به گزارش خبرگزاری مهر به نقل از ستاد نانو، نرم‌افزار شناخته‌شده ImageJ سال‌هاست که ابزار اصلی محققان در تحلیل تصاویر حاصل از میکروسکوپ‌های الکترونی و نوری است، اما محدودیت‌های آن در اجرای مدل‌های یادگیری عمیق، زمینه را برای ظهور نسل جدیدی از ابزارهای تحلیلی فراهم کرده است. پلتفرم آنلاین ImJoy به‌عنوان بستری تعاملی و ترکیبی، امکان اجرای مدل‌های یادگیری ماشین و هوش مصنوعی را در محیطی تحت وب و بدون نیاز به نصب نرم‌افزار فراهم می‌کند و می‌تواند نقطه‌عطفی در تحلیل داده‌های تصویری علمی به‌شمار آید.
در سال‌های اخیر، استفاده از میکروسکوپ‌های پیشرفته مانند SEM، FESEM، TEM و STEM در پژوهش‌های فناوری‌نانو، زیست‌پزشکی و علم مواد، به حجم عظیمی از داده‌های تصویری منجر شده است که تحلیل دقیق آن‌ها به ابزارهای محاسباتی نو نیاز دارد. پلتفرم ImageJ یکی از قدیمی‌ترین و پرکاربردترین برنامه‌ها برای این منظور است که بسیاری از محققان با آن آشنایی دارند. این نرم‌افزار به‌دلیل ساختار باز و پشتیبانی از پلاگین‌های متنوع، به ابزاری قابل‌اعتماد برای تحلیل تصاویر علمی تبدیل شده است. با این حال، محدودیت آن در بهره‌گیری از مدل‌های یادگیری عمیق و نیاز به نصب محلی، باعث شده است پژوهشگران به دنبال راه‌حل‌های هوشمندتر باشند.
پلتفرم ImJoy به‌عنوان پاسخی نوآورانه به این نیاز توسعه یافته است؛ سامانه‌ای مبتنی بر وب که با ترکیب فناوری هوش مصنوعی، یادگیری ماشین و ابزارهای تحلیلی تصویری، فرایند پردازش داده‌ها را وارد مرحله‌ای تازه می‌کند. کاربران در این پلتفرم می‌توانند مستقیم از مرورگر خود به ابزارهای متنوعی مانند ImageJ و Jupyter Notebook دسترسی پیدا کنند، بدون آنکه نیازی به نصب یا پیکربندی نرم‌افزار داشته باشند. دسترسی آنلاین به نسخه‌ی کامل ImageJ و تمام افزونه‌های آن از طریق نشانی ij.imjoy.io نیز از مزیت‌های این سامانه است.
یکی از برجسته‌ترین ویژگی‌های ImJoy، توانایی آن در اجرای مدل‌های هوش مصنوعی و یادگیری عمیق است. برخلاف ImageJ که بیشتر بر الگوریتم‌های کلاسیک پردازش تصویر مانند thresholding و edge detection تکیه دارد، این پلتفرم می‌تواند مدل‌های پیشرفته‌ای همچون U-Net برای جداسازی سلولی (segmentation) یا مدل‌های object detection را در محیط مرورگر اجرا کند. این قابلیت باعث می‌شود حجم بالایی از تصاویر میکروسکوپی با دقت و سرعت بسیار بیشتر از روش‌های سنتی تحلیل شود. علاوه بر این، کاربران می‌توانند مدل‌های از پیش‌آموزش‌دیده را مجدداً بازآموزی (retrain) کرده و متناسب با داده‌های خود بهینه‌سازی کنند.
از نظر زیرساخت نرم‌افزاری، ImJoy به‌گونه‌ای طراحی شده که با زبان‌های Python و JavaScript و همچنین کتابخانه‌های علمی معروف از جمله NumPy، Pandas، OpenCV، scikit-image، PyTorch و TensorFlow سازگاری کامل دارد. این ویژگی امکان توسعه و اجرای الگوریتم‌های اختصاصی و پیچیده را مستقیم در محیط آنلاین فراهم می‌کند؛ قابلیتی که در نرم‌افزارهای سنتی مانند ImageJ با محدودیت‌های فنی و نیاز به ادغام‌های دشوار همراه است.
ImJoy نه‌تنها ابزار قدرتمندی برای تحلیل تصویر، بلکه بستری برای همکاری گروهی پژوهشگران نیز هست. از آنجا که این پلتفرم کاملاً آنلاین است، چند کاربر می‌توانند به‌صورت هم‌زمان روی یک پروژه تصویری کار کنند، مدل‌های هوش مصنوعی را آموزش دهند و نتایج را به‌صورت زنده مشاهده کنند. چنین قابلیتی، تحلیل داده‌ها را از حالت فردی به فعالیتی تعاملی و گروهی تبدیل می‌کند و به‌ویژه در پروژه‌های چندرشته‌ای، زمان تحلیل و خطاهای انسانی را به میزان چشمگیری کاهش می‌دهد.
توسعه و اشتراک‌گذاری افزونه‌ها (Plug-ins) در ImJoy نیز با سهولت بیشتری انجام می‌شود. برنامه‌نویسان می‌توانند ابزارهای خود را در قالب پلاگین‌های سبک طراحی کرده و بلافاصله در محیط وب منتشر کنند. این در حالی است که در ImageJ، توسعه پلاگین‌ها معمولاً نیازمند تسلط بر زبان Java و طی مراحل فنی پیچیده است.
با ترکیب این قابلیت‌ها، ImJoy را می‌توان پلی میان نرم‌افزارهای علمی کلاسیک و فناوری‌های نوین یادگیری ماشین دانست. این سامانه با فراهم‌کردن بستری قابل‌دسترسی، تعاملی و منعطف، به پژوهشگران اجازه می‌دهد داده‌های میکروسکوپی خود را با دقتی بالاتر و در زمانی کمتر تحلیل کنند.
در نهایت، ظهور پلتفرم‌هایی مانند ImJoy نشان می‌دهد که آینده‌ی پردازش تصاویر علمی دیگر صرفاً به ابزارهای ایستا و محلی محدود نیست، بلکه در مسیر ترکیب با هوش مصنوعی و تحلیل ابری قرار گرفته است. چنین تحولی، نه‌تنها کارایی پژوهش‌های میکروسکوپی را افزایش می‌دهد، بلکه به‌مرور استانداردهای جدیدی را در تحلیل داده‌های تصویری علمی ایجاد خواهد کرد.
برای آشنایی بیشتر با امکانات این پلتفرم، علاقه‌مندان می‌توانند به پایگاه اینترنتی imjoy.io مراجعه کنند.
