Analisis gambar berbasis pembelajaran mendalam sekarang hanya dengan sekali klik

  • Whatsapp


Para peneliti dari Universidad Carlos III de Madrid (UC3M), Instituto de Investigación Sanitaria Gregorio Marañón (IiSGM), dan kolaborator di Swiss dan Swedia, telah mengembangkan alat yang disebut deepImageJ. Alat ini memproses dan menganalisis menggunakan model berdasarkan gambar biomedis kecerdasan buatan (misalnya, diperoleh dengan mikroskop atau pemindai radiologis), meningkatkan kualitasnya atau mengidentifikasi dan mengklasifikasikan elemen tertentu di dalamnya, di antara tugas-tugas lainnya.

Model pembelajaran mendalam adalah terobosan signifikan untuk banyak bidang yang mengandalkan pencitraan, seperti diagnostik dan pengembangan obat. Dalam bio-imaging, misalnya, pembelajaran mendalam dapat digunakan untuk memproses koleksi gambar yang sangat banyak dan mendeteksi lesi pada jaringan organik, mengidentifikasi sinapsis antara sel-sel saraf, dan menentukan struktur membran sel dan nukleus.

Kredit gambar: UC3M

“Selama lima tahun terakhir, analisis gambar telah bergeser dari metode berbasis matematika dan pengamatan tradisional menuju pemrosesan berbasis data dan kecerdasan buatan. Perkembangan besar ini membuat pendeteksian dan pengidentifikasian informasi berharga dalam gambar menjadi lebih mudah, lebih cepat, dan semakin otomatis di hampir setiap bidang penelitian. Dalam hal ilmu kehidupan, pembelajaran mendalam-, subbidang kecerdasan buatan, menunjukkan potensi yang meningkat untuk analisis bioimage. Sayangnya, menggunakan model pembelajaran mendalam seringkali membutuhkan keterampilan pengkodean yang hanya dimiliki oleh sedikit ilmuwan kehidupan. Untuk mempermudah proses tersebut, para ahli analisis citra dari beberapa institusi telah mengembangkan deepImageJ. Plugin open-source yang dijelaskan dalam makalah yang diterbitkan di Nature Methods”, jelas salah satu peneliti utama proyek tersebut, Arrate Muñoz Barrutia. Dia adalah profesor di UC3M Department of Bioengineering and Aerospace Engineering dan peneliti senior di IISGM.

Menggunakan jaringan saraf dalam penelitian biomedis

Jenis kecerdasan buatan ini melibatkan pelatihan komputer untuk melakukan tugas dengan menggambar sejumlah besar data yang dianotasi sebelumnya. Ini seperti sistem CCTV yang melakukan pengenalan wajah atau aplikasi kamera seluler yang menyempurnakan foto. Arsitektur komputasi canggih yang disebut jaringan saraf tiruan adalah dasar dari model pembelajaran mendalam.

Beberapa lapisan pemrosesan membentuk jaringan ini, dan lapisan tersebut secara matematis dapat memodelkan data pada tingkat abstraksi yang berbeda. Seperti yang telah dikomentari sebelumnya, pengembang melatih jaringan saraf untuk menyelesaikan tujuan penelitian tertentu, seperti mengenali jenis sel atau lesi jaringan tertentu atau meningkatkan kualitas gambar .

Setelah dilatih, informasi yang diperlukan untuk melakukan tugas, yang disebut model jaringan saraf, disimpan sebagai file terstruktur di komputer dan dapat dengan mudah digunakan kembali dengan deepImageJ. Yaitu, deepImageJ memungkinkan peneliti di seluruh dunia untuk menerapkannya hanya dengan beberapa klik.

“Aplikasi ini menjembatani kesenjangan antara jaringan saraf tiruan dan para peneliti yang menggunakannya. Seorang peneliti ilmu kehidupan sekarang dapat meminta seorang insinyur TI untuk merancang dan melatih algoritme pembelajaran otomatis untuk melakukan tugas tertentu. Ilmuwan kemudian dapat menggunakan pengembangan dengan mudah melalui antarmuka pengguna, tanpa melihat satu baris kode pun,” kata Daniel Sage. Dia adalah peneliti dari cole Polytechnique Fédérale de Lausanne (Pusat Pencitraan EPFL) di Swiss, yang mengawasi pengembangan proyek.

Perangkat lunak kolaboratif sumber terbuka

Plugin ini dirilis sebagai perangkat lunak sumber terbuka dan gratis. Ini adalah sumber daya kolaboratif yang memungkinkan para insinyur, ilmuwan komputer, matematikawan, dan ahli biologi untuk bekerja sama secara lebih efisien. Yaitu, peneliti di seluruh dunia dapat berkontribusi untuk meningkatkan deepImageJ dengan membagikan pengalaman pengguna mereka, mengusulkan peningkatan, dan membutuhkan pembaruan.

“Tujuan kami adalah agar sumber daya ini semakin banyak digunakan oleh para peneliti dari komputer konvensional mana pun dan tanpa perlu memiliki pengetahuan pemrograman. Agar sebanyak mungkin peneliti dapat menggunakan plugin, tim peneliti kami juga mengembangkan seminar virtual, materi pelatihan, dan sumber daya online. Materi dirancang dengan mempertimbangkan programmer dan ilmuwan kehidupan sehingga pengguna dapat dengan cepat memahami metode baru. Semakin banyak pengguna yang menggunakan alat ini, semakin banyak interaksi antara pengembang dan peneliti biomedis akan ditingkatkan. Interaksi ini dengan demikian akan mempercepat penyebaran perkembangan teknologi baru. Di atas segalanya, kemajuan penelitian biomedis,” kata Profesor Muñoz Barrutia.

Sumber: Universitas Carlos III dari Madrid




Pos terkait

Tinggalkan Balasan

Alamat email Anda tidak akan dipublikasikan. Ruas yang wajib ditandai *

Situs ini menggunakan Akismet untuk mengurangi spam. Pelajari bagaimana data komentar Anda diproses.