Jyväskylän yliopiston spektrikuvantamisen laboratoriossa työskentelevä Samuli Rahkonen on ensimmäinen Jyväskylän yliopistosta tekniikan tohtoriksi väittelevä diplomi-insinööri.

Rahkosen väitöstyössä tutkitaan neuroverkkoja sekä sitä, miten niitä voitaisiin hyödyntää hyperspektrikameroilla kuvatun niin sanotun hyperspektridatan tulkitsemiseen. Neuroverkolla tarkoitetaan tekoälypohjaista laskentamallia, joka pyrkii koneellisesti jäljittelemään ihmisaivoille tyypillistä tapaa käsitellä tietoa.

– Hyperspektrikamera eroaa tavallisesta kuluttajakamerasta siinä, että se kuvaa tilanteesta riippuen kymmeniä tai jopa satoja eri valon aallonpituuskaistoja. Tavallinen kuluttajakamera kuvaa ainoastaan kolmea valon aallonpituutta: punaista, vihreää ja sinistä, Rahkonen kuvailee spektrikameran toimintaa.

Hyperspektrikameran ottamaa kuvamateriaalia kutsutaan hyperspektridataksi. Koska spektrikamera tuottaa paljon enemmän dataa, kuin tavallinen kuluttajakamera, niin sitä voidaan käyttää esimerkiksi ihosyöpien tunnistamiseen tai eri puulajien erottelemiseen ilmakuvista. Muun muassa näitä asioita Rahkonen pyrkii omassa tutkimuksessaan kouluttamaan neuroverkolle.

– Suurten kuvamassojen tulkitseminen on ihmiselle kuitenkin valtavan suuri urakka ja tässä kohtaa mukaan tulevat koneoppivat neuroverkot. Neuroverkko pystyy käsittelemään kuvia paljon ihmistä nopeammin ja joskus myös tarkemmin, Rahkonen kertoo.

Hyperspektrikuvaa voidaan ajatella suurena ”datakuutiona”, jossa on dataa kahden fyysisen x- ja y-suunnan lisäksi myös spektrisuunnassa. Tämä tarkoittaa, että kolmen ihmisen näkemän värin, punaisen, vihreän ja sinisen, sijaan kamera ottaa suuren määrän kuvia eri aallonpituuksilta ja latoo ne päällekkäin kuin paperipinon. Paperipinon kerroksia voivat olla esimerkiksi ihmisen silmälle näkymättömät infra- ja ultraviolettivaloa sisältävät aallonpituudet.

– Väitöskirjassani käytän syväoppivia neuroverkkoja erottamaan tavallisen luomen ihosyövästä, ja toisaalta ilmakuvista kuusia männyistä, Rahkonen kertoo.

Tutkimus auttaa ihosyövän tunnistamisessa

Osana väitöstyötään Rahkonen on kehittänyt erilaisia konvoluutioneuroverkkoja hyperspektridatan tulkitsemiseen. Neuroverkkojen avulla spektrikuvia voidaan jakaa luokkiin.

– Ihosyöpäkuville luokittelu tarkoittaa tyypillisesti sitä, onko kyseessä normaali hyvänlaatuinen luomi vai syöpä. Luokittelu tehdään yksittäisille kuvan pisteille, jolloin saadaan rajattua kiinnostuksen kohteet esiin kuvasta.

Konvoluutioneuroverkkojen vahvuus on niiden kyvyssä löytää sille annetusta datasta piirteitä ja säännönmukaisuuksia, joita se sitten käyttää niillä etsittävän asian löytämiseen. Tätä kutsutaan neuroverkon oppimiseksi, jonka jälkeen verkko pystyy antamaan ennusteita myös uudelle, ennestään näkemättömälle datalle.

Rahkonen kertoo ihosyöpien olevan maailman kolmanneksi yleisimpiä syöpiä ja niiden määrän kasvavan koko ajan.

– Tarkoituksena on, että optisella diagnosoinnilla voitaisiin säästää lääkärin aikaa automatisoimalla ihosyövän tunnistamista. Sitä kautta voitaisiin saada nopeutettua hoitojonoja ja samalla tuoda säästöjä terveydenhuoltoon.

Kameroilla saadaan muoto selville – neuroverkko tunnistaa puulajit

Väitöskirjassa käytettiin spektrikameran ottamien yksittäisten kuvien lisäksi myös stereokuvia ja syvyyskarttakameraa Niiden avulla voidaan taltioida kohteen etäisyys kuvan jokaista pistettä kohden.

Syvyyskarttakamerat ovat tuttuja esimerkiksi Xbox Kinect -pelikamerasta ja moderneista älypuhelimista, joissa on kehittynyt kasvojentunnistus esimerkiksi puhelimen lukituksen avaukseen ja kuvan ehostamiseen. Toinen tapa on ottaa kohteesta monta kuvaa vähän eri paikoista ja päätellä niistä etäisyys hieman samaan tapaan kuin ihmissilmät toimivat.

– Spektrien ja syvyystiedon yhdistäminen mahdollistaa uuden tiedon tuottamisen kuvattavasta kohteesta. Väitöstutkimuksessa metsistä otetuista kuvista tunnistettiin puiden latvuston muodosta mitkä puut olivat kyseessä, Rahkonen kertoo.

Ilmakuvista voidaan tutkittujen menetelmien avulla kartoittaa esimerkiksi metsien kuntoa, tai maataloudessa tutkia mihin lannoitusta tulisi kohdentaa enemmän.

– Menetelmät voivat auttaa esimerkiksi ruoantuotannossa ja ilmastonmuutoksen torjunnassa, Rahkonen summaa.

Samuli Rahkonen on valmistunut aiemmin Jyväskylän yliopistosta tietotekniikan kandidaatiksi ja Tampereen teknillisestä yliopistosta tietotekniikan diplomi-insinööriksi 2016. Sittemmin hän on työskennellyt järjestelmäpiiri-insinöörinä Nokia Networksillä, skaalautuvien ohjelmisto- ja koneoppimisjärjestelmien asiantuntijana sekä itseajavien autojen algoritmi-insinöörinä ohjelmistoalan yrityksissä.

Väitöskirjatutkijana Rahkonen aloitti 2018 Jyväskylän yliopistolla Spektrikuvantamisen laboratoriossa aiheinaan konenäkö ja koneoppiminen. Hän väittelee yliopistonsa ensimmäiseksi tekniikan tohtoriksi maaliskuussa 2023.

DI Samuli Rahkosen laskennallisen tieteen väitöskirjan "Deep learning architectures for hyperspectral imaging applications" tarkastustilaisuus järjestään 10.3.2023 klo 12 alkaen. Vastaväittäjänä professori Jussi Tohka (Itä-Suomen yliopisto) ja kustoksena apulaisprofessori Ilkka Pölönen (Jyväskylän yliopisto). Väitöstilaisuuden kieli on suomi.

Yleisö voi seurata väitöstilaisuutta salissa Agora Auditorio 3 tai verkkovälitteisesti. Linkki Moniviestimen suoraan lähetykseen: https://r.jyu.fi/dissertation-rahkonen-100323

Samuli Rahkosen väitöskirja on julkaista JYX-julkaisutietokannassa. Pysyvä linkki julkaisuun: http://urn.fi/URN:ISBN:978-951-39-9299-6