DTU vil forbedre analyse af 3D-billeder fra mikroskoper med AI

I Lund i Sverige gemmer der sig to forskningsanlæg, MAX IV og det kommende European Spallation Source (ESS). Begge anlæg er i stand til at undersøge materialer og systemer ned på atomniveau (10 nanometer) i 3D, så man kan gøre nye opdagelser inden for materialer, medicin og miljø.

Der er dog én udfordring: Dataanalysen af 3D-billedmaterialet fra de to avancerede mikroskoper, der anvender henholdsvis røntgen og neutronstråling til at undersøge materialer i tre dimensioner, er utrolig krævende og kompliceret. Men dette kan machine learning – en del af kunstig intelligens – måske løse.

”I dag bliver selve dataanalysen af 3D-billeder ofte et forskningsprojekt i sig selv, og det tager 10-100 gange så lang tid som alt andet i eksperimentet. Det sætter en begrænsning på, hvor stor nytte man kan få af en forskningsfacilitet som MAX IV, fordi data ikke bliver udnyttet i så høj grad, som de kunne med bedre analyseteknikker. Det problem vil vi gerne løse,” siger professor og sektionsleder for Visual Computing på DTU Compute Anders Bjorholm Dahl.

Læs også: Hvad er kunstig intelligens? Sådan ser fremtiden med AI ud

Skal udvikle næste generation af algoritmer til 3D-målinger

DTU har i forvejen centeret QIM, som der nu oprettes en ny forskningsinfrastruktur, The Infrastructure for QUantitative AI-based TOMography (QUAITOM), under. Den dataanalyse og det brugersamarbejde i forbindelse MAX IV og ESS, som er startet i QIM, vil nu blive til at også at omfatte samarbejde inden for machine learning.

Samarbejdet bliver baseret på en dataanalyseplatform, som giver optimale muligheder for at udvikle den næste generation af algoritmer til at optimere de omfattende 3D-målinger og data, som bliver genereret fra undersøgelserne på røntgensynkrotron- og neutronfaciliteter i Lund.

DTU har modtaget en bevilling fra Novo Nordisk Fonden, der støtter QUAITOM-platformen med 11,5 millioner kroner over fem år. Med den bevilling skal DTU nu i gang med at udvikle en standardprocedure for, hvordan billeder optaget på eksempelvis MAX IV kan analyseres ved hjælp af kunstig intelligens.

Det unikke ved 3D-billedanalyse er, at billederne er komplicerede, fordi data lever i tre dimensioner, og man derfor kan udtrække mange forskellige typer informationer om størrelse og form af de strukturer, man tager billeder af, fra billeddataene.

”På den ene side har vi problemet, at der inden for 3D-imaging mangler metoder til at lave effektive analyser. På den anden side har vi forskningsfeltet machine learning og deep learning, der arbejder med forholdsvis generelle analyser, der kan give meget præcis information om indholdet af billederne. Vi mener, at der er behov for at koble de to verdener og udvikle billedanalysealgoritmer, der kan trænes med meget mindre data,” siger Anders Bjorholm Dahl.

Læs også: Nucleai bruger maskinlæring til at forudsige kræftsvulster

Stort potentiale inden for life science

Når man undersøger materialers egenskaber ved brug af røntgen eller neutroner, forbliver prøverne intakte – og det har en lang række anvendelser inden for teknisk videnskab og naturvidenskab, da man kan optage et billede, ændre prøven og optage et billede igen.

Med de avancerede mikroskoper, hvor billedmaterialet analyseres med computervision, kan man eksempelvis undersøge vævsprøver i 3D og se og forstå strukturer meget tæt på den struktur, som vævet har i den levende organisme, som prøverne stammer fra. Desuden kan vævet efterfølgende undersøges med histologiske teknikker, der bruger lysmikroskopi eller elektronmikroskopi.

DTU har også været involveret i 3D-life science-projekter om forståelse af hjernens mikrostrukturelle organisering, hvordan COVID-19 påvirker blodkar i hjertet, hvordan perifere nerver påvirkes af diabetes og hvordan muskelceller ændres hos lammede patienter.

”Med MAX IV og ESS har vi to af de mest avancerede mikroskoper i verden, som gør det muligt at lave helt ekstraordinære forsøg. Det er stadig meget kompliceret at analysere data, der kommer ud af sådanne forsøg, så det har afgørende betydning at kunne standardisere analysen af 3D-billeder. Et samarbejde mellem forskere, som laver nye AI-baseret billedanalysemetoder og imaging-forskere er unikt, og rummer et stort potentiale for forskningsresultater i verdensklasse,” siger Anders Bjorholm Dahl.

Fakta om MAX IV og ESS ESS og MAX IV er to avancerede forskningsanlæg i Lund i Sverige. De to anlæg anvender henholdsvis røntgen og neutronstråling til avancerede forskningsforsøg, herunder 3D-billeddannelse. MAX IV MAX IV-synkrotronen er en del af Lunds Universitet og er den første 4. generations synkrotron. MAX IV er udstyret med en dansk målestation, (beamline, eng.), DanMAX, hvor udstyret er tilpasset prøver, som skal undersøges med en opløsning på 10-100 nanometer. Den danske målestation giver direkte adgang for danske forskere og virksomheder til alle målestationer på MAX IV. MAX IV blev indviet i sommeren 2016. European Spallation Source (ESS) ESS bliver verdens absolut største og mest avancerede neutronspredningsfacilitet. ESS ligger i Lund, men det tilhørende datacenter ESS Data Management & Software Centre (DMSC) er placeret i København. ESS står klar til forsøg i 2025. Kilde: DTU

Læs også: Nyheder om kunstig intelligens