Dyb læring forvandler smartphonemikroskoper til enheder i laboratoriekvalitet

Forskere ved UCLA Samueli School of Engineering har vist, at dyb læring, en stærk form for kunstig intelligens, kan skelne og forbedre mikroskopiske detaljer i billeder taget af smartphones. Teknikken forbedrer opløsningen og farvedetaljerne på smartphonebilleder så meget, at de nærmer sig kvaliteten af ​​billeder fra laboratoriemikroskoper.

Fremskridtet kunne hjælpe med at bringe medicinsk diagnostik af høj kvalitet til ressourcefattige regioner, hvor folk ellers ikke har adgang til avancerede diagnostiske teknologier. Og teknikken bruger vedhæftede filer, der kan produceres billigt med en 3-D printer, til mindre end $100 pr. stk. kontra de tusindvis af dollars, det ville koste at købe udstyr i laboratoriekvalitet, der producerer billeder af lignende kvalitet.

Kameraer på nutidens smartphones er designet til at fotografere mennesker og landskaber, ikke at producere højopløselige mikroskopiske billeder. Så forskerne udviklede en vedhæftning, der kan placeres over smartphone-linsen for at øge opløsningen og synligheden af ​​små detaljer af de billeder, de tager, ned til en skala på cirka en milliontedel meter.

Men det løste kun en del af udfordringen, fordi ingen vedhæftning ville være nok til at kompensere for forskellen i kvalitet mellem smartphone-kameraers billedsensorer og linser og dem i avanceret laboratorieudstyr. Den nye teknik kompenserer for forskellen ved at bruge kunstig intelligens til at gengive niveauet af opløsning og farvedetaljer, der er nødvendige for en laboratorieanalyse.

Forskningen blev ledet af Aydogan Ozcan, Kanslerens professor i elektro- og computerteknik og bioteknik, og Yair Rivenson, en UCLA postdoc. Ozcans forskningsgruppe har introduceret flere innovationer inden for mobil mikroskopi og sensing, og det fastholder et særligt fokus på at udvikle feltbærbar medicinsk diagnostik og sensorer til ressourcesvage områder.

"Ved at bruge dyb læring, vi satte os for at bygge bro over kløften i billedkvalitet mellem billige mobiltelefon-baserede mikroskoper og guld-standard bænk-top mikroskoper, der bruger high-end linser, "Ozcan sagde. "Vi mener, at vores tilgang er bredt anvendelig til andre lavpris mikroskopi systemer, der bruger, for eksempel, billige objektiver eller kameraer, og kunne lette udskiftningen af ​​avancerede bænkmikroskoper med omkostningseffektive, mobile alternativer."

Han tilføjede, at den nye teknik kunne finde adskillige anvendelser inden for global sundhed, telemedicin og diagnostik-relaterede applikationer.

Forskerne skød billeder af lungevævsprøver, blod og celleprøver, først ved at bruge et standard mikroskop i laboratoriekvalitet, og derefter med en smartphone med 3-D-printet mikroskoptilbehør. Forskerne fodrede derefter parrene af tilsvarende billeder ind i et computersystem, der "lærer", hvordan man hurtigt forbedrer mobiltelefonbillederne. Processen er afhængig af en dyb-læringsbaseret computerkode, som blev udviklet af UCLA-forskerne.

For at se, om deres teknik ville fungere på andre typer billeder af lavere kvalitet, forskerne brugte deep learning til at udføre lignende transformationer med billeder, der havde mistet nogle detaljer, fordi de blev komprimeret til enten hurtigere transmission over et computernetværk eller mere effektiv lagring.

Undersøgelsen blev offentliggjort i ACS Fotonik , et tidsskrift fra American Chemical Society. Det bygger på tidligere undersøgelser fra Ozcans gruppe, der brugte dyb læring til at rekonstruere hologrammer og forbedre mikroskopi.