Исследователи перепрофилировали алгоритм, изначально разработанный для конкурса прогнозирования предпочтений фильмов Netflix в 2009 году, чтобы создать метод получения изображений биологических тканей с помощью классической рамановской спектроскопии с беспрецедентной скоростью. Прогресс может сделать простой метод визуализации без меток практичным для клинических применений, таких как обнаружение опухолей или анализ тканей.
В Optica, журнале Optical Society, посвященном высокоэффективным исследованиям, группа исследователей из нескольких институтов сообщает, что вычислительный подход к визуализации, известный как компрессионная визуализация, может увеличить скорость визуализации за счет уменьшения объема получаемых спектральных данных комбинационного рассеяния. Они демонстрируют скорость обработки изображения в несколько десятков секунд для изображения, получение которого обычно занимает несколько минут, и говорят, что будущие реализации могут достичь скорости менее секунды.
Исследователи совершили этот подвиг, получив только часть данных, обычно необходимых для рамановской спектроскопии, а затем заполнив недостающую информацию алгоритмом, разработанным для поиска закономерностей в предпочтениях фильмов Netflix. Хотя алгоритм не выиграл приз Netflix в 1 миллион долларов, он использовался для удовлетворения других реальных потребностей, в данном случае для улучшения биологических изображений.
«Хотя о методах компрессионного рамановского рассеяния уже сообщалось ранее, их нельзя было использовать с биологическими тканями из-за их химической сложности», - сказал Хилтон де Агиар, руководитель исследовательской группы Высшей нормальной школы во Франции.«Мы объединили компрессионную визуализацию с быстрыми компьютерными алгоритмами, которые обеспечивают изображения, которые клиницисты используют для диагностики пациентов, но быстро и без трудоемкой ручной постобработки».
Захват биомедицинских процессов
Раман-спектроскопия - это неинвазивный метод, не требующий пробоподготовки для определения химического состава сложных образцов. Хотя он продемонстрировал многообещающие возможности для выявления раковых клеток и анализа тканей на наличие заболеваний, он обычно требует слишком низкой скорости получения изображений для захвата динамики биологических образцов. Обработка огромного количества данных, полученных с помощью спектроскопических изображений, также требует много времени, особенно при анализе большой площади.
"С помощью разработанной нами методологии мы решили две эти задачи одновременно: увеличили скорость и представили более простой способ получения полезной информации из спектроскопических изображений", - сказал де Агиар.
Оптимизация скорости
Чтобы ускорить процесс визуализации, исследователи сделали свою рамановскую систему более совместимой с алгоритмом. Они сделали это, заменив дорогие и медленные камеры, используемые в обычных установках, дешевым и быстрым цифровым микрозеркальным устройством, известным как пространственный модулятор света. Это устройство выбирает группы длин волн, которые обнаруживаются высокочувствительным однопиксельным детектором, сжимая изображения по мере их получения.
«Очень быстрый пространственный модулятор света позволил очень быстро получать изображения и пропускать биты данных», - сказал де Агияр. «Пространственный модулятор света, который мы использовали, на порядки дешевле и быстрее, чем другие варианты на рынке, что делает общую оптическую установку дешевой и быстрой».
Исследователи продемонстрировали свою новую методологию с использованием рамановского микроскопа для получения спектроскопических изображений тканей головного мозга и отдельных клеток, которые обладают высокой химической сложностью. Их результаты показали, что этот метод может получать изображения со скоростью в несколько десятков секунд и обеспечивать высокий уровень сжатия данных - сокращение данных до 64 раз.
Исследователи считают, что новый подход должен работать с большинством биологических образцов, но они планируют протестировать его на большем количестве типов тканей, чтобы продемонстрировать это экспериментально. В дополнение к клиническим инструментам метод может быть полезен для биологических приложений, таких как характеристика водорослей. Они также хотят улучшить скорость сканирования своей системы, чтобы получать изображения за доли секунды.