UCLA-ingeniører bruger dyb læring til at rekonstruere hologrammer og forbedre optisk mikroskopi

En form for maskinlæring kaldet deep learning er en af ​​nøgleteknologierne bag de seneste fremskridt inden for applikationer som talegenkendelse i realtid og automatiseret billed- og videomærkning.

Tilgangen, som bruger kunstige neurale netværk i flere lag til at automatisere dataanalyse, har også vist betydeligt løfte for sundhedspleje:Det kunne bruges, for eksempel, for automatisk at identificere abnormiteter i patienters røntgenbilleder, CT-scanninger og andre medicinske billeder og data.

I to nye aviser, UCLA-forskere rapporterer, at de har udviklet nye anvendelser til dyb læring:rekonstruere et hologram for at danne et mikroskopisk billede af et objekt og forbedre optisk mikroskopi.

Deres nye holografiske billedbehandlingsteknik producerer bedre billeder end nuværende metoder, der bruger flere hologrammer, og det er nemmere at implementere, fordi det kræver færre målinger og udfører beregninger hurtigere.

Forskningen blev ledet af Aydogan Ozcan, en associeret direktør for UCLA California NanoSystems Institute og kanslerens professor i elektro- og computerteknik ved UCLA Henry Samueli School of Engineering and Applied Science; og af postdoktor Yair Rivenson og kandidatstuderende Yibo Zhang, både af UCLAs elektriske og computeringeniørafdeling.

For en undersøgelse, udgivet i Lys:Videnskab og applikationer , forskerne fremstillede hologrammer af Pap-smears, som bruges til at screene for livmoderhalskræft, og blodprøver, samt brystvævsprøver. I hvert tilfælde, det neurale netværk lærte at udtrække og adskille funktionerne i det sande billede af objektet fra uønsket lysinterferens og fra andre fysiske biprodukter af billedrekonstruktionsprocessen.

"Disse resultater er bredt anvendelige til ethvert fasegendannelses- og holografisk billeddannelsesproblem, og denne deep-learning-baserede ramme åbner op for utallige muligheder for at designe fundamentalt nye sammenhængende billeddannelsessystemer, spænder over forskellige dele af det elektromagnetiske spektrum, inklusive synlige bølgelængder og endda røntgenstråler, " sagde Ozcan, som også er HHMI-professor ved Howard Hughes Medical Institute.

En anden fordel ved den nye tilgang var, at den blev opnået uden nogen form for modellering af lys-stof-interaktion eller en løsning af bølgeligningen, hvilket kan være udfordrende og tidskrævende at modellere og beregne for hver enkelt prøve og lysform.

"Dette er en spændende præstation, da traditionelle fysik-baserede hologram-rekonstruktionsmetoder er blevet erstattet af en deep-learning-baseret beregningstilgang, " sagde Rivenson.

Andre medlemmer af holdet var UCLA-forskerne Harun Günaydin og Da Teng, begge medlemmer af Ozcans laboratorium.

Den anden undersøgelse, offentliggjort i tidsskriftet Optica , forskerne brugte den samme dybe indlæringsramme til at forbedre opløsningen og kvaliteten af ​​optiske mikroskopiske billeder.

Det fremskridt kunne hjælpe diagnostikere eller patologer, der leder efter meget små abnormiteter i en stor blod- eller vævsprøve, og Ozcan sagde, at det repræsenterer de stærke muligheder for dyb læring for at forbedre optisk mikroskopi til medicinsk diagnostik og andre områder inden for ingeniørvidenskab og videnskab.