മുമ്പത്തെ രീതികളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ ചിത്രങ്ങളുടെ ഒരു ചെറിയ ഉപവിഭാഗവുമായി പ്രവർത്തിക്കാൻ കഴിവുള്ള അൽഗോരിതം അടിസ്ഥാനമാക്കിയുള്ള മൈക്രോസ്കോപ്പി സാങ്കേതികവിദ്യ വേണ്ടത്ര വേഗതയില്ലാത്തപ്പോൾ എന്ത് സംഭവിക്കും? എഫ്എഎസ് സെന്റർ ഫോർ അഡ്വാൻസ്ഡ് ഇമേജിംഗിലെ ജോൺ ഹാർവാർഡ് വിശിഷ്ട സയൻസ് ഫെലോ ആയ ദുഷാൻ വാഡുവാജ് ചെയ്തത് ഇതാണ്.

പതിറ്റാണ്ടുകളായി, ശാസ്ത്രജ്ഞർ ജീവനുള്ള തലച്ചോറിന്റെ ആഴം ദൃശ്യവൽക്കരിക്കാൻ ശ്രമിച്ചു. ഫ്ലൂറസെന്റ് തന്മാത്രകളും പ്രകാശവും ഉപയോഗിക്കുന്ന നൂറ്റാണ്ടുകൾ പഴക്കമുള്ള സാങ്കേതികവിദ്യയായ ഫ്ലൂറസെൻസ് മൈക്രോസ്കോപ്പി ഉപയോഗിച്ച് പരീക്ഷണം നടത്തിയാണ് അവർ ആരംഭിച്ചത്. എന്നിരുന്നാലും, തരംഗദൈർഘ്യങ്ങൾ അപര്യാപ്തമായിരുന്നു, മാത്രമല്ല അവ ഗണ്യമായ ദൂരത്ത് എത്തുന്നതിനുമുമ്പ് ചിതറിപ്പോയി.

1990 ൽ ടു-ഫോട്ടോൺ മൈക്രോസ്കോപ്പി കണ്ടുപിടിച്ചപ്പോൾ, പ്രകാശത്തിന്റെ കൂടുതൽ തരംഗദൈർഘ്യം ടിഷ്യുവിലേക്ക് പ്രകാശിക്കാൻ ഇത് അനുവദിച്ചു, ഇത് ഫ്ലൂറസെന്റ് തന്മാത്രകളെ ഒന്നല്ല, രണ്ട് ഫോട്ടോണുകൾ ആഗിരണം ചെയ്യാൻ അനുവദിച്ചു. തന്മാത്രകളെ ഉത്തേജിപ്പിക്കാൻ കൂടുതൽ തരംഗദൈർഘ്യങ്ങൾ ഉപയോഗിച്ചു, അവ കുറവ് ചിതറിക്കിടക്കുകയും കൂടുതൽ തുളച്ചുകയറുകയും ചെയ്തു.

എന്നിരുന്നാലും, ടു-ഫോട്ടോൺ മൈക്രോസ്കോപ്പിക്ക് പലപ്പോഴും ഒരു സമയം ടിഷ്യുവിലെ ഒരു സ്ഥാനം മാത്രമേ ഉത്തേജിപ്പിക്കാൻ കഴിയൂ, ഇതിന്റെ ഫലമായി നിരവധി നിരീക്ഷണങ്ങൾ ആവശ്യമുള്ള ഒരു നീണ്ട നടപടിക്രമത്തിന് കാരണമാകുന്നു. ഇമേജിംഗ് വേഗത്തിലുള്ള ഒരു രീതി ഒരേസമയം വിശാലമായ കാഴ്ചപ്പാട് ഉപയോഗിച്ച് നിരവധി സ്ഥലങ്ങളെ പ്രകാശിപ്പിക്കുക എന്നതാണ്, പക്ഷേ ഇതും പ്രശ് നങ്ങളുണ്ടായിരുന്നു.

നിങ്ങൾ ഒരേ സമയം ഒന്നിലധികം പോയിന്റുകൾ ഉത്തേജിപ്പിക്കുകയാണെങ്കിൽ, നിങ്ങൾക്ക് അവ പരിഹരിക്കാൻ കഴിയില്ല. അത് പുറത്തുവരുമ്പോൾ, എല്ലാ വെളിച്ചവും ചിതറിക്കിടക്കുന്നു, അത് എവിടെ നിന്ന് വരുന്നുവെന്ന് നിങ്ങൾക്കറിയില്ല. ദുഷാൻ വഡ്ഡുവാജ്, ജോൺ ഹാർവാർഡ് വിശിഷ്ട സയൻസ് ഫെലോ, എഫ്എഎസ് സെന്റർ ഫോർ അഡ്വാൻസ്ഡ് ഇമേജിംഗ്, ഹാർവാർഡ് യൂണിവേഴ്സിറ്റി

ഈ തടസ്സം പരിഹരിക്കാൻ വഡ്ഡുവേജിന്റെ സംഘം ഒരു പ്രത്യേക തരം മൈക്രോസ്കോപ്പി ഉപയോഗിക്കാൻ തുടങ്ങി, ഇത് 2021 ൽ സയൻസ് അഡ്വാൻസസിൽ പ്രസിദ്ധീകരിച്ചു. വ്യത്യസ്തമായ പ്രീ-എൻകോഡ് ചെയ്ത ഉത്തേജന പാറ്റേണുകൾ ഉപയോഗിച്ച്, ശാസ്ത്രജ്ഞർ ടിഷ്യുവിലെ നിരവധി പാടുകൾ വൈഡ്-ഫീൽഡ് മോഡിൽ സജീവമാക്കി. ഡി-സ്കാറ്ററിംഗ് വിത്ത് എക്സിറ്റേഷൻ പാറ്റേണിംഗ് അല്ലെങ്കിൽ ഡീപ് എന്നറിയപ്പെടുന്ന ഈ സാങ്കേതികവിദ്യ ഒരു കമ്പ്യൂട്ടേഷണൽ അൽഗോരിതം ഉപയോഗിച്ചാണ് പ്രവർത്തിക്കുന്നത്.

“ഞങ്ങൾ ഒന്നിലധികം എക്സൈറ്റേഷൻ കോഡുകൾ അല്ലെങ്കിൽ ഒന്നിലധികം പാറ്റേണുകൾ ഉപയോഗിക്കുന്നു എന്നതാണ് ആശയം, കൂടാതെ ഞങ്ങൾ ഒന്നിലധികം ഇമേജുകൾ കണ്ടെത്തുന്നു. എക്സൈറ്റേഷൻ പാറ്റേണുകളെയും കണ്ടെത്തിയ ഇമേജുകളെയും കുറിച്ചുള്ള വിവരങ്ങൾ ഞങ്ങൾക്ക് ഉപയോഗിക്കാനും ഒരു ക്ലീൻ ഇമേജ് പുനർനിർമ്മിക്കാനും കഴിയും, “വഡ്ഡുവാജ് കൂട്ടിച്ചേർത്തു.

ലഭിച്ച ചിത്രങ്ങളുടെ ഗുണനിലവാരം പോയിന്റ് സ്കാനിംഗ് ടു-ഫോട്ടോൺ മൈക്രോസ്കോപ്പിക്ക് തുല്യമാണ്. പോയിന്റ് സ്കാനിംഗിന് ആവശ്യമായ ലക്ഷക്കണക്കിന് ചിത്രങ്ങൾക്ക് പകരം നൂറുകണക്കിന് ഇമേജുകൾ ഉപയോഗിച്ച് അവ ഇപ്പോഴും സൃഷ്ടിക്കാൻ കഴിയും. പുതിയ സാങ്കേതികവിദ്യ ഉപയോഗിച്ച് 300 മൈക്രോൺ വരെ ജീവനുള്ള മൗസ് തലച്ചോറിലേക്ക് പരിശോധിക്കാൻ വഡ്ഡുവേജിന്റെ ടീമിന് കഴിഞ്ഞു.

ഇപ്പോഴും അപര്യാപ്തമാണ്. കുറച്ച് പതിനായിരക്കണക്കിന് ഇമേജുകൾ മാത്രമുള്ള വ്യക്തമായ ചിത്രം ഡീപ്പ് നൽകുമോ എന്ന് വാഡുവാജ് ആശ്ചര്യപ്പെട്ടു.

ലൈറ്റ്: സയൻസ് ആൻഡ് ആപ്ലിക്കേഷൻസിൽ പ്രസിദ്ധീകരിച്ച ഒരു പുതിയ പഠനത്തിൽ ഇമേജിംഗ് പ്രക്രിയ വേഗത്തിലാക്കാൻ അദ്ദേഹം മെഷീൻ ലേണിംഗ് ഉപയോഗിച്ചു. ആവർത്തിച്ചുള്ള ചിത്രങ്ങളുടെ സെറ്റുകളിൽ ന്യൂറൽ നെറ്റ് വർക്ക് അടിസ്ഥാനമാക്കിയുള്ള അൽഗോരിതം പരിശീലിപ്പിക്കാൻ അദ്ദേഹവും സഹപ്രവർത്തകരും ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ഉപയോഗിച്ചു, ഒടുവിൽ വെറും 32 ചിതറിപ്പോയ ചിത്രങ്ങൾ ഉപയോഗിച്ച് ശരിയായി പരിഹരിച്ച ചിത്രം പുനർനിർമ്മിക്കാൻ പരിശീലനം നൽകി (അവരുടെ യഥാർത്ഥ പഠനത്തിൽ പറഞ്ഞ 256 ന് പകരം). ഡീപ്-സ്ക്വയർഡ് എന്നത് ആവേശകരമായ പാറ്റേണിംഗ് ഉപയോഗിച്ച് ആഴത്തിലുള്ള പഠന-പവർ ഡി-സ്കാറ്ററിംഗ് സമീപനമാണ്.

സ്റ്റാൻഡേർഡ് ടു-ഫോട്ടോൺ പോയിന്റ്-സ്കാനിംഗ് മൈക്രോസ്കോപ്പിയിൽ നിന്നുള്ള ചിത്രങ്ങൾ ഗവേഷകർ ഉപയോഗിച്ചു. ഇമേജ് ജനറേഷൻ പ്രക്രിയയുടെ ഒരു കമ്പ്യൂട്ടേഷണൽ മോഡൽ സൃഷ്ടിക്കാൻ ഡീപ് മൈക്രോസ്കോപ്പ് ഭൗതികശാസ്ത്രം ഉപയോഗിച്ചു, തുടർന്ന് ചിതറിക്കിടക്കുന്ന ഇൻപുട്ട് ഇമേജുകൾ അനുകരിക്കാൻ ഇത് ഉപയോഗിച്ചു.

അവരുടെ ഡീപ്-സ്ക്വയർഡ് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് മോഡൽ പരിശീലിപ്പിക്കാൻ ഇവ ഉപയോഗിച്ചു. എലികളുടെ തലച്ചോറിലെ രക്തക്കുഴലുകളുടെ പുതിയ ചിത്രങ്ങൾ എടുക്കാൻ ഗവേഷകർ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ഉപയോഗിച്ചു, ഇത് വാഡുവേജിന്റെ ഗ്രൗണ്ട്-ട്രൂത്ത് റഫറൻസിനെ പ്രതിഫലിപ്പിക്കുന്ന പുനർനിർമ്മിച്ച ചിത്രങ്ങൾ സൃഷ്ടിച്ചു.

“ഇത് ഘട്ടം ഘട്ടമായുള്ള പ്രക്രിയ പോലെയാണ്. ആദ്യ പേപ്പറിൽ ഞങ്ങൾ ഒപ്റ്റിക്സ് വശത്ത് പ്രവർത്തിക്കുകയും ഒരു നല്ല പ്രവർത്തന അവസ്ഥയിലെത്തുകയും ചെയ്തു, രണ്ടാമത്തെ പേപ്പറിൽ ഞങ്ങൾ അൽഗോരിതം വശത്ത് പ്രവർത്തിക്കുകയും അതിർത്തി എല്ലാ വഴിയിലും തള്ളിവിടാനും പരിധികൾ മനസിലാക്കാനും ശ്രമിച്ചു. ഞങ്ങൾ നേടുന്ന നിലവിലെ ഡാറ്റ ഉപയോഗിച്ച് ഞങ്ങൾക്ക് ചെയ്യാൻ കഴിയുന്ന ഏറ്റവും മികച്ചത് ഇതാണെന്ന് ഞങ്ങൾക്ക് ഇപ്പോൾ മികച്ച ധാരണയുണ്ട്.

എന്നിരുന്നാലും, ഡാറ്റ വേഗത്തിൽ പിടിച്ചെടുക്കുന്നതിന് ഉപകരണ രൂപകൽപ്പന നവീകരിക്കുന്നത് പോലുള്ള ഡീപ്-സ്ക്വയറിന്റെ കഴിവുകൾ വികസിപ്പിക്കുന്നതിനുള്ള കൂടുതൽ നിർദ്ദേശങ്ങൾ വഡ്ഡുവേജിനുണ്ട്. ഭാവിയിലെ ഏതൊരു സാങ്കേതിക മുന്നേറ്റത്തെയും പോലെ ഡീപ്-സ്ക്വയർഡ് ക്രോസ്-ഡിസിപ്ലിനറി സഹകരണം പ്രകടമാക്കുന്നുവെന്ന് അദ്ദേഹം വിശ്വസിക്കുന്നു.

“മൃഗ പരീക്ഷണങ്ങൾ നടത്തിയ ജീവശാസ്ത്രജ്ഞർ, ഒപ്റ്റിക്സ് നിർമ്മിച്ച ഭൗതികശാസ്ത്രജ്ഞർ, അൽഗോരിതം വികസിപ്പിച്ച കമ്പ്യൂട്ടർ ശാസ്ത്രജ്ഞർ എന്നിവരെല്ലാം ഒരു പരിഹാരം നിർമ്മിക്കാൻ ഒത്തുചേർന്നു.”

ജേണൽ റഫറൻസ്:

Wijethilake, N., et al. (2023) DEEP-squared: Deep Learning powered de-scatering with Excitation Patterning. വെളിച്ചം: Science and Applications. DOI:10.1038/s41377-023-01248-6

ഉറവിടം: https://www.harvard.edu/