По инициативе Центра визуализации EPFL команда инженеров из EPFL и Университета Карлоса III в Мадриде разработала программный модуль, который упрощает внедрение искусственного интеллекта в анализ изображений для научных исследований. Модуль, названный deepImageJ, описан в статье, опубликованной сегодня в журнале Nature Methods.

Удобная среда для запуска моделей глубокого обучения в ImageJ

 

За последние пять лет анализ изображений перешел от традиционных математических и наблюдательных методов к обработке данных и искусственному интеллекту. Это важное событие облегчает, ускоряет и автоматизирует процесс обнаружения и идентификации ценной информации на изображениях практически во всех областях исследований. Когда речь идет о науке о жизни, глубокое обучение - подотрасль искусственного интеллекта - демонстрирует растущий потенциал для анализа биоизображений. К сожалению, использование моделей глубокого обучения часто требует навыков кодирования, которыми обладают немногие ученые-биологи. Чтобы облегчить этот процесс, эксперты по анализу изображений из EPFL и UC3M, работающие совместно с Центром визуализации EPFL, разработали deepImageJ - программу с открытым исходным кодом, которая описана в статье, опубликованной сегодня в журнале Nature Methods.

Использование нейронных сетей в биомедицинских исследованиях

Модели глубокого обучения являются значительным прорывом для многих областей, которые зависят от визуализации, таких как диагностика и разработка лекарств. В биовизуализации, например, глубокое обучение может использоваться для обработки огромных коллекций изображений и обнаружения повреждений в органических тканях, идентификации синапсов между нервными клетками, определения структуры клеточных мембран и ядер. Оно идеально подходит для распознавания и классификации изображений, идентификации конкретных элементов и прогнозирования результатов экспериментов.

Среда и область применения DeepImageJ.

 

 

Этот тип искусственного интеллекта предполагает обучение компьютера выполнению задачи на основе большого количества ранее аннотированных данных. Это похоже на системы видеонаблюдения, которые выполняют распознавание лиц, или на приложения для мобильных камер, которые улучшают фотографии. Модели глубокого обучения основаны на сложных вычислительных архитектурах, называемых искусственными нейронными сетями, которые могут быть обучены для конкретных исследовательских целей, например, для распознавания определенных типов клеток или повреждений тканей или для улучшения качества изображений. Обученная нейронная сеть затем сохраняется в виде компьютерной модели.

Искусственный интеллект, но без кода

Для биомедицинской визуализации консорциум европейских исследователей разрабатывает хранилище таких предварительно обученных моделей глубокого обучения, которое называется BioImage Model Zoo. "Для обучения этих моделей исследователям необходимы специальные ресурсы и технические знания, особенно в области кодирования на языке Python, которых нет у многих ученых-биомедиков", - говорит Даниэль Сейдж, инженер из Центра визуализации EPFL, который курирует разработку deepImageJ. "Но в идеале эти модели должны быть доступны каждому".

Приложение deepImageJ устраняет разрыв между искусственными нейронными сетями и исследователями, которые их используют. Теперь ученый, изучающий жизнь, может попросить компьютерного инженера разработать и обучить алгоритм машинного обучения для выполнения конкретной задачи, который ученый сможет легко запустить через пользовательский интерфейс, не видя ни строчки кода. Разработанный с открытым исходным кодом и на бесплатной основе сервис ускорит распространение новых разработок в области компьютерных наук и публикацию биомедицинских исследований. Он задуман как ресурс для совместной работы, который позволит инженерам, компьютерщикам, математикам и биологам работать вместе более эффективно. Например, модель, разработанная недавно магистрантом EPFL, работающим в составе междисциплинарной команды, позволяет ученым отличать клетки человека от клеток мыши в срезах тканей.

Исследователи могут обучать пользователей

Ученые всего мира уже несколько лет надеются на создание такой системы, но до тех пор, пока Центр визуализации EPFL не вмешался, никто не брался за ее создание. Исследовательскую группу возглавляют Даниэль Сейдж и Майкл Унзер, научный руководитель Центра, вместе с Аррате Муньос Баррутиа, доцентом UC3M. Профессор Муньос-Баррутия возглавила работу по разработке операционной системы вместе с одним из своих аспирантов, Эстибалисом Гомесом-де-Марискалем, и Карлосом Гарсиа Лопесом де Харо, ассистентом по биоинженерии.

Для того чтобы как можно больше исследователей могли воспользоваться данным приложением, группа также разрабатывает виртуальные семинары, учебные материалы и онлайн-ресурсы с целью более эффективного использования всего потенциала искусственного интеллекта. Эти материалы разрабатываются с учетом интересов как программистов, так и ученых-биологов, чтобы пользователи могли быстро освоить новый метод. DeepImageJ также будет представлен на ZIDAS - недельном курсе по анализу изображений и данных для ученых-биологов в Швейцарии.

https://deepimagej.github.io/deepimagej/