestellten Arbeiten.

Die Informationen über die durch die biologische Probe induzierte Phasenverschiebung stammen nicht aus zusätzlichen Expositionen mit anderen Fokusabständen. Ein Fokusstapel kann durch ein Phänomen, das als chromatische Aberration bezeichnet wird, auch aus einer einzigen Exposition erzeugt werden.

Die meisten Objektivsysteme des Mikroskops können nicht alle Wellenlängen von (polychromatischem) weißem Licht perfekt zu einem einzigen konvergierenden Punkt bringen – ein Handicap, das nur hochspezialisierte Linsen korrigieren können. Dies bedeutet beispielsweise, dass rot, grün und blau (RGB) Licht leicht unterschiedliche Fokusabstände aufweisen.

„Durch die Aufzeichnung der Phasenverschiebungen dieser drei Wellenlängen separat unter Verwendung eines herkömmlichen RGB-Detektors kann man einen Fokusstapel erstellen, der das Umwandeln des Handicaps in einem Vermögenswert erleichtert“, erklärt Yakimovich.

„Die Verwendung chromatischer Aberrationen zur Realisierung von QPI stellt eine Herausforderung dar: Der Abstand zwischen dem roten Licht und dem blauen Lichtfokus ist sehr klein“, sagt Gabriel Della Maggiora, Ph.D. Student bei Casus und einer der beiden Hauptautoren der Veröffentlichung. Das Lösen der Krawatte den Standardweg liefert einfach keine aussagekräftigen Ergebnisse.

„Wir haben dann argumentiert, dass wir künstliche Intelligenz verwenden könnten. Wie sich herausstellte, erwies sich diese Idee als entscheidend“, fügt Della Maggiora hinzu. „Nach dem Training eines generativen KI-Modells mit einem offenen Datensatz, der aus 1,2 Millionen Bildern besteht, konnte das Modell Phaseninformationen abrufen, obwohl sich nur auf die sehr begrenzten Dateneingaben aus der Aufzeichnung stützte.“

Method

Das Team stützte sich auf ein generatives KI -Modell für die im vergangenen Frühjahr dargestellte Bildqualitätsverbesserung: das bedingte Variationsdiffusionsmodell (CVDM). Es gehört zu einer bestimmten Familie generativer KI -Modelle mit dem Namen Diffusionsmodelle. Die Entwickler betonen, dass das Training eines CVDM einen deutlich weniger rechnerischen Aufwand als andere Diffusionsmodelle benötigt, während die Ergebnisse gleich oder sogar besser sind.

Della Maggiora und Kollegen nutzten eine CVDM -Strategie und entwickelten ein neuartiges Diffusionsmodell, das für quantitative Daten anwendbar ist. Mit diesem Modell können sie nun endlich die rechnerische QPI auf der Grundlage chromatischer Aberrationen realisieren.

Sie validierten ihren generativen KI-basierten Ansatz unter Verwendung eines gemeinsamen Brightfield-Mikroskops, das mit einer im Handel erhältlichen Farbkamera ausgestattet ist, um mikroskopische Bilder aus klinischen Exemplaren realer Welt zu machen. Bei der Analyse der roten Blutkörperchen in einer menschlichen Urinprobe konnte die Methode die Donut-ähnliche Form dieser Zellen enthüllen, während ein weiterer, etablierter rechnergestützter Ansatz nicht der Fall war.

Ein zusätzlicher Vorteil war das virtuelle Fehlen von Wolkenartefakten in den Bildern, die mit der neuen generativen AI-basierten quantitativen Phasenbildgebungsvariante berechnet wurden.

Die Yakimovich -Gruppe „maschinelles Lernen für Infektionen und Krankheiten“ entwickelt neuartige Computertechniken für die Mikroskopie, die sofort in klinischen Umgebungen angewendet werden können. Das Potenzial beispielsweise in der Diagnostik ist riesig. Zu den verwendeten Techniken gehört generative KI. Da generative KI anfällig für die Herstellung von Halluzinationen ist, liegt ein Hauptaugenmerk der Gruppe darauf, sie zu reduzieren.

Das Einbeziehen physikbasierter Elemente ist hier der wichtigste Ansatz. Wie das AI-basierte quantitative Phasenbildungsbeispiel zeigt, ist dieser Ansatz sehr vielversprechend.