AIアプローチは光学現象を活用してより良い画像を生成

March, 12, 2025, London--定量的位相イメージング(QPI)は、細胞や組織の研究に広く使用されている顕微鏡技術。QPIに基づく最初の生物医学アプリケーションが開発されたが、広く受け入れられるようにするには、取得速度と画質の両方を改善する必要がある。Görlitzに拠点を置くHelmholtz-Zentrum Dresden-Rossendorf (HZDR)の先端システム理解センタ(CASUS)、Imperial College London、University College Londonの科学チームは、色収差と呼ばれる光学現象(通常は画質を低下させる)を利用して、標準的な顕微鏡で適切な画像を生成することを提案している。
生成AIモデルを採用することで、1回の露光でQPIを生物医学のアプリケーションにとって魅力的なものにするために必要な画質を得ることができる。この研究チームは、2月下旬に米国フィラデルフィアで開催されたAssociation for the Advancement of Ai(AAAI)の第39回年次会議でこの研究を発表した。対応する査読付き会議論文は、3月後半に利用可能になる。

生物学的サンプルを染料やその他の薬剤でラベリングすることで、貴重な洞察が得られる。しかし、このアプローチには、臨床診断での広範な使用を妨げるいくつかの欠点がある:試薬だけでなく、時間と高価な機器が必要。そのため、過去数年間の研究は、QPIのような特定のラベルフリー顕微鏡法に集中してきた。ここでは、サンプルから吸収された光またはサンプルによって散乱された光の大きさだけが重要であるわけではない。QPIは、散乱情報を使用して、サンプルが通過する光の位相をどのようにシフトするか、つまり、サンプルの厚さ、屈折率、およびその他の構造特性に直接関連する変化もキャプチャする。また、QPIには非常に高価な機器が必要だが、計算QPIには必要ない。

最も顕著な計算QPIアプローチの1つは、強度輸送方程式(TIE)を解くことである。この微分方程式により、記録された位相変化に基づいてサンプルの画像を計算することができる。このアプローチは、既存の光学顕微鏡のセットアップに簡単に統合でき、高品質の画像が得られる。欠点としては、TIE方式では、アーティファクトを取り除くために、焦点距離の異なる複数の取得が必要になることがよくある。スルーフォーカススタックの処理には時間がかかり、技術的にも厳しい場合があるため、このタイプのTIEベースのQPIは臨床現場では実現できないことがよくある。

色収差を利用
「われわれのアプローチはTIEと同様の原理に基づいているが、物理学と生成AIの巧妙な組み合わせにより、必要な画像は1つだけである」と、CASUS若手研究者グループのリーダー、AAAI会議で発表された研究の責任著者Artur Yakimovich教授は話している。生体試料によって誘発される位相シフトに関する情報は、他の焦点距離で撮影された追加の露光から得られるものではない。また、色収差と呼ばれる現象により、1回の露光からスルーフォーカススタックを生成することもできる。顕微鏡のほとんどのレンズシステムは、(多色)白色光のすべての波長を1つの収束点に完全に収めることはできない。これは、高度に専門化されたレンズだけが補正できるハンディキャップである。これは、たとえば、赤、緑、青(RGB)の光の焦点距離がわずかに異なることを意味する。「従来のRGB検出器を使用してこれら3つの波長の位相シフトを別々に記録することで、ハンディキャップを資産に変える計算QPIを容易にするスルーフォーカススタックを構築できる」とYakimovichは説明している。

「色収差を使用してQPIを実現するには、赤色光の焦点と青色光の焦点の間の距離が非常に小さいという1つの課題がある」と、CASUSのPh.D学生であり、この論文の2人の筆頭著者の1人であるGabriel della Maggioraはコメントしている。標準的な方法でTIEを解いても、意味のある結果は得られない。「そこで、AIを使えるのではないかと考えた。結局のところ、このアイデアは決定的であることが証明された」とdella Maggioraは付け加えている。「120万枚の画像からなるオープンアクセスのデータセットで生成AIモデルを学習させ、記録から入力されるデータが非常に限られているだけでも、モデルは位相情報を取得することができた」

実世界の臨床検体で検証された方法
チームは、昨年春に発表された画質改善のための生成AIモデルであるCVDM(Conditional Variational Diffusion Model)を利用した。これは、拡散モデルと呼ばれる生成AIモデルの特定のファミリーに属している。開発者は、CVDMのトレーニングは、他の拡散モデルのトレーニングよりも大幅に少ない計算労力で済み、結果は同等またはそれ以上であることを強調している。今回、della Maggioraたちは、CVDM戦略を利用して、定量的データに適用可能な新しい拡散モデルを開発した。このモデルにより、ついに色収差に基づく計算QPIを実現することができた。チームは、例えば、市販のカラーカメラを搭載した一般的な明視野顕微鏡を使用して、実際の臨床標本から顕微鏡画像を作成するという、生成AIベースのアプローチを検証した:ヒトの尿サンプル中の赤血球を分析したこの手法は、これらの細胞のドーナツ状形状を明らかにすることができたが、別の確立された計算TIEベースのアプローチはできなかった。さらに、新しい生成AIベースの定量的位相イメージングバリアントで計算された画像には、雲のアーティファクトが事実上存在しないという利点もあった。

Yakimovich グループ「Machine Learning for Infection and Disease」は、臨床現場ですぐに適用できる顕微鏡法の新しい計算技術を開発している。診断などでの可能性は膨大である。使用される技術の中には、ジェネレーティブ(生成)AIがある。生成AIは幻影を引き起こしやすいため、グループの主な焦点は幻影を減らすこと。ここでは、物理ベースの要素を組み込むことが重要なアプローチである。AIベースの定量的位相イメージングの例が示すように、このアプローチは非常に有望である。