ਫਲੋਰੈਂਸ ਮਾਈਕਰੋਸਕੋਪੀ ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਗੁੰਝਲਦਾਰ ਜੈਵਿਕ ਨਮੂਨੇ ਵਿੱਚ ਖਾਸ structures ਾਂਚਿਆਂ ਦਾ ਅਧਿਐਨ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ. ਹਾਲਾਂਕਿ, ਚਿੱਤਰ ਧੁੰਦਲੇ ਪੜਤਾਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਧੁੰਦਲੇ ਪੜਤਾਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਬਣਾਇਆ ਗਿਆ ਹੈ. ਨਿਬਾਇਬ ਖੋਜਕਰਤਾਵਾਂ ਅਤੇ ਉਨ੍ਹਾਂ ਦੇ ਸਹਿਯੋਗੀ ਦੇ ਨਵੀਨਤਮ ਕੰਮ ਦੇ ਕਈ ਨਾਵਲ ਪ੍ਰਤੀਬਿੰਬ ਬਹਾਲੀ ਰਣਨੀਤੀਆਂ ਪੇਸ਼ ਕਰਦੇ ਹਨ ਜੋ ਕਿ ਤਿੱਖੇ ਚਿੱਤਰਾਂ ਨੂੰ ਮਹੱਤਵਪੂਰਣ ਤੌਰ ਤੇ ਪ੍ਰੋਸੈਸਿੰਗ ਟਾਈਮ ਅਤੇ ਕੰਪਿ uting ਟਿੰਗ ਪਾਵਰ ਦੇ ਨਾਲ ਬਣਾਉਂਦੇ ਹਨ1.
ਆਧੁਨਿਕ ਤਸਵੀਰ ਦੀ ਪ੍ਰਕਿਰਿਆ ਦੀ ਨੀਂਹ ਪੱਥਰ ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਵਰਤੋਂ ਹੈ, ਜੋ ਕਿ ਇੱਕ ਚਿੱਤਰ ਵਿੱਚ ਧੁੰਦਲਾ ਅਤੇ ਬੈਕਗ੍ਰਾਉਂਡ ਸ਼ੋਰ ਨੂੰ ਹਟਾਉਣਾ ਚਾਹੁੰਦੇ ਹਨ. ਮੁ ly ਲੀ ਰਣਨੀਤੀ ਇਹ ਹੈ ਕਿ ਡੂੰਘੀ ਲਰਨਿੰਗ ਨੈਟਵਰਕ ਨੂੰ ਇਹ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਲਈ ਕਿ ਧੁੰਦਲੀ ਚਿੱਤਰ ਦੇ ਬਿਨਾਂ ਧੁੰਦਲੇ ਦੀ ਤਸਵੀਰ ਦਿਖਾਈ ਦੇਵੇਗੀ. ਨੈਟਵਰਕ ਨੂੰ ਉਸੇ ਹੀ ਚਿੱਤਰ ਦੇ ਤਿੱਖੇ ਅਤੇ ਅਸਪਸ਼ਟ ਸੰਸਕਰਣਾਂ ਦੇ ਵੱਡੇ ਡੇਟਾਸੀਜ਼ ਨਾਲ ਅਜਿਹਾ ਕਰਨ ਲਈ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ. ਦਿਮਾਗੀ ਵਪਾਰ ਦੇ ਵੱਡੇ ਪੱਧਰ ਦੇ ਸੈੱਟਾਂ ਨੂੰ ਬਣਾਉਣ ਲਈ ਇਕ ਮਹੱਤਵਪੂਰਨ ਰੁਕਾਵਟ ਹੈ ਅਤੇ ਖਰਚੇ ਦੀ ਜ਼ਰੂਰਤ ਹੈ.
ਦਿਮਾਗੀ ਨੈਟਵਰਕ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪਹਿਲਾਂ, ਚਿੱਤਰਾਂ ਨੂੰ ਸੰਸ਼ੋਧਨ ਸਮੀਕਰਣਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦਿਆਂ ਸਾਫ ਕੀਤਾ ਗਿਆ ਸੀ. ਰਿਚਰਡਸਨ-ਲੂਸੀ ਡੇਨਵੀਨਵੀਸ਼ਨ (ਆਰਐਲਡੀ) ਇਕ ਸਮੀਕਰਨ ਨੂੰ ਪੂਰਾ ਕਰਦਾ ਹੈ ਜੋ ਇਪਾਇਰ ਨੂੰ ਸਾਫ ਕਰਨ ਲਈ ਮਾਈਕਰੋਸਕੋਪ ਦੁਆਰਾ ਪੇਸ਼ ਕੀਤੇ ਗਏ ਧੁੰਦ ਦੇ ਗਿਆਨ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ. ਇਸ ਨੂੰ ਜੋੜਨ ਲਈ ਚਿੱਤਰ ਨੂੰ ਵਾਰ ਵਾਰ ਸਮੀਕਰਨ ਦੁਆਰਾ ਕਾਰਵਾਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ. ਸਮੀਕਰਨ ਦੁਆਰਾ ਲੰਘਣ ਨੂੰ ਇਕ ਆਕਰਸ਼ਣ ਵਜੋਂ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ ਅਤੇ ਇਕ ਸਾਫ ਚਿੱਤਰ ਬਣਾਉਣ ਲਈ ਬਹੁਤ ਸਾਰੀਆਂ ਦੁਹਰਾਓ ਦੀ ਜ਼ਰੂਰਤ ਹੁੰਦੀ ਹੈ. ਸਰੋਤ ਅਤੇ ਸਮਾਂ ਜੋ ਕਿ ਇੱਕ ਚਿੱਤਰ ਨੂੰ ਚਲਾਉਣ ਵਿੱਚ ਲੱਗਦਾ ਹੈ ਉਹ ਆਰਐਲਡੀ ਪਹੁੰਚ ਦੀ ਇੱਕ ਮੁੱਖ ਕਮਜ਼ੋਰੀ ਹੈ.
Rld ਨੂੰ ਭੌਤਿਕ ਵਿਗਿਆਨ ਦੁਆਰਾ ਖਿੱਚਿਆ ਜਾਂਦਾ ਹੈ ਕਿਉਂਕਿ ਇਹ ਉਹਨਾਂ ਭੌਤਿਕ ਗੁਣਾਂ ਦਾ ਵਰਣਨ ਕਰਦਾ ਹੈ ਜੋ ਇੱਕ ਚਿੱਤਰ ਵਿੱਚ ਧੁੰਦਲਾ ਅਤੇ ਸ਼ੋਰ ਦਾ ਕਾਰਨ ਬਣਦੇ ਹਨ. ਦਿਮਾਗੀ ਨੈਟਵਰਕ ਡੇਟਾ ਦੁਆਰਾ ਸੰਚਾਲਿਤ ਹੋਣ ਲਈ ਕਿਹਾ ਜਾਂਦਾ ਹੈ ਕਿਉਂਕਿ ਉਨ੍ਹਾਂ ਨੂੰ ਇਹ ਜਾਣਨ ਲਈ ਬਹੁਤ ਸਾਰੇ ਚਿੱਤਰਾਂ (ਡੇਟਾ) ਨੂੰ ਵੇਖਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਕੀ ਗਠਨ ਕਰਦਾ ਹੈ. ਨਿਜੀਬ ਟੀਮ ਨੇ ਉਨ੍ਹਾਂ ਨੂੰ ਜੋੜ ਕੇ ਹਰੇਕ method ੰਗ ਦੇ ਨੁਕਸਾਨਾਂ ਦਾ ਲਾਭ ਉਠਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ ਅਤੇ ਉਨ੍ਹਾਂ ਦੇ ਨੁਕਸਾਨਾਂ ਨੂੰ ਘਟਾ ਦਿੱਤਾ. ਨਤੀਜਾ ਇੱਕ ਨਿ ural ਰਲ ਨੈਟਵਰਕ ਹੈ ਜੋ rld-ਇੱਕ ਰਿਚਰਡਸਨ-ਲੂਸੀ ਨੈਟਵਰਕ (ਆਰ.ਐਲ.ਐਨ.).
ਡਿਜ਼ਾਈਨ ਦੁਆਰਾ, ਇੱਕ ਨਿ nual ਰਲ ਨੈਟਵਰਕ ਮੇਲ ਖਾਂਦੀ ਜੋੜੀ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦਾ ਪਤਾ ਲਗਾਉਂਦਾ ਹੈ ਜੋ ਇਸ ਨੂੰ ਅਸਪਸ਼ਟ ਚਿੱਤਰ ਸਾਫ ਕਰਨ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰਨਗੇ. ਦਿਲਚਸਪ ਗੱਲ ਇਹ ਹੈ ਕਿ ਉਹ ਵਿਗਿਆਨੀ ਜਿਨ੍ਹਾਂ ਨੇ ਇਨ੍ਹਾਂ ਨੈਟਵਰਕ ਨੂੰ ਡਿਜ਼ਾਇਨ ਕੀਤਾ ਆਮ ਤੌਰ ਤੇ ਉਹਨਾਂ ਖਾਸ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਨਹੀਂ ਜਾਣਦੇ ਕਿ ਨੈਟਵਰਕ ਇਸ ਧਾਰਾ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ ਨੈਟਵਰਕ ਦੀ ਵਰਤੋਂ ਕਰ ਰਿਹਾ ਹੈ. ਜੋ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ ਉਹ ਇਹ ਹੈ ਕਿ ਨੈਟਵਰਕ ਦੁਆਰਾ ਖੋਜੀਆਂ ਗਈਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਘੱਟੋ ਘੱਟ ਮਾਈਕਰੋਸਕੋਪ ਦੀਆਂ ਸਰੀਰਕ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਹਿੱਸੇ ਵਿੱਚ ਅਧਾਰਤ ਹਨ ਅਤੇ ਸਮੀਕਰਨਾਂ ਦੁਆਰਾ ਦਰਸਾਈਆਂ ਜਾ ਸਕਦੀਆਂ ਹਨ.
ਟੀਮ ਨੇ ਇਕ ਸਿਖਲਾਈ ਰੈਜੀਵਿਜ਼ਨ ਵਿਕਸਿਤ ਕੀਤੀ ਜਿਸ ਵਿਚ ਦਿਅਲ ਨੈਟਵਰਕ ਵਿਚ ਆਰਐਲਡੀ ਵਰਗੀਆਂ ਸਮੀਕਰਣਾਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰਦਾ ਹੈ ਜੋ ਚਿੱਤਰ ਨੂੰ ਭਟਕਣਾ ਭੌਤਿਕ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਬਾਰੇ ਜਾਣਕਾਰੀ ਸ਼ਾਮਲ ਕਰਦਾ ਹੈ. ਸਭ ਤੋਂ ਵੱਧ ਮਦਦਗਾਰ ਸਮੀਕਰਣਾਂ ਨੂੰ ਨੈੱਟਵਰਕ ਦੁਆਰਾ ਰੀਸਾਈਕਲ ਕੀਤਾ ਜਾਂਦਾ ਹੈ – ਸਿੱਖਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਤੇਜ਼ ਕਰਨਾ. ਇਸ ਤਰ੍ਹਾਂ, ਆਰਐਲਡੀ ਦੇ ਦੁਹਰਾਉਣ ਵਾਲੇ ਸਮੀਕਰਣ rln ਬਣਾਉਣ ਲਈ ਦਿਮਾਗੀ ਨੈਟਵਰਕ ਵਿੱਚ ਬਣਾਏ ਗਏ ਸਨ.
“ਅਸੀਂ ਇਸ ਪਹੁੰਚ ਬਾਰੇ” ਮਾਰਗ ਦਰਸ਼ਕ “ਸਿੱਖਦੇ ਹਾਂ” ਮਾਰਗ ਦਰਜਾ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ “ਅਤੇ ਅਧਿਐਨ ਦੇ ਇੱਕ ਸੀ.ਐੱਸ. “ਸਿਤਾਰ ਰੱਖੋ, ਸੇਧ ਨੂੰ ਨੈੱਟਵਰਕ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਜਾਣ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰਦਾ ਹੈ.”
ਕੀੜੇ ਭਰੂਣ ਦੇ ਤਸਵੀਰਾਂ ਦੇ ਟੈਸਟਾਂ ਨੇ ਦਿਖਾਇਆ ਕਿ ਹੁਣ ਵਰਤੋਂ ਵਿੱਚ ਹੋਰ ਡੂੰਘੇ ਸਿੱਖਣ ਵਾਲੇ ਪ੍ਰੋਗਰਾਮਾਂ ਦੇ ਮੁਕਾਬਲੇ ਆਰ.ਐਲ.ਐੱਨ. ਦੋਵਾਂ ਨੂੰ ਸਿਖਲਾਈ ਅਤੇ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦੋਵਾਂ ਵਿੱਚ ਸੁਧਾਰ ਹੋਇਆ ਹੈ. RLN ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਨੈੱਟਵਰਕ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਦੀ ਜ਼ਰੂਰਤ ਵਾਲੇ ਮਾਪਦੰਡਾਂ ਦੀ ਗਿਣਤੀ ਨੂੰ ਲਗਭਗ 20,000 ਤੋਂ ਘੱਟ ਤੋਂ ਘੱਟ ਨਾਟਕੀ chance ੰਗ ਨਾਲ ਨਾਟਕੀ changed ੰਗ ਨਾਲ ਘਟਾ ਦਿੱਤਾ ਗਿਆ ਸੀ. ਪ੍ਰੇਸ਼੍ਰੈਸ ਦਾ ਸਮਾਂ ਜਦੋਂ ਇਕ ਚਿੱਤਰ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਕੁਝ ਹੀ ਕੁਝ ਸਕਿੰਟਾਂ ਨੂੰ ਸੁਲਝਾਉਣ ਲਈ ਕੁਝ ਹੀ ਇਕ ਚਿੱਤਰ ਨੂੰ ਸੁਲਝਾਉਣ ਲਈ ਕੁਝ ਹੀ ਇਕ ਚਿੱਤਰ ਨੂੰ ਸੁਲਝਾਉਣ ਲਈ ਇਕ ਚਿੱਤਰ ਨੂੰ ਸੁਲਝਾਉਣ ਲਈ ਇਕ ਚਿੱਤਰ ਨੂੰ ਸੁਲਝਾਉਣ ਲਈ ਕੁਝ ਵੀ ਆਧੁਨਿਕ ਤੌਰ ਤੇ ਇਕ ਚਿੱਤਰ ਨੂੰ ਸੁਲਝਾਉਣ ਲਈ ਕੁਝ ਹੋਰ ਪ੍ਰਸਿੱਧ ਨਿ uner ਰਵਾਨ ਨੈਟਵਰਕਸ ਦੀ ਵਰਤੋਂ ਕਰਕੇ.
ਹਾਲਾਂਕਿ ਆਰ ਐਲ ਐਨ ਸਿਖਲਾਈ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਵਧਾਉਂਦਾ ਹੈ, ਨੈਟਵਰਕ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਲੋੜੀਂਦੀਆਂ ਅਸਪਸ਼ਟ ਅਤੇ ਸਪਸ਼ਟ ਚਿੱਤਰਾਂ ਦੇ ਡੈਟਾਸੇ ਨੂੰ ਸਕ੍ਰੈਚ ਤੋਂ ਪ੍ਰਾਪਤ ਕਰਨਾ ਮੁਸ਼ਕਲ ਹੈ. ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ, ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਸਿਖਲਾਈ ਲਈ ਸਿੰਥੈਟਿਕ ਡੇਟਾ ਸੈੱਟਾਂ ਨੂੰ ਉਲਟਾ ਕਰ ਦਿੱਤਾ. ਕੰਪਿ computer ਟਰ ਦੁਆਰਾ ਤਿਆਰ ਚਿੱਤਰ ਬਿੰਦੀਆਂ, ਚੱਕਰ, ਅਤੇ ਸਪਾਇਰਸ-ਫਿਕਸਡ ਸਿੰਥੈਟਿਕ ਡੇਟਾ ਦੇ ਮਿਸ਼ਰਣ ਨਾਲ ਬਣੀਆਂ ਸਨ. ਫੋਕਸ ਸੈੱਲਾਂ ਤੋਂ ਮਾਪ ਦੇ ਅਧਾਰ ਤੇ, ਬਲਰ ਸਿੰਥੈਟਿਕ ਚਿੱਤਰਾਂ ਵਿੱਚ ਜੋੜਿਆ ਗਿਆ ਸੀ. ਬੈਕਗ੍ਰਾਉਂਡ ਸ਼ੋਰ ਨੂੰ ਕੰਪਿ computer ਟਰ ਦੁਆਰਾ ਤਿਆਰ ਸਿੰਥੈਟਿਕ ਆਕਾਰ ਦੇ ਧੁੰਦਲੇ ਚਿੱਤਰ ਬਣਾਉਣ ਲਈ ਅੱਗੇ ਜੋੜਿਆ ਗਿਆ ਸੀ. ਲਾਈਵ ਸੈੱਲਾਂ ਦੀਆਂ ਅਸਲ ਤਸਵੀਰਾਂ ਨੂੰ ਬਹਾਲ ਕਰਨ ਲਈ ਇਕਸਾਰ ਅਤੇ ਫਜ਼ੀ ਸਿੰਥੈਟਿਕ ਮਿਸ਼ਰਤ ਸ਼ਬਜ਼ ਦੇ ਜੋੜੇ ਵਰਤੇ ਗਏ ਸਨ. ਪ੍ਰਯੋਗ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ ਕਿ rln ਨੇ ਆਉਟ-ਫੋਕਸ ਸੈੱਲਾਂ ਦੇ ਸਪਸ਼ਟ ਚਿੱਤਰ ਬਣਾਉਣ ਵਿੱਚ ਸਿੰਥੈਟਿਕ ਡੇਟਾ ਆਉਟਪਰਮਿਟਡ ਆਰਐਲਡੀ ਨੂੰ ਸਿਖਲਾਈ ਦਿੱਤੀ. ਪ੍ਰਭਾਵਸ਼ਾਲੀ, rln ਚਿੱਤਰਾਂ ਵਿੱਚ ਬਹੁਤ ਸਾਰੇ ਵਧੀਆ structures ਾਂਚਿਆਂ ਨੂੰ ਸਾਫ ਕਰ ਦਿੱਤਾ ਗਿਆ ਹੈ ਜੋ rld ਖੋਜਣ ਵਿੱਚ ਅਸਫਲ ਰਹੇ.
“ਸਫਲਤਾ ਸਾਡੇ ਕੋਲ ਦਿਮਾਗੀ ਨੈਟਵਰਕ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਸਿੰਥੈਟਿਕ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਨਾਲ ਬਹੁਤ ਹੀ ਦਿਲਚਸਪ ਹੈ,” ਹਰੀ ਸ਼੍ਰੋਮੋਫ, ਪੀਐਚ.ਡੀ., ਜਿਸ ਬਾਰੇ ਅਧਿਐਨ ਦੇ ਲੀਡ ਦੇ ਲੇਖਕ ਹਨ. “ਟ੍ਰੇਨਿੰਗ ਲਈ ਡਾਟਾ ਸੈੱਟ ਬਣਾਉਣਾ ਜਾਂ ਪ੍ਰਾਪਤ ਕਰਨਾ ਚਿੱਤਰ ਪ੍ਰੋਸੈਸਿੰਗ ਵਿੱਚ ਇੱਕ ਵਿਸ਼ਾਲ ਸਟਾਲਕ ਰਿਹਾ ਹੈ.
ਸਮੂਹ ਕੰਮ ਦੇ ਇਕ ਹੋਰ ਪਹਿਲੂ ਬਾਰੇ ਬਹੁਤ ਉਤਸ਼ਾਹਤ ਹੈ. ਉਨ੍ਹਾਂ ਨੇ ਪਾਇਆ ਕਿ ਕਿਸੇ ਵਿਸ਼ੇਸ਼ ਵਿਸ਼ੇ ਦੇ ਚਿੱਤਰਾਂ ਨੂੰ ਮੁੜ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਬਣਾਇਆ ਸਿੰਥੈਟਿਕ ਡਾਟਾ ਰੀਸਟੋਰ ਕਰਨ ਦੇ ਯੋਗ ਵੀ ਵੱਖੋ ਵੱਖਰੀਆਂ ਤਸਵੀਰਾਂ ਜਿਵੇਂ ਕਿ ਮਨੁੱਖੀ ਦਿਮਾਗਾਂ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਵੱਖ-ਵੱਖ ਚਿੱਤਰਾਂ ਦੀਆਂ ਤਸਵੀਰਾਂ ਨੂੰ ਬਹਾਲ ਕਰ ਸਕਦੇ ਸਨ. ਉਹ ਇਸ ਨੂੰ ਸਿੰਥੈਟਿਕ ਸਿਖਲਾਈ ਦੀ “ਆਮਜ਼ਾਰੀ” ਵਜੋਂ ਦਰਸਾਉਂਦੇ ਹਨ. ਟੀਮ ਹੁਣ ਪੂਰੀ ਗਤੀ ਚਲ ਰਹੀ ਹੈ ਇਹ ਵੇਖਣ ਲਈ ਕਿ ਜੀਵ-ਵਿਗਿਆਨਕ ਖੋਜ ਲਈ ਉੱਚ-ਗੁਣਵੱਤਾ ਦੀਆਂ ਤਸਵੀਰਾਂ ਦੀ ਸਿਰਜਣਾ ਨੂੰ ਤੇਜ਼ ਕਰਨ ਲਈ ਅਜਿਹੀ ਆਮ ਜ਼ਿੰਮੇਵਾਰੀ ਨੂੰ ਤੇਜ਼ ਕਰਨ ਲਈ ਇਹ ਦੇਖਣ ਲਈ ਅੱਗੇ ਲਿਆ ਜਾ ਸਕਦਾ ਹੈ.
ਇਸ ਦੇ ਕੰਮ ਦਾ ਰਾਸ਼ਟਰੀ ਇੰਸਟੀਚਿ of ਟ ਆਫ਼ ਬਾਇਓਮੈਡੀਕਲ ਇਮੇਜਿੰਗ ਅਤੇ ਬਾਇਓਮੈਡੀਕਲ ਇਮੇਜਿੰਗ ਅਤੇ ਨੈਸ਼ਨਲ ਇੰਸਟੀਚਿ .ਟ ਅਤੇ ਨੈਸ਼ਨਲ ਇੰਸਟੀਚਿ .ਟ ਆਫ ਦਿ ਨੈਸ਼ਨਲ ਇੰਸਟੀਚਿ of ਟ ਆਫ਼ ਨਿ Ne ਰੋਲੌਜੀਕਲ ਵਿਕਾਰ ਅਤੇ ਸਟ੍ਰੋਕ. ਚੀਨ ਦੀ ਨੈਸ਼ਨਲ ਕੁਦਰਤੀ ਸੇਂਟ ਫਾਉਂਡੇਸ਼ਨ, ਸਮੁੰਦਰੀ ਜ਼ਹਾਜ਼ ਦੇ ਮੋਰੀ ‘ਤੇ ਸਮੁੰਦਰੀ ਜ਼ਹਾਜ਼ ਦੇ ਪ੍ਰਦੇਸ਼, ਅਤੇ ਐਚਐਚਐਮਆਈ ਦੇ ਪ੍ਰਤਿਭਾਸ਼ਾਲੀ ਪ੍ਰੋਗਰਾਮ ਦੁਆਰਾ ਵਾਧੂ ਸਹਾਇਤਾ ਪ੍ਰਦਾਨ ਕੀਤੀ ਗਈ ਸੀ. ਇਸ ਕੰਮ ਨੇ NIH ਐਚਪੀਸੀ ਬਾਇਓਵੂਲਫ ਕਲੱਸਟਰ ਦੇ ਕੁਲ ਸਰੋਤਾਂ ਦੀ ਵਰਤੋਂ ਕੀਤੀ (https://hpc.nih.gov).
ਥੌਮਸ ਜੌਨਸਨ, ਪੀ.ਐਚ.ਡੀ. ਦੁਆਰਾ ਲਿਖਤ