En un nuevo capítulo de cómo la inteligencia artificial puede ayudaros a sacar el máximo partido de vuestras imágenes científicas, hoy os presentamos distintos métodos para eliminar o reducir el ruido que se puede introducir durante la captura de estas imágenes.
El ruido suele aparecer cuando, por el motivo que sea (normalmente relacionado con las características de la muestra), tenemos que aumentar mucho la sensibilidad del sensor de la cámara y/o bajar mucho el tiempo de exposición. En otros casos, aparece debido al propio modo de funcionamiento del equipo. Un ejemplo muy claro lo tenemos en las imágenes que adquiere nuestro confocal Leica TCS SP5 equipado con una cabeza escaneadora resonante. La alta velocidad de escaneo hace que las imágenes sean muy ruidosas. Este problema lo solucionamos capturando varias veces la misma imagen (normalmente 8 o 16 veces) y haciendo una media de estas repeticiones para obtener una imagen mejorada. Por supuesto, esto implica un aumento en el tiempo de captura (p. ej., un mosaico de 64 imágenes con 27 Zs y dos canales se adquiere en 10 minutos sin medias, pero sube a 1 hora si se emplean 8 medias) y en el fotoblanqueo, así como en la fototoxicidad en el caso de muestras vivas. Para solucionar este tipo de problemas, se han desarrollado modelos de inteligencia artificial usando redes neuronales convolucionales (CNN en inglés) que ofrecen resultados prometedores.
Ejemplo de una imagen del rizoma de Convallaria sp. obtenida sin medias (izquierda) y con 8 medias (derecha).
El primer modelo de CNN del que vamos a hablar se llama CARE y tan solo necesita para su entrenamiento que se le provean pares de imágenes con y sin ruido. Existen versiones para trabajar tanto con imágenes 2D como 3D (stacks de Z) y, a diferencia de lo que ocurre con los modelos de inteligencia artificial de los que hemos hablado en artículos anteriores, no es necesario hacer un etiquetado previo de las imágenes.
Los resultados que hemos obtenido en las pruebas de CARE son espectaculares y hacen que se pueda considerar como una alternativa para reducir el tiempo de captura de mosaicos de grandes áreas, de horas a minutos, optimizando, por lo tanto, el uso del confocal.
Imagen obtenida sin medias (izquierda), con 8 medias (derecha) y el resultado del entrenamiento de una CNN CARE (centro). Se puede observar cómo la calidad de la imagen procesada con CARE es similar a la obtenida haciendo 8 medias.
En el caso de que no sea posible obtener imágenes de alta calidad (con una buena relación señal/ruido), también se puede entrenar CARE utilizando pares de imágenes ruidosas [Noise2Noise (N2N) image restoration]. Por sorprendente que parezca, este método también ha aportado unos resultados prometedores en las primeras pruebas que hemos realizado y que indican que probablemente se puedan mejorar ajustando las condiciones de captura de las imágenes ruidosas.
Aquí podemos comprobar cómo el entrenamiento de una CNN CARE suministrando pares de imágenes ruidosas (N2N) produce un resultado (imagen central) similar al que se obtiene haciendo 8 medias a la imagen (derecha) en las zonas de mayor intensidad, mientras que las zonas de menor intensidad parecen perderse. Probablemente este artefacto se pueda evitar ajustando mejor las condiciones de captura cuando esto sea posible.
Por último, puede ocurrir que ni siquiera se puedan adquirir pares de imágenes ruidosas. En este caso, existe otra CNN que puede venir en nuestra ayuda. Se llama Noise2Void (N2V) y lo único que hay que hacer para entrenarla es proporcionarle imágenes ruidosas. Por supuesto, el tiempo de entrenamiento para obtener un buen modelo va a ser mucho mayor que cuando se usa CARE y los resultados más modestos. Aun así, y teniendo en cuenta que se parte únicamente de imágenes con una mala relación señal/ruido, la mejora es considerable y puede ser una opción cuando no se puedan obtener pares de imágenes para el entrenamiento de la CNN.
La imagen procesada con N2V (centro), aunque no llega a los niveles de una imagen adquirida con 8 medias (derecha), mejora considerablemente cuando se compara con la imagen original (izquierda).
Como veis, existen distintas formas en las que la inteligencia artificial puede ayudarnos a mejorar la calidad de nuestras imágenes ruidosas. Si estáis interesados en saber más o hacer alguna prueba, no dudéis en poneros en contacto con nosotros. También podéis aprender más en este webinar sobre restauración de imagen:
Por último, aquí tenéis los artículos originales que describen los modelos:
CARE (https://www.nature.com/articles/s41592-018-0216-7)
Noise2Void (https://arxiv.org/abs/1811.10980)
AUTOR
Javier Mazarío, PhD.
Responsable del Servicio de Microscopía y Análisis de Imagen
Hospital Nacional de Parapléjicos
Toledo, España.
SERVICIOS DE APOYO A LA INVESTIGACIÓN 
Un comentario en “MEJORA DE IMÁGENES RUIDOSAS MEDIANTE INTELIGENCIA ARTIFICIAL”