Pesquisadores desenvolveram uma nova rede neural de ponta a ponta que pode acelerar a reconstrução de imagens holográficas. Ao contrário de outras técnicas de aprendizado profundo, a abordagem pode ser usada em amostras não encontradas durante o treinamento, tornando-a particularmente útil para imagens biomédicas holográficas sem rótulos.
“Com essa estrutura, uma rede neural bem treinada pode ser distribuída em qualquer lugar, sem ajuste fino, e realizar imagens holográficas rápidas e de alta qualidade de várias amostras”, explicou o líder de pesquisa Hanlong Chen, da Universidade da Califórnia, Los Angeles (UCLA).

Hanlong Chen e Aydogan Ozcan apresentarão a pesquisa na reunião Frontiers in Optics + Laser Science Conference (FiO LS), realizada em Rochester, Nova York, e online de 17 a 20 de outubro de 2022. A apresentação está agendada para segunda-feira, 17 de outubro, às 16:30 EDT (UTC—04:00).

Uma abordagem generalizável

Embora várias redes neurais tenham sido desenvolvidas para realizar a tarefa pesada de reconstrução de hologramas para pesquisa biológica e aplicações biomédicas, a maioria delas é projetada para ser muito específica. Isso significa que eles podem não ter um bom desempenho se usados ​​com amostras diferentes daquelas usadas inicialmente para treinar a rede.

Para resolver esse problema, Chen e seus colegas desenvolveram uma rede neural de ponta a ponta chamada Fourier Imager Network (FIN). Esse tipo de rede neural é treinado usando um único modelo, ignorando algumas das etapas normalmente usadas por outros métodos de aprendizado profundo. As redes neurais de ponta a ponta também são mais rápidas e potencialmente mais generalizáveis ​​para uma ampla variedade de amostras.

Resultados mais rápidos e precisos

A estrutura FIN pega uma sequência de hologramas brutos apenas de intensidade capturados em diferentes distâncias amostra-sensor com um microscópio holográfico em linha sem lente e cria imagens reconstruídas das amostras. Para testar a nova abordagem, os pesquisadores treinaram a rede usando seções de tecido pulmonar. Eles então usaram FIN para reconstruir imagens holográficas de tecido de glândula salivar humana e amostras de Papanicolau não vistas pela rede durante o treinamento.

A FIN funcionou bem nesses novos tipos de amostras e forneceu imagens reconstruídas com mais precisão do que um algoritmo iterativo e um modelo de aprendizado profundo de última geração. Ele também mostrou uma velocidade aprimorada de aproximadamente 50 vezes em comparação com o modelo de aprendizado profundo. Os pesquisadores dizem que esses resultados demonstram a forte generalização externa da FIN, ao mesmo tempo em que mostram o imenso potencial de construir redes neurais profundas amplamente generalizáveis ​​para várias tarefas de microscopia e imagem computacional.

Chen acrescentou:"Nosso próximo passo é investigar o foco automático, mantendo os benefícios de nossa abordagem, como excelente qualidade de imagem, generalização sem precedentes para novos tipos de amostras e velocidade computacional aprimorada, possibilitando imagens holográficas com dispositivos de poucos recursos". + Explorar mais

Recuperação de fase superior e reconstrução de holograma usando uma rede neural profunda