Uma forma de aprendizado de máquina chamada aprendizado profundo é uma das principais tecnologias por trás dos avanços recentes em aplicativos como reconhecimento de voz em tempo real e rotulagem automatizada de imagens e vídeos.

A abordagem, que usa redes neurais artificiais em várias camadas para automatizar a análise de dados, também mostrou uma promessa significativa para os cuidados de saúde:poderia ser usado, por exemplo, para identificar automaticamente anormalidades nas radiografias dos pacientes, Tomografias computadorizadas e outras imagens e dados médicos.

Em dois novos jornais, Os pesquisadores da UCLA relatam que desenvolveram novos usos para o aprendizado profundo:reconstruir um holograma para formar uma imagem microscópica de um objeto e melhorar a microscopia óptica.

Sua nova técnica de imagem holográfica produz imagens melhores do que os métodos atuais que usam vários hologramas, e é mais fácil de implementar porque requer menos medições e executa cálculos mais rapidamente.

A pesquisa foi liderada por Aydogan Ozcan, um diretor associado do UCLA California NanoSystems Institute e o Chancellor's Professor of Electrical and Computer Engineering na UCLA Henry Samueli School of Engineering and Applied Science; e pelo pós-doutorado Yair Rivenson e pelo estudante de pós-graduação Yibo Zhang, ambos do departamento de engenharia elétrica e de computação da UCLA.

Para um estudo, publicado em Luz:Ciência e Aplicações , os pesquisadores produziram hologramas de esfregaços de Pap, que são usados ​​para triagem de câncer cervical, e amostras de sangue, bem como amostras de tecido mamário. Em cada caso, a rede neural aprendeu a extrair e separar as características da imagem verdadeira do objeto da interferência de luz indesejada e de outros subprodutos físicos do processo de reconstrução da imagem.

"Esses resultados são amplamente aplicáveis ​​a qualquer recuperação de fase e problema de imagem holográfica, e esta estrutura baseada em aprendizagem profunda abre inúmeras oportunidades para projetar sistemas de imagem coerentes fundamentalmente novos, abrangendo diferentes partes do espectro eletromagnético, incluindo comprimentos de onda visíveis e até mesmo raios-X, "disse Ozcan, que também é professor HHMI no Howard Hughes Medical Institute.

Outra vantagem da nova abordagem foi que ela foi alcançada sem qualquer modelagem de interação luz-matéria ou uma solução da equação de onda, o que pode ser desafiador e demorado para modelar e calcular para cada amostra individual e forma de luz.

"Esta é uma conquista empolgante, uma vez que os métodos tradicionais de reconstrução de holograma com base na física foram substituídos por uma abordagem computacional baseada em aprendizado profundo, "Rivenson disse.

Outros membros da equipe foram os pesquisadores da UCLA Harun Günaydin e Da Teng, ambos os membros do laboratório de Ozcan.

O segundo estudo, publicado no jornal Optica , os pesquisadores usaram a mesma estrutura de aprendizado profundo para melhorar a resolução e a qualidade das imagens microscópicas ópticas.

Esse avanço pode ajudar diagnosticadores ou patologistas que procuram anormalidades de escala muito pequena em uma grande amostra de sangue ou tecido, e Ozcan disse que representa as oportunidades poderosas de aprendizado profundo para melhorar a microscopia óptica para diagnósticos médicos e outros campos da engenharia e das ciências.