Neuralt netværk fremskynder holografisk billedrekonstruktion for biologiske prøver

Forskere har udviklet et nyt end-to-end neuralt netværk, der kan fremskynde rekonstruktionen af ​​holografiske billeder. I modsætning til andre deep learning-teknikker kan tilgangen bruges på prøver, der ikke er fundet under træning, hvilket gør den særlig nyttig til etiketfri holografisk biomedicinsk billeddannelse.

"Med denne ramme kan et veltrænet neuralt netværk distribueres overalt uden finjustering og udføre hurtig holografisk billeddannelse af høj kvalitet af forskellige prøver," forklarede forskningsleder Hanlong Chen, University of California, Los Angeles (UCLA).

Hanlong Chen og Aydogan Ozcan vil præsentere forskningen på Frontiers in Optics + Laser Science Conference (FiO LS) møde, der afholdes i Rochester, New York og online 17.-20. oktober 2022. Præsentationen er planlagt til mandag den 17. oktober kl. 16:30 EDT (UTC—04:00).

En generaliserbar tilgang

Selvom forskellige neurale netværk er blevet udviklet til at udføre den datatunge opgave med hologramrekonstruktion til biologisk forskning og biomedicinske applikationer, er de fleste af dem designet til at være meget specifikke. Det betyder, at de muligvis ikke fungerer godt, hvis de bruges med prøver, der adskiller sig fra dem, der oprindeligt blev brugt til at træne netværket.

For at løse dette problem udviklede Chen og kolleger et end-to-end neuralt netværk kaldet Fourier Imager Network (FIN). Denne type neurale netværk trænes ved hjælp af en enkelt model, der omgår nogle af de trin, der normalt bruges af andre dybe læringsmetoder. End-to-end neurale netværk er også hurtigere og potentielt mere generaliserbare til en lang række prøver.

Hurtigere og mere præcise resultater

FIN-rammen tager en sekvens af rå hologrammer, der kun er intensitet, fanget ved forskellige prøve-til-sensor-afstande med et linsefrit in-line holografisk mikroskop og skaber rekonstruerede billeder af prøverne. For at teste den nye tilgang trænede forskerne netværket ved hjælp af lungevævssektioner. De brugte derefter FIN til at rekonstruere holografiske billeder af menneskeligt spytkirtelvæv og Pap-smear-prøver, der ikke blev set af netværket under træning.

FIN fungerede godt på disse nye typer prøver og leverede mere nøjagtigt rekonstruerede billeder end en iterativ algoritme og en state-of-the-art model for dyb læring. Den viste også en cirka 50 gange forbedret hastighed sammenlignet med deep learning-modellen. Forskerne siger, at disse resultater viser den stærke eksterne generalisering af FIN, samtidig med at de viser det enorme potentiale i at bygge bredt generaliserbare dybe neurale netværk til forskellige mikroskopi- og computerbilleddannelsesopgaver.

Chen tilføjede:"Vores næste skridt er at undersøge autofokusering og samtidig bevare fordelene ved vores tilgang, såsom fremragende billedkvalitet, hidtil uset generalisering til nye typer prøver og forbedret beregningshastighed, hvilket gør holografisk billeddannelse mulig med enheder med lav ressource." + Udforsk yderligere

Overlegen fasegendannelse og hologramrekonstruktion ved hjælp af et dybt neuralt netværk