Cnr sviluppa un algoritmo basato su tecniche di Intelligenza Artificiale (Deep Learning) per accelerare il calcolo di immagini tomografiche di singole cellule
Uno studio, frutto di una collaborazione tra l’Istituto di scienze applicate e sistemi intelligenti “Eduardo Caianiello”(Cnr-Isasi) e il gruppo di Campi Elettromagnetici del Dipartimento di ingegneria elettrica e delle tecnologie dell’i nformazione (Dieti) dell’Università degli studi di Napoli Federico II, ha portato allo sviluppo di un algoritmo basato su tecniche di Intelligenza Artificiale (Deep Learning) per accelerare il calcolo di immagini tomografiche di singole cellule. I risultati della ricerca sono stati pubblicati su Optics and Lasers in Engineering.
“I più accurati metodi di ricostruzione tomografica sono basati sulla regolarizzazione del tipo “Total Variation”, ovvero una strategia per migliorare la qualità della ricostruzione senza perdere il contenuto informativo. Tuttavia, la natura iterativa di questi algoritmi rallenta l’elaborazione, rendendo i tempi di ricostruzione del singolo tomogramma critici per applicazioni real-time, dell’ordine delle decine di secondi,” spiega Francesca Borrelli, addottoranda che svolge la propria attività di ricerca tra il Dieti e il Cnr-Isasi.
“Attraverso l’addestramento di una rete neurale convoluzionale, che ha il compito di imparare il processo di ricostruzione tomografica, è possibile ottenere tomogrammi di alta qualità in frazioni di secondo”, affermano Amedeo Capozzoli, Claudio Curcio e Angelo Liseno, professori del Dieti e supervisori della tesi di dottorato.
“La metodologia introdotta propone l’Intelligenza Artificiale quale approccio per accelerare l’elaborazione, preservando il contenuto informativo dei dati, nell’ottica di applicazioni ad alto throughput”, concludono Pasquale Memmolo e Pietro Ferraro supervisori presso il Cnr-Isasi dell’attività di ricerca.
I risultati ottenuti si inquadrano nell’ambito del progetto PRIN 2017, MORphological biomarkers For Early diagnosis in Oncology (MORFEO), Prot. 2017N7R2CJ di cui Pietro Ferraro è il Principal Investigator.
Vedi anche: