Sixth Sense, specializzata nello sviluppo di prodotti e soluzioni digitali di data analysis, e CrestOptics, attiva nello sviluppo e nella produzione di sistemi avanzati di imaging per la Microscopia e la Diagnostica, hanno avviato una collaborazione che ha l’obiettivo di sviluppare tecniche innovative di Machine Learning per l’acquisizione e l’elaborazione di immagini microscopiche ad altissima risoluzione.
La collaborazione fa leva sulle competenze di Sixth Sense nello sviluppo di algoritmi di Machine Learning in grado di estrapolare insight a partire dai big data, e sull’expertise di CrestOptics nella produzione di sistemi avanzati di imaging per Microscopia, mettendo insieme i rispettivi team di ingegneri a favore della costruzione di un dispositivo e di un algoritmo di Machine Learning che consentirà l’acquisizione di immagini microscopiche super-risolte.
Attraverso l’applicazione di algoritmi di Machine Learning è possibile infatti “insegnare” al software a riconoscere le caratteristiche chiave dell’immagine desiderate, a ottimizzarne i parametri e a migliorarne la qualità fornendo a ricercatori e biologici un’immagine più accurata possibile minimizzando di conseguenza i tempi di analisi e i costi di investimento su parti hardware, potenzialmente molto onerosi.

La partnership prevede l’avvio di una ricerca costituita da due fasi. Nella prima verrà introdotto un approccio di intelligenza artificiale volto al perfezionamento degli algoritmi pseudo-deterministici sviluppati da CrestOptics per i sistemi a luce strutturata, mentre nella seconda fase gli algoritmi menzionati verranno interamente sostituiti da un algoritmo machine-learning in grado di associare all’insieme di immagini a luce strutturata l’immagine super-risolta corrispondente. Questo approccio basato su machine-learning sarà parte integrante della gamma di prodotti high-end CrestOptics destinati al mercato della super-risoluzione.
Un aspetto caratterizzante del Machine Learning è la dinamicità. Questi modelli matematici, infatti, ricevono una serie di dati che sono capaci di apprendere, modificando e migliorando le predizioni man mano che ricevono più informazioni su quello che stanno elaborando. Dunque, attraverso l’apprendimento, l’algoritmo di Machine Learning sviluppato sarà in grado di minimizzare progressivamente gli errori, di massimizzare la probabilità che le previsioni siano corrette e di fornire una ricostruzione dell’immagine super-risolta sempre più accurata, fornendo così un’immagine microscopica di qualità estremamente più alta rispetto a quella che potrebbe fornire un microscopio non dotato di questa tecnologia.
Le immagini super-risolte, oltre ad avere un ruolo chiave nella ricerca di base effettuata su preparazioni cellulari, saranno fondamentali nell’accelerare la generazione di risultati in ambito biomedicale e diagnostico.