O aprendizado profundo alcançou resultados de referência para várias tarefas de imagem, incluindo microscopia holográfica, onde uma etapa essencial é recuperar as informações de fase das amostras usando medições apenas de intensidade. Ao treinar em conjuntos de dados bem projetados, as redes neurais profundas provaram superar os algoritmos clássicos de recuperação de fase e reconstrução de holograma em termos de precisão e eficiência computacional. No entanto, a generalização do modelo, que se refere à extensão dos recursos das redes neurais para novos tipos de amostras nunca vistas durante o treinamento, continua sendo um desafio para os modelos de aprendizado profundo existentes.
Pesquisadores da UCLA criaram recentemente uma nova arquitetura de rede neural, denominada Fourier Imager Network (FIN), que demonstrou uma generalização sem precedentes para tipos de amostras invisíveis, também alcançando velocidade computacional superior em tarefas de recuperação de fase e reconstrução de imagem holográfica. Nesta nova abordagem, eles introduziram módulos espaciais de transformada de Fourier que permitem que a rede neural aproveite as frequências espaciais de toda a imagem. Os pesquisadores da UCLA treinaram seu modelo FIN em amostras de tecido pulmonar humano e demonstraram sua generalização superior reconstruindo os hologramas de seções de tecido de próstata e glândula salivar humanas e amostras de Papanicolau, que nunca foram vistas na fase de treinamento.

Publicado em Light:Science &Applications , essa nova estrutura baseada em aprendizado profundo é relatada para obter maior precisão de reconstrução de imagem em comparação com os algoritmos clássicos de reconstrução de holograma e os modelos de aprendizado profundo de última geração, enquanto reduz o tempo de reconstrução em ~ 50 vezes. Essa nova estrutura de aprendizado profundo pode ser amplamente usada para criar redes neurais altamente generalizáveis ​​para várias tarefas de imagem microscópica e visão computacional.

Esta pesquisa foi liderada pelo Dr. Aydogan Ozcan, Professor do Chanceler e Cátedra Volgenau para Inovação em Engenharia na UCLA e Professor HHMI com o Howard Hughes Medical Institute. Os outros autores deste trabalho incluem Hanlong Chen, Luzhe Huang e Tairan Liu, todos do departamento de Engenharia Elétrica e de Computação da UCLA. O Prof. Ozcan também tem nomeações para o corpo docente da UCLA nos departamentos de bioengenharia e cirurgia e é diretor associado do California NanoSystems Institute. + Explorar mais

Imagens holográficas mais rápidas usando redes neurais recorrentes