Lære at syntetisere:Robust fasehentning ved lave fotontal

En artefaktfri beregningsmetode til at udtrække lysfasen fra støjende intensitetssignaler forbedrer billeddannelsen af ​​gennemsigtige objekter, såsom biologiske celler, under dårlige lysforhold. Proceduren adskiller intensitetssignaler i høj- og lavfrekvente spektralkanaler. Dybe neurale netværk er trænet til at operere på disse to frekvensbånd, før en endelig algoritme rekombinerer dem til et fuldbåndsfasebillede. Denne metode undgår tendensen til automatiske faseekstraktionsprogrammer til at overrepræsentere lave frekvenser.

Hentning af fase af elektromagnetiske felter er et af de vigtigste problemer i optik, da det tillader formen af ​​gennemsigtige objekter, inklusive celler, skal kvantificeres ved hjælp af synligt lys. Fase er en størrelse, der relaterer sig til lysets bølgenatur; det kan ikke spores direkte af vores øjne eller almindelige kameraer, og alligevel bærer vigtig information om genstande, lyset gik igennem. At måle fasen med meget lidt lys kan være endnu mere interessant og nyttigt. Med lavt lysindfald, lys toksicitet for biologiske prøver, for eksempel, er reduceret; imidlertid, problemet med at genoprette fasen bliver også meget vanskeligere. Tidligere deep learning-baserede algoritmer forbedrede sig i forhold til traditionelle metoder under dårlige lysforhold, men viste en tendens til at overrepræsentere de lave rumlige frekvenser i rekonstruktionerne, hvilket betyder, at rekonstruktionerne så slørede ud.

I et nyt blad udgivet i Lysvidenskab og applikationer , videnskabsmænd fra 3-D Optical Systems Group fra Massachusetts Institute of Technology (MIT) foreslog at lære at syntetisere ved DNN (LS-DNN) tilgang for at bekæmpe denne ujævne troskab ved at opdele inputsignalet i lave og høje rumlige frekvensbånd. Det blev derefter muligt for dybe neurale netværk at behandle disse to frekvensbånd, henholdsvis; efterfølgende, et tredje neuralt netværk lærte at syntetisere de to frekvensbånd til den endelige rekonstruktion, der er af høj kvalitet i alle frekvensbånd. Forfatterne opdagede, at LS-metoden er særlig robust til at håndtere ekstremt støjende intensitetssignaler.

Forskerne opsummerer virkningen af ​​deres LS-DNN-algoritme som:"Vi foreslog en ramme, således at når vi med vilje betjener læringsalgoritmerne uden for deres komfortzone, med andre typer eksempler end algoritmerne blev trænet med, fører ikke til katastrofe som med alternative tilgange. Det er takket være den opsplittende og rekombinerende struktur af arkitekturen, som vi fandt på. For eksempel, lavfrekvensbåndene behandles af et neuralt netværk, der ved, hvordan man håndterer lave frekvenser, men som ikke nødvendigvis er ligeglad med, hvilken type objekter de lave frekvenser kom fra. Tilsvarende for de høje frekvenser. Synthesizeren er også trænet til at rekombinere de to bånd optimalt. Denne form for robusthed antyder, at algoritmen er let anvendelig i praktiske situationer."

"Den største fordel ved at arbejde i lavt lys er, at du kan reducere mængden af ​​lys, du leverer til prøven. Vores eksperimenter blev udført med synligt lys; dog, de samme principper gælder for andre bånd af elektromagnetisk stråling, f.eks. Røntgenstråler. Vi ved, at røntgenstråler er skadelige, så hvis du kan opnå den samme billedkvalitet, men med meget lavere strålingsdosis, det ville være et stort fremskridt."

"LS-metoden er alsidig og kan tilpasses en lang række af sådanne problemer, som vi kalder inverse, hvilket betyder, at du har en indirekte og ufuldstændig eller støjende observation af et objekt, og du prøver at afsløre selve objektet korrekt. Fra røntgenbilleder vi nævnte før til sonogrammer, MR, geovidenskabelige undersøgelser for at opdage benzin - alle disse er eksempler, hvor lignende problemer opstår. Vores teknik, i princippet, er anvendelig, fordi konkurrencen mellem lave og høje frekvenser er fælles for alle disse problemer, og det samme er støjen og det begrænsede signal. Så vi har store forhåbninger om, at der meget snart vil blive opnået klarere billeder på alle disse forskellige domæner, " konkluderede de.