Deep learning heeft vooral het laatste decennium een ​​ware renaissance doorgemaakt, en het maakt gebruik van meerlagige kunstmatige neurale netwerken voor geautomatiseerde analyse van gegevens. Deep learning is een van de meest opwindende vormen van machine learning die de basis vormen voor verschillende recente technologische ontwikkelingen, waaronder realtime spraakherkenning en -vertaling, evenals het labelen en ondertitelen van afbeeldingen/video's, onder vele anderen. Vooral bij beeldanalyse, deep learning belooft veel voor geautomatiseerd zoeken en labelen van interessante functies, zoals abnormale regio's in een medisch beeld.

Nutsvoorzieningen, UCLA-onderzoekers hebben een nieuw gebruik voor deep learning aangetoond - dit keer om een ​​hologram te reconstrueren en een microscopisch beeld van een object te vormen. In een recent artikel dat is gepubliceerd in Licht:wetenschap en toepassingen , een tijdschrift van de Springer Nature, UCLA-onderzoekers hebben aangetoond dat een neuraal netwerk kan leren faseherstel en holografische beeldreconstructie uit te voeren na de juiste training. Deze op deep learning gebaseerde benadering biedt een fundamenteel nieuw raamwerk om holografische beeldvorming uit te voeren en in vergelijking met bestaande benaderingen is het aanzienlijk sneller om verbeterde afbeeldingen van de objecten te berekenen en te reconstrueren met behulp van een enkel hologram, zodat het minder metingen vereist en bovendien rekenkundig sneller is.

Dit onderzoek werd geleid door Dr. Aydogan Ozcan, een associate director van het UCLA California NanoSystems Institute en de Chancellor's Professor of Electrical and Computer Engineering aan de UCLA Henry Samueli School of Engineering and Applied Science, samen met dr. Yair Rivenson, een postdoctoraal onderzoeker, en Yibo Zhang, een afgestudeerde student, zowel op de afdeling elektrotechniek en computertechniek van de UCLA.

De auteurs valideerden deze op deep learning gebaseerde benadering door hologrammen van verschillende monsters te reconstrueren, waaronder bloed- en uitstrijkjes (gebruikt voor screening van baarmoederhalskanker) en dunne coupes van weefselmonsters die worden gebruikt in pathologie, Dit alles toonde een succesvolle eliminatie van ruimtelijke artefacten die voortkomen uit de verloren fase-informatie bij het hologramopnameproces. Anders gezegd, na zijn training heeft het neurale netwerk geleerd om de ruimtelijke kenmerken van het ware beeld van het object te extraheren en te scheiden van ongewenste lichtinterferentie en gerelateerde artefacten. Opmerkelijk, dit op deep learning gebaseerde hologramherstel is bereikt zonder enige modellering van licht-materie-interactie of een oplossing van de golfvergelijking. "Dit is een opwindende prestatie aangezien traditionele, op fysica gebaseerde hologramreconstructiemethoden zijn vervangen door een op deep learning gebaseerde computationele benadering", zei Rivenson.

"Deze resultaten zijn breed toepasbaar op elk faseherstel en holografisch beeldvormingsprobleem, en dit op diepgaand leren gebaseerde raamwerk biedt talloze mogelijkheden om fundamenteel nieuwe coherente beeldvormingssystemen te ontwerpen, verspreid over verschillende delen van het elektromagnetische spectrum, inclusief zichtbare golflengten en het röntgenregime", voegde Ozcan toe, die ook een HHMI-hoogleraar is bij het Howard Hughes Medical Institute.

Andere leden van het onderzoeksteam waren Harun Günaydın en Da Teng, leden van het Ozcan Research Lab aan de UCLA.