馬薩諸塞州伍茲霍爾-圖片只值一千字-但前提是要清楚其描繪的內容。在顯微生活的圖像或錄像制作中也存在摩擦。盡管現代顯微鏡可以在幾秒鐘內從活組織或細胞中生成大量圖像數據，但從這些數據中提取有意義的生物學信息卻需要花費數小時甚至數周的艱苦分析。

為了緩解這一主要瓶頸，由MBL研究員Hari Shroff領導的團隊設計了深度學習和其他計算方法，可將圖像分析時間顯著減少幾個數量級-在某些情況下，與數據采集本身的速度相匹配。他們本周在《自然生物技術》中報告了他們的結果。

Shroff說：“這就像從水喉中喝水而無法消化您所喝的水一樣。”常見的問題是成像數據過多，而后處理能力不足。團隊的改進來自海洋生物實驗室（MBL）的持續合作，它通過三種主要方式加快了圖像分析的速度。

首先，顯微鏡下的成像數據通常會因模糊而損壞。為了減輕模糊，使用了迭代的“去卷積”過程。計算機在模糊圖像和實際物體的估計之間來回移動，直到達到對真實物體的最佳估計的收斂為止。

通過修改經典的反卷積算法，Shroff及其合作者將反卷積加速了10倍以上。Shroff說，他們改進的算法可廣泛應用于“幾乎所有熒光顯微鏡”。“我們認為這是一次嚴格的勝利。我們已經發布了代碼，其他組織已經在使用它。”

接下來，他們解決了3D配準的問題：對齊和融合從不同角度拍攝的物體的多個圖像。Shroff說：“事實證明，注冊大型數據集（如光片顯微鏡）要比對它們進行去卷積要花費更長的時間。”他們發現了幾種加速3D注冊的方法，包括將其移動到計算機的圖形處理單元（GPU）。與使用計算機的中央處理器（CPU）相比，這使他們的處理速度提高了10到100倍以上。

Shroff說：“我們在配準和解卷積方面的改進意味著，對于適合圖形卡的數據集，圖像分析原則上可以跟上采集速度。”“對于更大的數據集，我們找到了一種有效地將它們分割成塊，將每個塊傳遞到GPU，進行配準和解卷積然后將這些塊縫合在一起的方法。如果要對大塊組織成像，這非常重要例如，從海洋動物身上獲取的，或者如果您正在清理一個器官以使其透明，則可以將其放在顯微鏡上。這兩種進展確實使某些形式的大型顯微鏡成為現實，并加速了發展。”

最后，該團隊使用深度學習來加速“復雜的反卷積”-難以處理的數據集，其中模糊在圖像的不同部分發生明顯變化。他們培訓了計算機，以識別嚴重模糊的數據（輸入）與經過清理，反卷積的圖像（輸出）之間的關系。然后他們給它提供了前所未有的模糊數據。Shroff說：“它確實運作良好;訓練有素的神經網絡可以非常快速地產生反卷積結果。”“這就是我們在反卷積速度上獲得了數千倍的改進的地方。”

Shroff說，盡管深度學習算法的效果出乎意料的出色，但“警告是它們很脆弱”。“意思是說，一旦訓練了神經網絡以識別一種圖像類型，例如具有線粒體的細胞，它將很好地使這些圖像解卷積。但是，如果您給它提供的圖像有些不同，則說細胞的質膜，它會產生偽像。很容易愚弄神經網絡。”研究的活躍領域是創建以更通用的方式工作的神經網絡。

Shroff說：“深度學習增強了可能性。”“這是分析數據集的好工具，而這是其他方法很難做到的。”