SiMaLeSAM: Simulations-basiertes Maschinelles Lernen für Superauflösungs-Mikroskopie

01/09/2021 to 31/08/2023

SiMaleSAM
Simulations-basiertes Maschinelles Lernen für Superauflösungs-Mikroskopie
Simulation-based Machine Learning for Superresolution Microscopy

Rechnergestützte Mikroskopie-Verfahren wie Superauflösungs-Mikroskopie können biologische Strukturen mit sehr hoher Auflösung abbilden, und eröffnen so zahlreiche innovative Anwendungen in der biologischen und medizinischen Forschung. In diesem Projekt werden Algorithmen entwickelt und zur Verfügung gestellt, die Maschinelles Lernen (ML) und die Erzeugung synthetischer Daten kombinieren, um die Anwendungs- bereiche, Leistungsfähigkeit und Nutzbarkeit dieser Ansätze erheblich zu erweitern: Künstliche neuronale Netze werden auf numerischen Simulationen des Bildgebungsprozesses trainiert, um Informationen aus den Bildgebungsdaten optimal zu extrahieren.
a) Wir werden flexible Simulatoren des Bildgebungsprozesses entwickeln, die für den Einsatz in ML- Anwendungen optimiert sind. b) Wir werden ML-Algorithmen entwickeln, um Simulationen zu optimieren und Abweichungen zwischen empirischen und synthetischen Daten zu erkennen und zu korrigieren. c) Wir werden experimentelle und simulierte Daten und Kenngrößen zur Validierung von simulations-basierten Algorithmen zur Verfügung stellen. d) Unsere Software- und Cloudwerkzeuge werden es Anwendern in Wissenschaft und Industrie ermöglichen, unsere Methoden ohne Implementierungshürden anzuwenden. Fokus des Projektes ist die superauflösende Fluoreszenzmikroskopie, aber unsere ML-Methoden zur Optimierung und Anpassung von Simulationen sind flexibel auf eine Vielzahl von Bildgebungsverfahren und Rekonstruktionsprobleme anwendbar.