Um novo algoritmo de aprendizado de máquina aprendeu a olhar para uma imagem e recriá-la como objetos 3D

Imagem meramente ilustrativa sobre ML

ZMSC, 20/09/2022 

Por Alexandru Micu 

Da ciência dos materiais à medicina, esse algoritmo pode ser muito valioso para os pesquisadores.

Já desejou que uma imagem pudesse ter mais profundidade? Pesquisadores da Washington University (WU) em St. Louis desenvolveram um algoritmo de Aprendizado de Máquina (Machine Learning) capaz de fazer exatamente isso.

Um algoritmo de aprendizado de máquina desenvolvido na McKelvey School of Engineering da WU pode criar uma estrutura 3D contínua a partir de imagens 2D planas. Até agora, o sistema tem sido usado para criar modelos de células humanas a partir de um conjunto de imagens parciais obtidas usando ferramentas de microscopia padrão em uso hoje.

Esse sistema pode melhorar muito a facilidade com que os pesquisadores podem interpretar estruturas tridimensionais a partir de imagens 2D, com aplicações potenciais em campos que vão da ciência dos materiais à medicina.

Desachatamento

“Treinamos o modelo no conjunto de imagens digitais para obter uma representação contínua”, disse Ulugbek Kamilov, professor assistente de engenharia elétrica e de sistemas e de ciência da computação e engenharia. “Agora, posso mostrar da maneira que quiser. Posso ampliar suavemente e não há pixelização.”

O algoritmo é baseado em uma rede de campo neural, uma arquitetura de aprendizado de máquina específica com a capacidade de vincular características físicas a coordenadas espaciais específicas. Depois de receber treinamento adequado, esse sistema pode ser solicitado a interpretar o que está vendo em qualquer local de uma imagem. As redes de campo neural foram favorecidas como base para o novo algoritmo, pois exigem quantidades relativamente menores de dados para treinamento em comparação com outros tipos de redes neurais. Eles podem ser empregados de forma confiável para analisar uma imagem, desde que sejam fornecidas amostras 2D suficientes para a análise, explica a equipe.

Para este algoritmo em particular, a rede foi treinada usando imagens de microscopia padrão. Eles consistiam em imagens ópticas de células: as amostras eram iluminadas por baixo, com a luz que passava por elas sendo registrada.

Essas imagens foram então alimentadas pela rede juntamente com informações sobre a estrutura interna da célula em pontos específicos das imagens. A partir deles, a rede foi solicitada a recriar a estrutura geral das células que estava sendo mostrada. Sua saída foi então julgada por quão bem ela refletia a realidade em um processo reiterativo.

Uma vez que as previsões do sistema corresponderam adequadamente às medições da vida real, a rede foi considerada pronta. Nesse ponto, foi solicitado o preenchimento das partes do modelo da célula que não puderam ser capturadas por meio de medições diretas no laboratório.

A equipe explica que uma das vantagens do novo algoritmo é que ele elimina a necessidade de os laboratórios manterem galerias de imagens densas de quaisquer células com as quais estejam trabalhando, pois uma representação completa de sua estrutura pode ser recriada sempre que necessário pela rede. Também permite que o modelo seja manipulado de maneiras que uma fotografia nunca permitiria.

“Posso colocar qualquer coordenada e gerar essa visão”, diz Kamilov. “Ou posso gerar visualizações inteiramente novas de diferentes ângulos. Ele pode usar o modelo para girar uma célula como um pião ou dar zoom para ver mais de perto; usar o modelo para fazer outras tarefas numéricas; ou até mesmo alimentá-lo em outro algoritmo.”

O artigo “Recuperação de mapas de índice de refração 3D contínuos de medições discretas somente de intensidade usando campos neurais” foi publicado na revista Nature Machine Intelligence.

Artigos recomendados: ML e IA

Fonte:https://www.zmescience.com/science/machine-learning-pictures-to-3d-8246245/