Microscópios ópticos são freqüentemente usados ​​em ciências biomédicas para revelar características finas de um espécime, como amostras de tecido humano e células, formando a espinha dorsal da imagem patológica para o diagnóstico de doenças. Uma das etapas mais críticas na imagem microscópica é a focagem automática para que diferentes partes de uma amostra possam ser rapidamente visualizadas, todas em foco, apresentando vários detalhes em uma resolução inferior a um milionésimo de metro. O foco manual dessas imagens de microscópio por um especialista é impraticável, especialmente para imagens rápidas de um grande número de espécimes, como em um laboratório de patologia que processa centenas de amostras de pacientes todos os dias.

Os pesquisadores da UCLA criaram uma nova técnica de foco automático de imagem para trazer digitalmente uma determinada imagem microscópica para o foco, sem o uso de um hardware ou equipamento especial de microscópio durante a fase de aquisição da imagem. Essa nova abordagem é baseada no aprendizado profundo, onde uma rede neural artificial é treinada para tomar uma única imagem desfocada como sua entrada para criar rapidamente uma imagem em foco da mesma amostra, sem a necessidade de qualquer conhecimento prévio da distância de desfocagem ou quaisquer suposições sobre a função de desfoque da imagem.

Publicado em ACS Photonics , um jornal da American Chemical Society, A equipe da UCLA demonstrou o sucesso deste método de focagem automática baseado em aprendizado profundo em amostras humanas, incluindo mama, seções de tecido ovariano e da próstata, fotografado com fluorescência e microscópios de campo claro. Comparado com algoritmos de foco automático padrão, A rede neural da UCLA aumentou a velocidade de foco automático de um microscópio em 15 vezes, resultando em grande economia de tempo, o que é especialmente significativo para laboratórios de patologia que precisam obter imagens rapidamente de um grande número de amostras de tecido. Simples de implementar e puramente computacional, esta nova abordagem de foco automático habilitado para aprendizado profundo pode ser aplicável a uma ampla gama de microscópios, uma vez que não requer modificações de hardware no sistema de imagem.