Revolucionando las imágenes de microscopía con inteligencia artificial. Aportes recientes en el uso de los algoritmos de inteligencia artificial para mejorar la calidad en imágenes de microscopía
Palabras clave:
Microscopia electrónica, Inteligencia artificial, Algoritmos, Procesamiento de imágenes asistido por computadoraResumen
El campo de la inteligencia artificial (IA) busca recrear las poderosas capacidades del cerebro en las máquinas, y actualmente los términos aprendizaje automático e IA a menudo se usan indistintamente (1). A medida que la tecnología basada en IA gana más atención en la comunidad académica, trabajos pioneros que combinan esta poderosa herramienta con métodos de microscopía han logrado resultados notables. En este mundo de posibilidades, muchas propuestas utilizan en conjunto herramientas matemáticas, estadísticas y computacionales para mejorar la calidad de imágenes de microscopía.
Referencias
Bishop, C. M., and H. Bishop. Deep Learning Foundations and Concepts. Springer, 2024.
Miura, Kota. Bioimage Data Analysis. 1st ed., Wiley-VCH, 2016.
Rulloni, V.(2014). Texturas de imágenes binarias: síntesis, restauración, impainting e imputation (Tesis de Doctorado en Ciencias de la Ingeniería).
Li, X., et al. “Fast Confocal Microscopy Imaging Based on Deep Laerning.” IEEE Xplore, 2020.
Acción, L. ,Vera, M., & Goldin ,A. (2023). Pensar la inteligencia artificial. CONICET. https://www.conicet.gov.ar/pensar-la-inteligencia-artificial/
Novo, M. L., Alsina, A., Marbán, J. M., & Berciano, B. (2017). Cerebro social e inteligencia conectiva. Comunicar, Revista Científica de Educomunicación, 52(8), 29-39. https://www.revistacomunicar.com
James, Gareth, et al. An Introduction to Statistical Learning with Applications in Python. Springer, 2024.
Dong, C., et al. “Learning a Deep Convolutional Network for Image Super-Resolution.” European Conference on Computer Vision, Springer, 2014, pp. 184–199.
Andreu Vilarroig, C. (2019). Diseño y desarrollo de un método de super resolución en imágenes de RM usando deep learning (Trabajo de fin de grado). Universidad Politécnica de Valencia, Departamento de Ingeniería Biomédica.
Pérez, P., & Valente, M. (2018). Curso de introducción al procesamiento de imágenes radiológicas en ámbito clínico. https://www.famaf.unc.edu.ar
Hamilton, William. Graph Representation Learning. Synthesis Lectures on Artificial Intelligence and Machine Learning, Morgan& Claypool, 2020.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2024 Gisela M. Brunetto , Natalia Wilke, Valeria S. Rulloni
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Licencia Creative Commons BY NC
Usted es libre de:
- Compartir — copiar y redistribuir el material en cualquier medio o formato
- Adaptar — remezclar, transformar y construir a partir del material
- La licenciante no puede revocar estas libertades en tanto usted siga los términos de la licencia
Bajo los siguientes términos:
-
Atribución — Usted debe dar crédito de manera adecuada, brindar un enlace a la licencia, e indicar si se han realizado cambios. Puede hacerlo en cualquier forma razonable, pero no de forma tal que sugiera que usted o su uso tienen el apoyo de la licenciante.
-
NoComercial — Usted no puede hacer uso del material con propósitos comerciales.
