O aprendizado profundo está passando por um verdadeiro renascimento, especialmente na última década, e usa redes neurais artificiais de várias camadas para análise automatizada de dados. O aprendizado profundo é uma das formas mais interessantes de aprendizado de máquina que está por trás de vários avanços recentes em tecnologia, incluindo, por exemplo, reconhecimento de voz em tempo real e tradução, bem como rotulagem e legenda de imagens / vídeos, entre muitos outros. Especialmente na análise de imagens, a aprendizagem profunda mostra uma promessa significativa para a pesquisa automatizada e rotulagem de recursos de interesse, como regiões anormais em uma imagem médica.

Agora, Os pesquisadores da UCLA demonstraram um novo uso para o aprendizado profundo - desta vez para reconstruir um holograma e formar uma imagem microscópica de um objeto. Em um artigo recente publicado em Light:Ciência e Aplicações , um jornal da Springer Nature, Os pesquisadores da UCLA demonstraram que uma rede neural pode aprender a realizar a recuperação de fase e a reconstrução de imagem holográfica após o treinamento apropriado. Esta abordagem baseada em aprendizagem profunda fornece uma estrutura fundamentalmente nova para conduzir imagens holográficas e, em comparação com as abordagens existentes, é significativamente mais rápido computar e reconstruir imagens aprimoradas dos objetos usando um único holograma, de modo que requer menos medições, além de ser computacionalmente mais rápido.

Esta pesquisa foi liderada pelo Dr. Aydogan Ozcan, um diretor associado do UCLA California NanoSystems Institute e o Chancellor's Professor de engenharia elétrica e de computação na UCLA Henry Samueli School of Engineering and Applied Science, junto com o Dr. Yair Rivenson, um pós-doutorado, e Yibo Zhang, um estudante de graduação, tanto no departamento de engenharia elétrica e de computação da UCLA.

Os autores validaram esta abordagem baseada em aprendizagem profunda reconstruindo hologramas de várias amostras, incluindo sangue e esfregaços de Pap (usados ​​para triagem de câncer cervical), bem como seções finas de amostras de tecido usadas em patologia, todos os quais demonstraram eliminação bem-sucedida de artefatos espaciais que surgem da informação de fase perdida no processo de gravação de holograma. Dito de outra forma, após seu treinamento, a rede neural aprendeu a extrair e separar as características espaciais da imagem verdadeira do objeto da interferência de luz indesejada e artefatos relacionados. Notavelmente, esta recuperação de holograma baseada em aprendizagem profunda foi alcançada sem qualquer modelagem de interação luz-matéria ou uma solução da equação de onda. "Esta é uma conquista emocionante, uma vez que os métodos tradicionais de reconstrução de holograma com base na física foram substituídos por uma abordagem computacional baseada em aprendizagem profunda", disse Rivenson.

"Esses resultados são amplamente aplicáveis ​​a qualquer recuperação de fase e problema de imagem holográfica, e esta estrutura baseada em aprendizagem profunda abre uma miríade de oportunidades para projetar sistemas de imagem coerentes fundamentalmente novos, abrangendo diferentes partes do espectro eletromagnético, incluindo comprimentos de onda visíveis, bem como o regime de raios-X "acrescentou Ozcan, que também é professor HHMI do Howard Hughes Medical Institute.

Outros membros da equipe de pesquisa foram Harun Günaydın e Da Teng, membros do Laboratório de Pesquisa Ozcan da UCLA.