Deep learning kombinerer fordelene ved holografi og lysfeltsmikroskopi til 3-D-billeddannelse

Digital holografisk mikroskopi er en billeddannelsesmodalitet, der digitalt kan rekonstruere billederne af 3-D-prøver fra et enkelt hologram ved digitalt at refokusere det gennem hele 3-D-prøvevolumenet. Sammenlignet med, scanning gennem et prøvevolumen med et konventionelt lysmikroskop kræver brug af et mekanisk trin til at flytte prøven og tage flere billeder i forskellige dybder, som sætter en begrænsning på den opnåelige billedhastighed og gennemstrømning. I øvrigt, holografisk billeddannelse kan udføres til en brøkdel af størrelsen og prisen for et konventionelt lysfeltsmikroskop, dækker også et meget større synsfelt. Dette har muliggjort et utal af håndholdte enheder drevet af holografi til biomedicinsk diagnostik og miljøregistreringsapplikationer. På trods af disse fordele, de resulterende billeder af et holografisk mikroskop lider generelt af lysinterferensrelaterede rumlige artefakter, hvilket kan begrænse den opnåelige kontrast i det rekonstruerede hologram.

Forskere ved UCLA har udviklet en ny kunstig neural netværksbaseret metode til at overvinde disse begrænsninger ved holografisk 3D-billeddannelse. Denne nye metode, kaldet Bright-field Holography, har det bedste fra begge verdener, da det kombinerer billedkontrastfordelen ved lysfeltsmikroskopi og holografiens snapshot volumetriske billeddannelsesevne. I Bright-field Holography, et dybt neuralt netværk trænes ved hjælp af co-registrerede par af digitalt refokuserede hologrammer og deres tilsvarende lysfeltsmikroskopbilleder for at lære den statistiske billedtransformation mellem to forskellige mikroskopimodaliteter. Efter sin træning, det dybe neurale netværk indtager et digitalt refokuseret hologram svarende til en given dybde i prøvevolumenet og transformerer det til et billede, der svarer til et lysfeltsmikroskopbillede, der er optaget i samme dybde, matcher den rumlige og farvekontrasten samt den optiske sektionsevne i et lysfeltsmikroskop. Selvom træningen af ​​et sådant neuralt netværk tager ~40 timer, efter det er trænet, netværket forbliver fast og kan hurtigt skabe sit outputbillede, inden for et sekund for et hologram med millioner af pixels.

Denne forskning er blevet publiceret i Lys:Videnskab og applikationer , et open access-tidsskrift fra Springer Nature. Forskningen blev ledet af Dr. Aydogan Ozcan, kanslerens professor i elektro- og computerteknik ved UCLA Henry Samueli School of Engineering and Applied Science, og en associeret direktør for California NanoSystems Institute (CNSI), sammen med Yichen Wu en kandidatstuderende og Dr. Yair Rivenson, en adjungeret professor i elektro- og computerteknik ved UCLA.

"Bright-field Holography bygger bro over kontrastgabet mellem de klassiske hologram-rekonstruktionsmetoder og et avanceret lysfeltsmikroskop, samtidig med at det eliminerer behovet for at bruge kompleks hardware og mekanisk scanning til hurtigt at afbilde prøvevolumener." sagde prof. Ozcan. En af de applikationer, der umiddelbart vil drage fordel af denne teknologi, er hurtig volumetrisk billeddannelse af dynamiske hændelser inden for store volumener, åbner nye veje til markant at fremme high-throughput billeddannelse af flydende prøver gennem dyb læring.