فناوری جدید تصویربرداری بدون لنز، ثبت تصاویر واضح از نمونههای زیستی متحرک را ممکن کرد
پژوهشگران چینی با توسعه یک روش مبتنی بر تصویربرداری بدون لنز و هوش مصنوعی، توانستند تاری حرکتی را کاهش داده و جزئیات نمونههای زیستی متحرک را با وضوح بالاتری بازسازی کنند؛ روشی که میتواند در توسعه میکروسکوپهای کوچک، تشخیص زیستی قابل حمل و پایش فرایندهای سلولی و زیستی کاربرد داشته باشد.
به گزارش مدرن مد به نقل از news-medical، پژوهشگران دانشگاه نانجینگ و دانشگاه پکن در چین، یک روش جدید برای تصویربرداری بدون لنز از اجسام و نمونههای متحرک توسعه دادهاند که با ترکیب مدلسازی فیزیکی، تصویربرداری محاسباتی و یادگیری عمیق، امکان بازسازی تصاویر واضحتر از سوژههای در حال حرکت را فراهم میکند.
این فناوری بهویژه برای کاربردهای پزشکی و زیستی اهمیت دارد؛ زیرا تصویربرداری از نمونههای زنده و متحرک، از جمله در میکروسکوپی و پایش فرایندهای زیستی، یکی از چالشهای مهم سامانههای تصویربرداری بدون لنز محسوب میشود.
چالش تصویربرداری بدون لنز از نمونههای زنده
تصویربرداری بدون لنز با حذف مجموعههای اپتیکی متداول، امکان ساخت سامانههای تصویربرداری کوچکتر و سبکتر را فراهم میکند. در این فناوری، حسگر به جای دریافت مستقیم تصویر از طریق یک لنز، الگوی پراش نور را ثبت میکند و سپس تصویر با استفاده از الگوریتمهای محاسباتی بازسازی میشود.
این ویژگی میتواند برای توسعه میکروسکوپهای قابل حمل، تجهیزات تشخیصی کوچکشده و ابزارهای پایش زیستی اهمیت داشته باشد.
با این حال، زمانی که نمونه در حال حرکت است، الگوی پراش ثبتشده توسط حسگر میتواند دچار اختلاط و تاری شود. در روشهای متداول نیز برای دستیابی به تصویر قابل قبول، گاهی به چندین بار تصویربرداری یا استفاده از اطلاعات و فرضیات از پیش تعیینشده درباره نمونه نیاز است.
این محدودیتها در تصویربرداری از نمونههای زنده اهمیت بیشتری پیدا میکنند؛ زیرا حرکت نمونه میتواند موجب از دست رفتن اطلاعات زمانی، ایجاد تاری حرکتی و حذف جزئیات ظریف ساختاری شود.
نقش هوش مصنوعی در بازسازی تصویر
روش جدید که McLDI-INR نام دارد، با هدف حل همین مشکل طراحی شده است. پژوهشگران در این روش ابتدا یک ماسک دودویی را در مسیر نور قرار دادند تا اطلاعات موجود در الگوی پراش ثبتشده توسط حسگر برای بازسازی تصویر قابل تفسیرتر شود.
در مرحله بعد، یک مدل مبتنی بر بازنمایی عصبی ضمنی به کار گرفته شد. این مدل با دریافت اطلاعات مکانی و زمانی، توزیع تصویری نمونه متحرک را در یک فضای پیوسته یاد میگیرد.
نکته مهم در این روش، ترکیب همزمان مدل فیزیکی سیستم تصویربرداری و یادگیری عمیق است. الگوریتم علاوه بر اعمال محدودیتهای فیزیکی در سطح حسگر، اطلاعات تصویر را در دو حوزه مکانی و فرکانسی تحلیل میکند.
این رویکرد به الگوریتم کمک میکند جزئیات ظریف و لبههای تصویر را بهتر بازسازی کند و در عین حال میزان تاری ناشی از حرکت و خطاهای مصنوعی ایجادشده در فرایند بازسازی را کاهش دهد.
تصویربرداری واضحتر از نمونههای زیستی متحرک
پژوهشگران برای ارزیابی عملکرد این روش، علاوه بر شبیهسازیهای رایانهای، یک سامانه واقعی تصویربرداری بدون لنز نیز ایجاد کردند.
در آزمایشهای عملی، از این سامانه برای تصویربرداری از یک هدف وضوحسنج در حال حرکت و همچنین روتیفرهای زنده و آزادانه در حال شنا استفاده شد.
نتایج نشان داد روش McLDI-INR میتواند وضوح لبههای اجسام متحرک را افزایش داده و تاری حرکتی را کاهش دهد. اهمیت این یافته در بخش زیستی آزمایش بیشتر نمایان شد؛ جایی که سامانه توانست حرکات غیرصلب روتیفرها، از جمله انقباض و جابهجایی دم، را نیز بازسازی کند.
به گفته پژوهشگران، این نتیجه نشان میدهد روش جدید تنها برای اجسام متحرک با شکل ثابت کاربرد ندارد و میتواند برای ثبت فرایندهای پویای زیستی که شکل نمونه در طول زمان تغییر میکند نیز مورد استفاده قرار گیرد.
چشمانداز کاربرد در پزشکی و زیستپزشکی
توسعه چنین فناوریهایی میتواند مسیر تازهای برای کوچکسازی تجهیزات تصویربرداری پزشکی و زیستی ایجاد کند. حذف لنزهای اپتیکی پیچیده، در کنار استفاده از الگوریتمهای هوش مصنوعی برای بازسازی تصویر، میتواند به طراحی میکروسکوپهای کوچک و قابل حمل، سامانههای تشخیص زیستی و تجهیزات پایش نمونههای زنده کمک کند.
از سوی دیگر، قابلیت تصویربرداری از نمونههای متحرک میتواند برای مطالعات آزمایشگاهی و پژوهشهای زیستپزشکی اهمیت داشته باشد؛ بهویژه در شرایطی که ثبت تغییرات ساختاری و حرکتی نمونه در طول زمان برای پژوهشگر اهمیت دارد.
البته این فناوری در مرحله پژوهشی قرار دارد و برای ارزیابی کاربردهای بالینی آن، به مطالعات و اعتبارسنجیهای بیشتری نیاز است.
