Investigadores de la Escuela de Ingeniería Samueli de UCLA han demostrado que el aprendizaje profundo, una forma poderosa de inteligencia artificial, puede discernir y mejorar los detalles microscópicos en las fotos tomadas con teléfonos inteligentes. La técnica mejora tanto la resolución y los detalles de color de las imágenes de los teléfonos inteligentes queacercarse a la calidad de las imágenes de microscopios de laboratorio.
El avance podría ayudar a llevar diagnósticos médicos de alta calidad a regiones de escasos recursos, donde las personas de otra manera no tendrían acceso a tecnologías de diagnóstico de alta calidad. Y la técnica utiliza accesorios que pueden producirse de manera económica con una impresora 3-D, enmenos de $ 100 por pieza, en comparación con los miles de dólares que costaría comprar equipos de laboratorio que produzcan imágenes de calidad similar.
Las cámaras de los teléfonos inteligentes actuales están diseñadas para fotografiar personas y paisajes, no para producir imágenes microscópicas de alta resolución. Por lo tanto, los investigadores desarrollaron un accesorio que se puede colocar sobre la lente del teléfono inteligente para aumentar la resolución y la visibilidad de pequeños detalles de las imágenestoman, a una escala de aproximadamente una millonésima parte de un metro.
Pero eso solo resolvió parte del desafío, porque ningún accesorio sería suficiente para compensar la diferencia de calidad entre los sensores y lentes de imagen de las cámaras de los teléfonos inteligentes y los de los equipos de laboratorio de alta gama. La nueva técnica compensa la diferencia mediante el usointeligencia artificial para reproducir el nivel de resolución y detalles de color necesarios para un análisis de laboratorio.
La investigación fue dirigida por Aydogan Ozcan, profesor del Canciller de Ingeniería Eléctrica e Informática y Bioingeniería, y Yair Rivenson, un erudito posdoctoral de la UCLA. El grupo de investigación de Ozcan ha introducido varias innovaciones en microscopía móvil y detección, y mantiene un enfoque particular en el desarrolloDiagnósticos médicos portátiles y sensores de campo para áreas de escasos recursos.
"Utilizando el aprendizaje profundo, nos propusimos cerrar la brecha en la calidad de imagen entre los microscopios de bajo costo para teléfonos móviles y los microscopios de sobremesa estándar de oro que usan lentes de alta gama", dijo Ozcan.
"Creemos que nuestro enfoque es ampliamente aplicable a otros sistemas de microscopía de bajo costo que utilizan, por ejemplo, lentes o cámaras de bajo costo, y podría facilitar el reemplazo de microscopios de mesa de alta gama con alternativas móviles rentables."
Agregó que la nueva técnica podría encontrar numerosas aplicaciones en salud global, telemedicina y aplicaciones relacionadas con el diagnóstico.
Los investigadores tomaron imágenes de muestras de tejido pulmonar, sangre y pruebas de Papanicolaou, primero usando un microscopio estándar de laboratorio y luego con un teléfono inteligente con el accesorio del microscopio impreso en 3D. Luego, los investigadores introdujeron los pares de imágenes correspondientes en una computadorasistema que "aprende" cómo mejorar rápidamente las imágenes de los teléfonos móviles. El proceso se basa en un código informático basado en el aprendizaje profundo, que fue desarrollado por los investigadores de la UCLA.
Para ver si su técnica funcionaría en otros tipos de imágenes de baja calidad, los investigadores utilizaron el aprendizaje profundo para realizar con éxito transformaciones similares con imágenes que habían perdido algunos detalles porque estaban comprimidas para una transmisión más rápida a través de una red informática o más eficientealmacenamiento.
El estudio fue publicado en ACS Photonics , una revista de la American Chemical Society. Se basa en estudios previos del grupo de Ozcan que utilizó el aprendizaje profundo para reconstruir hologramas y mejorar la microscopía.
Ozcan también tiene una cita de facultad en el departamento de cirugía de la Escuela de Medicina David Geffen de UCLA, y es director asociado del Instituto de Nanosistemas de California.
Los otros autores del artículo son Hatice Ceylan Koydemir, Hongda Wang, Zhensong Wei, Zhengshuang Ren, Harun Günayd? N, Yibo Zhang, Zoltán Göröcs, Kyle Liang y Derek Tseng, todos de UCLA.
La investigación fue apoyada por la National Science Foundation y el Howard Hughes Medical Institute.
Fuente de la historia :
Materiales proporcionado por Escuela de Ingeniería de Ciencias Aplicadas Henry Samueli de UCLA . Original escrito por Matthew Chin. Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :