Deep Learning soll die digitale Mikroskopie revolutionieren. Doch noch ist der Einsatz der KI-Analyse mit zahlreichen Hürden verbunden. Einige Physiker der Universität Göteborg wollen das ändern.
1910 bewies der französische Physiker Jean Baptiste Perrin die Existenz von Atomen: Er verfolgte in einer Flüssigkeit aufgelöste Partikel durch ein Mikroskop und projizierte die beobachteten Bewegungen per Hand auf ein Blatt Papier. Die Mikroskopie hat sich seitdem rasant weiterentwickelt und zahlreiche wissenschaftliche Durchbrüche ermöglicht, etwa in der Physik oder Biologie.
In den 50ern und 60ern entstehen erste Mikroskope, in denen Computer Pixel scannen. Mit immer besserer digitaler Technik entstehen immer mehr Daten: Wissenschaftler entwickeln Algorithmen, die helfen, Partikel zu lokalisieren, zu tracken, zu charakterisieren oder Zellen zu zählen und zu klassifizieren.
Doch diese Algorithmen müssen für jede Aufgabe neu entwickelt werden und sind oft rechenintensiv. Mit dem Aufstieg Künstlicher Intelligenz beginnen erste Forscher, ihre Algorithmen durch Deep-Learning-Systeme zu ersetzen.
Deep Learning für die Mikroskopie
2015 veröffentlichen etwa deutsche Forscher um Olaf Ronneberger ein neuronales Netz, das Zellaufnahmen segmentieren kann. Das sogenannte U-Net ist heute in der Segmentierung von biomedizinischen Aufnahmen im breiten Einsatz.
Weitere KI-Systeme helfen bei Aufgaben wie Partikeltracking, Zellklassifikation, Partikelcharakterisierung, Objektzählung, Depth-of-Field-Erweiterung und Bildauflösung. Auch Google zeigte ein KI-gestütztes Mikroskop mit AR-Visualisierung, das Krebsdiagnosen erleichtern soll.
Solche Anwendungen machen deutlich, dass Deep Learning der nächste Schritt in der digitalen Mikroskopie ist. Doch bei moderner KI gibt es ein ähnliches Problem wie bei früher eingesetzten Algorithmen: Die KI-Systeme müssen für jede Aufgabe speziell mit eigenen Datensätzen trainiert werden. Das erfordert viel Handarbeit und eine Deep-Learning-Expertise, die in vielen Laboren nicht vorhanden ist.
Deeptrack 2.0: KI-Baukasten für die digitale Mikroskopie
Forscher um den Physiker Benjamin Midtvedt entwickelten daher 2019 Deeptrack, eine Art KI-Baukasten für die digitale Mikroskopie. Im Februar veröffentlichte das Team nun Deeptrack 2.0, das mit zahlreichen neuen Features und einer einfacheren Bedienung als Katalysator für einen breiten Einsatz KI-gestützter Mikroskopie dienen könnte.
Mit Deeptrack 2.0 können Forscher ein für ihre Aufgabe passendes KI-System designen, trainieren und validieren. Aktuell unterstützt die Software Partikellokalisierung, - tracking und -charakterisierung sowie Zellzählung und -klassifikation.
Der KI-Baukasten kann verschiedene neuronale Architekturen nutzen, darunter das erfolgreiche U-Net für die Zellsegmentierung. Als Trainingsdaten können echte Aufnahmen oder simulierte Daten verwendet werden. Letztere können im Tool erstellt werden.
In Deeptrack 2.0 können die Trainingsbilder außerdem mit verschiedenen Methoden wie Bildrauschen augmentiert und so die verfügbaren Trainingsdaten erweitert werden. Das hilft dort, wo nur wenige Echtweltaufnahmen verfügbar sind.
Zugängliches Interface soll Verbreitung helfen
Deeptrack 2.0 bietet außerdem ein zugängliches Interface, das die KI-Werkzeuge auch für KI-Laien nutzbar machen soll. Profis können im Quellcode weitere Anpassungen vornehmen.
Deep Learning habe das Potenzial, die Mikroskopie zu revolutionieren, schreiben die Entwickler von Deeptrack 2.0. Doch es gebe noch einige Herausforderungen zu meistern, insbesondere bei der Sammlung von Daten, mit der das System lernen kann, zu generalisieren. „Wir glauben, dass physikalische Simulationen eine entscheidende Rolle bei Überwindung dieser Hürden spielen werden.“ Klingt nach einer weiteren Aufgabe für KI.
Deeptrack 2.0 gibt es auf Github, ein ausführliches Tutorial auf YouTube.
Via: AIP
