O aprendizado profundo permite a reconstrução de holograma conveniente, ao estender a profundidade da imagem. Crédito:UCLA Ozcan Research Group
Aprendizagem profunda, que usa redes neurais artificiais de várias camadas, é uma forma de aprendizado de máquina que demonstrou avanços significativos em muitos campos, incluindo processamento de linguagem natural, rotulagem e legendagem de imagens / vídeos. No processamento de imagens, o aprendizado profundo demonstra um potencial significativo para a identificação e rotulagem automatizadas de recursos de interesse, como regiões anormais em uma imagem médica.
Os pesquisadores da UCLA demonstraram uma aplicação inovadora de aprendizado profundo para estender significativamente a profundidade da imagem de um holograma. Na holografia, a reconstrução da imagem requer a realização de autofoco e recuperação de fase, que são geralmente complicados e demorados para serem executados em um grande volume de amostra. Em um artigo recente publicado em Optica , um jornal da Optical Society of America, Os pesquisadores da UCLA demonstraram uma nova abordagem que chamaram de HIDEF com base em uma rede neural convolucional que realiza simultaneamente autofoco e recuperação de fase para estender significativamente a profundidade de campo da imagem e a velocidade de reconstrução em holografia.
Esta pesquisa foi liderada pelo Dr. Aydogan Ozcan, o professor do chanceler de engenharia elétrica e da computação na UCLA e um professor HHMI do Howard Hughes Medical Institute, junto com Yichen Wu, um estudante de graduação, e Dr. Yair Rivenson, um pós-doutorado, tanto no departamento de engenharia elétrica e de computação da UCLA.
Os autores validaram esta abordagem baseada no aprendizado profundo, reconstruindo com sucesso hologramas de aerossóis e amostras de tecido humano. Geral, esta abordagem aumenta significativamente a eficiência computacional e a velocidade de reconstrução de imagens holográficas de alta resolução, executando simultaneamente autofoco e recuperação de fase, o que também aumenta a robustez do processo de reconstrução de imagem para possíveis desalinhamentos na configuração óptica, estendendo a profundidade das imagens reconstruídas.
Comparação dos resultados de HIDEF com os resultados de retropropagação em espaço livre (entrada CNN) e recuperação de fase de altura múltipla (fase de MH recuperada), em função da distância de desfocagem axial (dz). Crédito:UCLA Ozcan Research Group
"O aprendizado profundo é misteriosamente poderoso e tem surpreendido os pesquisadores de óptica no que pode alcançar para o avanço da microscopia óptica, e a introdução de novos métodos de reconstrução de imagem. De designs / dispositivos ópticos inspirados na física, estamos nos movendo em direção a projetos baseados em dados que irão mudar holisticamente tanto o hardware óptico quanto o software da microscopia de próxima geração, combinando os dois de novas maneiras, "acrescentou Ozcan.
Outros membros da equipe de pesquisa foram Yibo Zhang, Zhensong Wei, Harun Günaydin e Xing Lin, membros do Laboratório de Pesquisa Ozcan da UCLA.
