RESUMEN
El límite de difracción de la luz restringe la resolución espacial de los microscopios ópticos convencionales a unos 200 nm. Para superar esta barrera y revelar estructuras de gran relevancia en biología y ciencia de materiales, suelen adoptarse dos estrategias principales: (i) mejorar el hardware y los protocolos de adquisición —a menudo costosos y potencialmente perjudiciales para las muestras— y (ii) desarrollar métodos avanzados de reconstrucción de imágenes que extraen información adicional a partir de los datos existentes. Esta segunda vía aprovecha conocimientos físicos previos, como los modelos de imagen y las estadísticas del ruido, junto con suposiciones estructurales o temporales sobre la muestra. Los avances recientes en aprendizaje automático y profundo han permitido el desarrollo de métodos interpretables, conscientes del modelo y basados en datos, en los que los modelos físicos se enriquecen con conocimientos extraídos de los datos. En esta charla, se presentarán los principios físicos y fundamentos matemáticos de las técnicas modernas de reconstrucción en microscopía de fluorescencia, incluyendo enfoques de localización completamente basados en modelos, que se fundamentan en la minimización de funcionales no suaves y no convexos, así como métodos híbridos para la deconvolución de imágenes y la superresolución que combinan arquitecturas neuronales profundas con garantías de convergencia demostrables.
PONENTE
Luca Calatroni es Profesor Asociado en el Departamento de Informática, Bioingeniería, Robótica e Ingeniería de Sistemas (DIBRIS) de la Universidad de Génova (Italia), e Investigador Principal de la unidad de Imagen Computacional y Aprendizaje (CIL) en el Centro de Aprendizaje Automático de Génova (MaLGa). Obtuvo su doctorado en Matemáticas Aplicadas en la Universidad de Cambridge (Reino Unido) en 2015. Sus afiliaciones anteriores incluyen investigación postdoctoral en la École Polytechnique (Francia) y un puesto como científico investigador en el CNRS – I3S, Sophia-Antipolis (Francia). Su investigación se centra en métodos variacionales y de optimización para problemas inversos en imagen, optimización no suave/no convexa y marcos de aprendizaje inspirados en la física, con aplicaciones en microscopía computacional, restauración digital de arte y visión por computador. Es Investigador Principal del proyecto ERC Starting Grant MALIN: Model-Aware Learning for Imaging Inverse Problems in Fluorescence Microscopy, y también ha obtenido importantes ayudas nacionales, como el proyecto ANR JCJC TASKABILE sobre aprendizaje biescalar para reconstrucción de imágenes, y como Co-IP del proyecto ANR PRC MICROBLIND sobre problemas inversos ciegos en microscopía computacional.