Point Spread Function Engineering Using Implicit Neural Representations
تقترح هذه الورقة طريقة لتصميم الحدقة قائمة على المجال العصبي تعامل هندسة دالة انتشار النقطة (PSF) كمسألة استرجاع طور، مما يتيح تحسين توزيعات دالة انتشار نقطة ثلاثية الأبعاد مرنة ومحددة من قبل المستخدم مع متانة تجاه التهيئة مقارنة بالنهج التقليدية القائمة على البكسل.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في عالم المجهر عالي القدرة، لا يمثل الوضوح في الرؤية سوى نصف المعركة؛ ففهم أين تقع الأشياء في الأبعاد الثلاثة هو النصف الآخر. عندما ينظر المجهر إلى نقطة ضوء صغيرة، تتسبب قوانين الفيزياء في تحول تلك النقطة إلى قرص ضبابي صغير. يُعرف هذا الضباب بـ "دالة انتشار النقطة" (point spread function). لعقود من الزمن، حاول العلماء التلاعب بهذا الضباب لصالحهم. فمن خلال وضع مرشحات خاصة في مسار الضوء، يمكنهم مط هذا القرص ليصبح لولبياً لتتبع العمق، أو تسطيحه للحفاظ على التركيز في آن واحد، أو تقسيمه إلى نقاط متعددة لإضاءة طبقات مختلفة في وقت واحد. ومع ذلك، كان تصميم هذه المرشحات عملية جامدة تقليدياً؛ إذ كانت تتطلب من الخبراء الاختيار من قائمة محدودة من الأشكال الرياضية الجاهزة، تماماً مثل محاولة بناء منزل مخصص باستخدام عدد قليل فقط من أنماط الطوب القياسية. وإذا لم يتناسب الشكل المطلوب مع الأنماط المتاحة، فإن التصميم يفشل، أو ينتج عنه صورة مشوشة وصعبة التفسير.
لقيدت مجموعة من الباحثين في جامعة بوسطن ومعهد جورجيا التقني طريقة جديدة لحل هذه المشكلة، وهي طريقة تعامل تصميم هذه المرشحات البصرية كمهمة تعلم بدلاً من كونها لغزاً من قطع ثابتة. فبدلاً من إجبار المرشح على التوافق مع فئة رياضية موجودة مسبقاً، استخدموا نوعاً من الذكاء الاصطناٍ المعروف باسم "المجال العصبي" (neural field). يعمل هذا النظام كخريطة مستمرة وناعمة يمكن رسمها عند أي مستوى من التفاصيل. قام الباحثون بتغذية هذا النظام بوصف دقيق للنمط ثلاثي الأبعاد للضوء الذي يريدون إنشاءه — سواء كان لولباً دواراً، أو ورقة تركيز مسطحة، أو مجموعة مبعثرة من النقاط المتوهجة. ثم استنتج الكمبيوتر الشكل الدقيق للمرشح اللازم لتحويل شعاع ضوء قياسي إلى هذا النمط المحدد. والنتيجة هي وسيلة مرنة يمكنها إنتاج مرشحات بصرية مخصصة لأي حاجة تصوير تقريباً دون الحاجة إلى المعرفة العميقة والمتخصصة التي كانت ضرورية سابقاً لاختيار اللبنات الرياضية المناسبة.
يكمن جوهر هذا العمل في كيفية مقاربة الباحثين لمشكلة إيجاد شكل المرشح الصحيح. في الماضي، كان العلماء يحاولون حل هذه المشكلة عن طريق ضبط المرشح بكسل تلو الآخر، تماماً مثل محاولة رسم لوحة فنية عبر تغيير لون كل مربع منفرد على الشبكة في كل مرة. غالباً ما كانت هذه الطريقة تتعثر في أخطاء محلية، مما ينتج مرشحات متعرجة ومليئة بالضوضاء عالية التردد، مما قد يفسد الصورة النهائية بآثار حبيبية. وتتجنب الطريقة الجديدة هذا الأمر باستخدام شبكة عصبية لوصف المرشح كدالة مستمرة وناعمة. وهذا يعني أن الكمبيوتر يتعلم قاعدة واحدة انسيابية للمرشح بأك ول وليس مجموعة من النقاط المنفصلة. تعمل هذه النعومة كحاجز طبيعي، مما يمنع التصميم من أن يصبح ضوضائياً ويضمن أن يكون المرشح الناتج واقعياً من الناحية الفيزيائية وسهل التصنيع.
لاختبار فكرتهم، بنى الفريق نظاماً بصرياً على طاولة مجهز بمعدل ضوء مكاني (spatial light modulator)، وهو جهاز يمكن أن يعمل كمرشح قابل للبرمجة. قاموا ببرمجة الجهاز بالأشكال التي ولدتها شبكتهم العصبية ثم سلطوا الضوء من خلاله ليروا ما سيحدث. لقد نجحوا في إنشاء عدة أنماط معقدة، بما في ذلك دالة انتشار نقطة أحادية اللولب تدور دورة كاملة (360 درجة) عبر مدى 80 ميكرومتر، ونسخة مزدوجة اللولب تدور 180 درجة عبر 100 ميكرومتر. كما صمموا نمط مجال رؤية ممتد يظل حاداً عبر مدى 400 ميكرومتر. وفي كل حالة، تطابقت النتائج التجريبية مع عمليات المحاكاة الحاسوبية بشكل وثيق، مما أثبت أن التصاميم المستمرة والناعمة التي تعلمتها الشبكة العصبية يمكن تحقيقها فيزيائياً وتعمل تماماً كما هو متوقع.
إحدى المزايا العملية الأكثر أهمية لهذه الطريقة الجديدة هي قدرتها على التحكم في سطوع أجزاء مختلفة من الصورة بشكل مستقل. في تصوير الأنسجة العميقة، غالباً ما يخفت الضوء أثناء انتقاله لمسافات أبعد بسبب التشتت والامتصاص. وقد أظهر الباحثون أن نظامهم يمكن توجيهه لجعل نقاط التركيز في الأعماق الأكبر أكثر سطوعاً للتعويض عن هذا الفقدان. فمن خلال تعديل الأوزان في وصف الهدف بالحاسوب ببساطة، تعلم النظام مرشحاً يدفع المزيد من الطاقة إلى الطبقات الأعمق، مما يؤدي فعلياً إلى موازنة شدة الإضاءة عبر الحجم بأكمله. هذا النوع من التحكم الدقيق يصعب تحقيقه بالأساليب القديمة، التي غالباً ما تعاني في موازنة توزيع الطاقة عبر أعماق مختلفة دون إدخال أخطاء.
كما قارن الباحثون نهج المجال العصبي الخاص بهم بتقنيات التحسين التقليدية القائمة على البكسل تلو الآخر. تطلبت الطرق التقليدية محاولات أكثر بكثير لإيجاد حل، وغالباً ما كانت تحتاج إلى تخمين أولي محدد لكي تنجح. وحتى عندما نجحت، كانت المرشحات الناتجة غالباً ضوضائية وأقل دقة. في المقابل، وصل نهج المجال العصبي إلى الحل بشكل أسرع بكثير ودون الحاجة إلى أي نقطة بداية خاصة. وكانت المرشحات التي أنتجها ناعمة وخالية من ضوضاء النمش الحبيبية التي تعاني منها الأساليب الأخرى. يشير هذا إلى أن الطريقة ليست أكثر كفاءة فحسب، بل هي أيضاً أكثر قوة، وقادرة على إيجاد حلول عالية الجودة حتى عندما يكون النمط المطلوب معقداً أو غير عادي.
يفتح هذا العمل الباب أمام عصر جديد من المجهر المخصص حيث تُزال القيود المفروضة على الأشكال المحددة مسبقاً. يمكن للعلماء الآن تحديد كيفية رغبتهم في سلوك الضوء في الأبعاد الثلاثة، وسيقوم النظام بإنشاء المرشح البصري اللازم لتحقيق ذلك. هذه الطريقة عامة بما يكفي لتطبيقها في مهام متنوعة، من تتبع حركة الجزيئات المنفردة إلى إضاءة مستويات متعددة من عينة بيولوجية في وقت واحد. ولأن الشبكة العصبية تتعلم قاعدة مستمرة، يمكن توسيع نطاق المرشح الناتج إلى أي دقة دون فقدان الجودة، مما يجعله قابلاً للتكيف مع مختلف المجاهر والإعدادات التجريبية. إن القدرة على تصميم هذه المرشحات تلقائياً وبموثوقية تعني أن الباحثين يمكنهم التركيز أكثر على الأسئلة البيولوجية التي يحاولون الإجابة عنها بدلاً من العقبات الرياضية لتصميم الأدوات التي تمكنهم من رؤيتها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.