Deep learning produz visualizações 3D com alta resolução a partir de imagens de microscopia mais simples

Uma das técnicas frequentemente usadas por cientistas na área de biologia para investigar células e tecidos é a microscopia fluorescente. Ela funciona da seguinte forma: alguma parte específica da amostra de estudo é marcada com uma molécula fluorescente, tornando possível visualizá-la com métodos avançados de microscopia. Assim, é viável compreender melhor a localização e o funcionamento de estruturas dentro das células. Para possibilitar uma compreensão aprofundada do assunto estudado, a microscopia foca em várias profundidades da amostra, gerando uma visualização tridimensional. Entretanto, a luz intensa necessária para visualizar esses diferentes cortes pode danificar a amostra, de forma que ela perde sua viabilidade rapidamente. Além disso, o equipamento necessário é muito mais caro que equipamentos mais simples destinados para visualizações de um único corte.

Em um estudo publicado no início de novembro, pesquisadores da Universidade da Califórnia apresentaram um método que usa inteligência artificial para transformar imagens bidimensionais – como aquelas obtidas por um único corte de microscopia – em visualizações tridimensionais, simulando os resultados obtidos pela análise exaustiva das amostras de células. O sistema, batizado de Deep-Z, foi treinado para que a rede neural compreendesse a relação entre uma coleção de cortes bidimensionais e sua estrutura emergente na terceira dimensão (comumente chamada de ‘z’ na literatura matemática). Isso lhe permitiu inferir as propriedades tridimensionais a partir dos cortes bidimensionais de imagens inéditas.

Numa segunda fase do estudo, os pesquisadores observaram que era possível usar as imagens obtidas em um microscópio do tipo “wide-field”, que expõe toda a amostra à fonte luminosa, para simular visualizações tridimensionais que só seriam possíveis usando um microscópio mais avançado do tipo confocal, que usa um laser para escanear a amostra por partes. Os resultados obtidos com microscópio confocal têm maior resolução e contraste, oferecendo mais detalhes das estruturas em análise. Os pesquisadores garantem ainda que o método não se limita a esses dois tipos de microscopia, sendo expansível para outras modalidades, o que deve ser bem recebido já que cada microscopia tem suas vantagens e desvantagens.

O método trouxe, inclusive, alguns benefícios inesperados. As amostras usadas para treinamento eram perfeitamente alinhadas com os cortes executados, entretanto o modelo ganhou a capacidade de corrigir distorções quando as imagens de teste estavam curvadas ou giradas. Isso permite coletar dados de imagens que de outra forma não seriam úteis, já que curvaturas e outras topologias complexas são bastante desafiadoras para as técnicas de visualização por microscopia.

Os pesquisadores já haviam desenvolvido um método que usa redes adversariais generativas (GANs) para transformar imagens bidimensional de microscopia fluorescente em super-resolução, permitindo a visualização de detalhes antes inacessíveis. O sistema desenvolvido agora tem o potencial de oferecer aos pesquisadores interessados um método mais simples, mais rápido e mais barato que os métodos atualmente empregados para obter o maior número possível de informações das amostras.

Sobre o autor

1 comentário em “Deep learning produz visualizações 3D com alta resolução a partir de imagens de microscopia mais simples”

Deixe um comentário

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Esse site utiliza o Akismet para reduzir spam. Aprenda como seus dados de comentários são processados.