RESUM
El límit de difracció de la llum restringeix la resolució espacial dels microscopis òptics convencionals a uns 200 nm. Per superar aquesta barrera i revelar estructures de gran rellevància en biologia i ciència de materials, habitualment s’adopten dues estratègies principals: (i) millorar el maquinari i els protocols d’adquisició —sovint costosos i potencialment nocius per a les mostres— i (ii) desenvolupar mètodes avançats de reconstrucció d’imatges que extreuen informació addicional a partir de les dades existents. Aquest segon enfocament es basa en coneixements físics previs, com ara els models d’imatge i les estadístiques del soroll, combinats amb supòsits estructurals o temporals sobre la mostra. Els avenços recents en aprenentatge automàtic i profund han permès el desenvolupament de mètodes interpretables, conscients del model i guiats per les dades, en què els models físics s’enriqueixen amb coneixements extrets de les dades. En aquesta xerrada, es presentaran els principis físics i els fonaments matemàtics de les tècniques modernes de reconstrucció en microscòpia de fluorescència, incloent-hi enfocaments de localització completament basats en models, fonamentats en la minimització de funcionals no suaus i no convexos, així com mètodes híbrids per a la deconvolució d’imatges i la superresolució que combinen arquitectures neuronals profundes amb garanties de convergència demostrables.
PONENT
Luca Calatroni és professor agregat al Departament d’Informàtica, Bioenginyeria, Robòtica i Enginyeria de Sistemes (DIBRIS) de la Universitat de Gènova (Itàlia), i investigador principal de la unitat d’Imatge Computacional i Aprenentatge (CIL) al Machine Learning Genoa Center (MaLGa). Va obtenir el doctorat en Matemàtiques Aplicades a la Universitat de Cambridge (Regne Unit) l’any 2015. Les seves afiliacions prèvies inclouen recerca postdoctoral a l’École Polytechnique (França) i un càrrec com a científic investigador al CNRS – I3S, Sophia-Antipolis (França). La seva recerca se centra en mètodes variacionals i d’optimització per a problemes inversos en imatge, optimització no suau/no convexa i marcs d’aprenentatge inspirats en la física, amb aplicacions en microscòpia computacional, restauració digital d’art i visió per computador. És investigador principal del projecte ERC Starting Grant MALIN: Model-Aware Learning for Imaging Inverse Problems in Fluorescence Microscopy, i també ha obtingut ajuts nacionals destacats com l’ANR JCJC TASKABILE sobre aprenentatge biescalar per a la reconstrucció d’imatges, i com a co-IP del projecte ANR PRC MICROBLIND sobre problemes inversos cecs en microscòpia computacional.