برنامه های مدولار برای بازسازی تصویر علمی

دانشمندان از طیف وسیعی از ابزارهای تصویربرداری برای مشاهده درون موجودات زنده، گاهی در حین حرکت، و مشاهده اجسام بی اثر بدون تغییر حالت آنها استفاده می کنند. این ابزارها عبارتند از تلسکوپ، میکروسکوپ، سی تی اسکنر و غیره. اما این ابزارها، حتی زمانی که با حداکثر ظرفیت کار می‌کنند، اغلب فقط تصاویر جزئی یا تصاویری تولید می‌کنند که کیفیت بسیار پایینی برای ارائه بینش دارند.

اینجاست که الگوریتم‌های قدرتمند وارد عمل می‌شوند، زیرا می‌توانند اطلاعات گمشده را کنار هم بچینند، وضوح تصویر و کنتراست را بهبود بخشند و اجسام تار را حذف کنند. اخیراً پیشرفت چشمگیری در این فناوری که به عنوان تصویربرداری محاسباتی شناخته می شود، صورت گرفته است، تا جایی که اکنون نقش اصلی را در بسیاری از انواع تحقیقات ایفا می کند.

مهندسانی که در زمینه‌های مختلف کار می‌کنند، برنامه‌های الگوریتمی قدرتمندی را برای این تکنیک توسعه داده‌اند، با این حال هر کدام برای یک کاربرد بسیار خاص طراحی شده‌اند، حتی اگر فیزیک اولیه تصویربرداری به طور کلی یکسان است. این بدان معنی است که دانشمندانی که می خواهند روش های تصویربرداری را با هم ترکیب کنند، باید تلاش قابل توجهی برای تطبیق برنامه های مختلف و ایجاد ارتباط بین آنها انجام دهند.

سیبند کاشانی، Ph.D. می‌گوید: «احساس می‌کردیم که همیشه همان کدهایی را بازنویسی می‌کنیم تا نرم‌افزاری را که می‌خواهیم استفاده کنیم، تطبیق دهیم. دانشجو در آزمایشگاه صوتی و تصویری ارتباطات EPFL (LCAV).

بنابراین، او با متئو سیمون و جوآن روکس کوئرالت، رئیس سابق و فعلی مرکز بازسازی تصویر در مرکز تصویربرداری دانشکده پلی‌تکنیک فدرال لوزان، برای توسعه الگوریتم‌های مستقل از برنامه برای اشتراک‌گذاری در زمینه‌های مختلف، همکاری کرد. امروزه این نرم افزار با نام Pyxu به صورت متن باز در دسترس است.

از ذرات کوچک گرفته تا فضای بیرونی، همان قوانین فیزیک اعمال می شود

روی کوئرالت می‌گوید: «قوانین فیزیک که بر تصویربرداری حاکم هستند، اغلب بدون توجه به حوزه تحقیقاتی خاص یکسان هستند. مشکلاتی که در بازسازی تصویر با آن مواجه می‌شوند را می‌توان در چند دسته دسته‌بندی کرد که عمدتاً شامل مدل‌های ریاضی مشابهی هستند – دسته‌هایی مانند اشعه ایکس و سایر اشکال توموگرافی، تصویربرداری رزونانس مغناطیسی، نجوم رادیویی و غیره. به همین دلیل، او، کاشانی و سیمئونه بر این باور بودند که می‌توان نرم‌افزارهای کاربردی را توسعه داد.

روی کرالت می‌گوید: «امروزه، تکنیک‌های تصویربرداری عموماً فقط در زمینه‌ای که در ابتدا برای آن توسعه یافته بودند، استفاده می‌شود. “ما دیده ایم که دانشمندان زمان و انرژی زیادی را صرف اختراع مجدد چرخ با برنامه نویسی نرم افزارهایی شبیه به نرم افزارهای موجود کرده اند.

Pyxu برای استفاده در هر زمینه ای طراحی شده است و ادغام یکپارچه فناوری پیشرفته هوش مصنوعی را تسهیل می کند. مارتین وترلی، پروفسور LCAV توضیح می دهد: «الگوریتم های یادگیری عمیق در سال های اخیر چشم انداز تصویربرداری محاسباتی را تغییر داده اند.

الگوریتم ها با مقایسه تصاویر با کیفیت بالا با تصاویر بازسازی شده آموزش داده می شوند و سپس به طور خودکار برای انجام اصلاحات لازم برای بهبود بازسازی ها و مقایسه خود تصاویر مورد استفاده قرار می گیرند.

تیم توسعه Pyxu، متشکل از مهندسان LCAV و مرکز تصویربرداری، برای ایجاد نرم‌افزار و پلت‌فرم منبع باز، باید مهارت‌های بسیاری از حوزه‌ها را گرد هم می‌آورد. کاشانی می‌گوید: «یکی از بزرگ‌ترین چالش‌های فنی ما، انعطاف‌پذیری Pyxu برای پردازش مجموعه‌های داده بزرگ و در عین حال آسان برای پیاده‌سازی در انواع سیستم‌های IT با طیف گسترده‌ای از پیکربندی‌های سخت‌افزاری بود.

کد کمتر، آجر بیشتر

با Pyxu، دانشمندان دیگر نیازی به متخصص در جزئیات پیاده سازی ندارند. این برنامه شامل ماژول هایی است که وظایف مختلف را نشان می دهد، که کاربران می توانند آنها را به ترتیبی که می خواهند انتخاب و کنار هم قرار دهند، درست مانند آجرهای لگو.

نینو هروه، Ph.D. او دانشجوی دانشگاه لوزان بود و اولین کاربر Pyxu بود. از نرم افزار برای بازسازی تصاویر الکتروانسفالوگرام (EEG) استفاده کنید. او می‌گوید: «تفسیر فعالیت 5000 اتصال عصبی، بر اساس قرائت‌های گرفته شده از 200 الکترود قرار داده شده بر روی پوست سر بیمار، آسان نیست.

ما به نرم‌افزاری نیاز داریم که در حل مسائل بهینه‌سازی کارآمد باشد و از انواع الگوریتم‌های بهینه‌سازی استفاده کند و برای اجرای محاسبات به‌طور موازی طراحی شده باشد و حجم کار را بسیار کاهش داده است.

Pyxu تنها چند ماه پیش به عنوان منبع باز منتشر شد و قبلاً در چندین مطالعه EPFL در زمینه هایی مانند نجوم رادیویی، اپتیک، توموگرافی و سی تی اسکن استفاده شده است. متیو سیمون، خالق Pyxu می گوید: «ما Pyxu را طراحی کردیم تا محققان بتوانند از مدل های ما به عنوان پایه ای برای ساخت مدل های خود استفاده کنند.

سپس محققان می‌توانند مدل‌های خود را به نرم‌افزار ما اضافه کرده و آن را در دسترس کل جامعه علمی قرار دهند.»

نسخه دوم و مقیاس پذیرتر

نسخه دوم و مقیاس‌پذیرتر این نرم‌افزار در حال حاضر در دست ساخت است و برنامه‌هایی برای انتشار آن به‌عنوان منبع باز نیز وجود دارد. علاوه بر توانایی مدیریت مجموعه داده های بزرگتر، نسخه جدید دارای ویژگی های اضافی و کاربرپسندتر خواهد بود. به عنوان مثال، توسعه دهندگان Pyxu با مهندسان گروه تصویربرداری زیست پزشکی EPFL کار می کنند تا بر روی پیشرفت های اخیر در ترکیب الگوریتم های مبتنی بر هوش مصنوعی در مدل های ریاضی ایجاد کنند.

هدف این است که اطمینان حاصل شود که تصاویر بازسازی شده اطلاعات مهم بصری را منتقل می کنند و از نظر ریاضی قوی هستند، کیفیت هایی که برای کاربردهای حساس مانند تشخیص پزشکی ضروری هستند.