Motivation
Superauflösungs-Mikroskopie Verfahren machen es möglich, biologische Strukturen mit sehr hoher Auflösung abzubilden, und eröffnen so zahlreiche innovative Anwendungen in der biologischen und medizinischen Forschung. Superauflösungs-Mikroskopie benötigt Algorithmen, um aus Messungen einzelner Moleküle ein Bild der zugrunde liegenden biologischen Struktur zu errechnen. Sowohl die Auflösung der Bilder als auch die möglichen erzielbaren Messgeschwindigkeiten hängen in hohem Maße von den verwendeten Rekonstruktions-Algorithmen ab.
Ziele und Vorgehen
In diesem Projekt werden Algorithmen entwickelt und zur Verfügung gestellt, die Maschinelles Lernen (ML) verwenden, um die Leistungsfähigkeit und Nutzbarkeit dieser Ansätze erheblich zu erweitern. Zunächst werden numerische Simulationen entwickelt, die den Bildgebungsprozess genau modellieren. Anschließend werden diese simulierten Mikroskopie-Daten benutzt, um künstlichen neuronalen Netzen den Zusammenhang zwischen den Messungen und den zugrundeliegenden biologischen Strukturen beizubringen. Sobald sie diesen gelernt haben, können sie zur Rekonstruktionsaufgaben auf echten Mikroskopie-Messungen eingesetzt werden. Für die Validierung der Algorithmen werden experimentelle und simulierte Daten und Kenngrößen zur Verfügung gestellt. Die entwickelten Software- und Cloudwerkzeuge sollen Anwendern in Wissenschaft und Industrie ermöglichen, die Methoden ohne Implementierungshürden anzuwenden.
Innovationen und Perspektiven
Der Fokus des Projektes liegt auf der superauflösenden Fluoreszenzmikroskopie, aber die ML- Methoden zur Optimierung und Anpassung von Simulationen sind flexibel auf eine Vielzahl von Bildgebungsverfahren und Rekonstruktionsproblemen anwendbar. Um die die Ergebnisse schneller verbreiten und sie möglichst vielen Nutzern zur Verfügung stellen zu können, werden öffentlich zugängliche, cloud-basierte Versionen der Werkzeuge entwickelt. Die Kompetenzen der Projektpartner in ML und in Computational Microscopy zu kombinieren, ermöglicht den schnellen Wissenstransfer zwischen Methodenentwicklung, Implementierung praktischer Werkzeuge und wissenschaftlicher Erkenntnis.