Superior fasegendannelse og hologramrekonstruktion ved hjælp af et dybt neuralt netværk

Deep learning har opnået benchmark-resultater for forskellige billeddannelsesopgaver, herunder holografisk mikroskopi, hvor et væsentligt trin er at genvinde faseinformationen for prøver ved hjælp af målinger, der kun er intensitet. Ved at træne på veldesignede datasæt har dybe neurale netværk vist sig at overgå klassiske fasehentning og hologram-rekonstruktionsalgoritmer med hensyn til nøjagtighed og beregningseffektivitet. Modelgeneralisering, som refererer til at udvide de neurale netværks muligheder til nye typer prøver, der aldrig er set under træningen, forbliver en udfordring for eksisterende dybe læringsmodeller.

UCLA-forskere har for nylig skabt en ny neural netværksarkitektur, kaldet Fourier Imager Network (FIN), som demonstrerede en hidtil uset generalisering til usete prøvetyper, og som også opnåede overlegen beregningshastighed i fasehentning og holografiske billedrekonstruktionsopgaver. I denne nye tilgang introducerede de rumlige Fourier-transformationsmoduler, der gør det muligt for det neurale netværk at drage fordel af de rumlige frekvenser af hele billedet. UCLA-forskere trænede deres FIN-model på humane lungevævsprøver og demonstrerede dens overlegne generalisering ved at rekonstruere hologrammerne af humane prostata- og spytkirtelvævssnit og Pap-smear-prøver, som aldrig blev set i træningsfasen.

Udgivet i Light:Science &Applications , er denne nye deep learning-baserede ramme rapporteret at opnå højere billedgenopbygningsnøjagtighed sammenlignet med de klassiske hologram-rekonstruktionsalgoritmer og de avancerede deep learning-modeller, samtidig med at rekonstruktionstiden forkortes med ~50 gange. Denne nye deep learning-ramme kan bruges bredt til at skabe meget generaliserbare neurale netværk til forskellige mikroskopiske billeddannelses- og computervisionsopgaver.

Denne forskning blev ledet af Dr. Aydogan Ozcan, kanslerprofessor og Volgenau Chair for Engineering Innovation ved UCLA og HHMI Professor ved Howard Hughes Medical Institute. De andre forfattere af dette værk omfatter Hanlong Chen, Luzhe Huang og Tairan Liu, alle fra afdelingen for elektrisk og computeringeniør ved UCLA. Prof. Ozcan har også UCLA-fakultetsaftaler i bioingeniør- og kirurgiafdelingerne og er associeret direktør for California NanoSystems Institute. + Udforsk yderligere

Hurtigere holografisk billeddannelse ved hjælp af tilbagevendende neurale netværk