Deep learning heeft benchmarkresultaten opgeleverd voor verschillende beeldvormingstaken, waaronder holografische microscopie, waarbij het een essentiële stap is om de fase-informatie van monsters te herstellen met behulp van alleen-intensiteitsmetingen. Door te trainen op goed ontworpen datasets, hebben diepe neurale netwerken bewezen beter te presteren dan klassieke fase-ophaal- en hologramreconstructie-algoritmen in termen van nauwkeurigheid en rekenefficiëntie. Modelgeneralisatie, die verwijst naar het uitbreiden van de mogelijkheden van neurale netwerken naar nieuwe soorten monsters die nooit tijdens de training zijn gezien, blijft echter een uitdaging voor bestaande deep learning-modellen.

UCLA-onderzoekers hebben onlangs een nieuwe neurale netwerkarchitectuur gecreëerd, Fourier Imager Network (FIN) genaamd, die een ongekende generalisatie naar ongeziene monstertypen liet zien, en ook een superieure rekensnelheid bereikte bij het ophalen van fasen en holografische beeldreconstructietaken. In deze nieuwe benadering introduceerden ze ruimtelijke Fourier-transformatiemodules waarmee het neurale netwerk kan profiteren van de ruimtelijke frequenties van het hele beeld. UCLA-onderzoekers trainden hun FIN-model op menselijke longweefselmonsters en demonstreerden de superieure generalisatie ervan door de hologrammen van menselijke prostaat- en speekselklierweefselsecties en uitstrijkjes te reconstrueren, die nooit werden gezien in de trainingsfase.

Gepubliceerd in Light:Science &Applications , is gemeld dat dit nieuwe op deep learning gebaseerde raamwerk een hogere nauwkeurigheid van de beeldreconstructie bereikt in vergelijking met de klassieke hologramreconstructie-algoritmen en de ultramoderne deep learning-modellen, terwijl de reconstructietijd met ~ 50 keer wordt verkort. Dit nieuwe deep learning-framework kan breed worden gebruikt om zeer generaliseerbare neurale netwerken te creëren voor verschillende microscopische beeldvormings- en computervisietaken.

Dit onderzoek werd geleid door Dr. Aydogan Ozcan, Chancellor's Professor en Volgenau Chair for Engineering Innovation aan de UCLA en HHMI Professor bij het Howard Hughes Medical Institute. De andere auteurs van dit werk zijn Hanlong Chen, Luzhe Huang en Tairan Liu, allemaal van de afdeling Electrical and Computer Engineering aan de UCLA. Prof. Ozcan heeft ook UCLA-faculteitsbenoemingen op de afdelingen bio-engineering en chirurgie en is associate director van het California NanoSystems Institute. + Verder verkennen

Snellere holografische beeldvorming met behulp van terugkerende neurale netwerken